LESS: 一种创新的数据选择方法用于目标指令调优

RayRay
LESS数据选择指令微调模型训练评估Github开源项目

LESS

LESS简介

LESS(Selecting Influential Data for Targeted Instruction Tuning)是由普林斯顿大学研究团队提出的一种创新数据选择方法,旨在从大规模指令调优数据集中选择最具影响力的数据来诱导特定目标能力。这项研究成果将在ICML 2024会议上发表。

在大语言模型(LLM)的指令调优过程中,数据的质量和相关性对模型性能至关重要。LESS方法通过巧妙的算法设计,能够有效地从海量数据中筛选出对特定任务最有帮助的样本,从而实现更高效、更有针对性的模型调优。

LESS的工作原理

LESS的核心思想是通过估计训练数据对验证数据的影响来选择最相关的样本。具体来说,LESS通过以下步骤实现数据选择:

  1. 预热训练:使用LoRA方法对一小部分数据进行初步训练,为后续的梯度计算做准备。

  2. 构建梯度数据存储:对整个训练数据集计算梯度,并存储这些梯度信息。

  3. 任务特定数据选择:针对目标任务准备验证数据,计算验证数据的梯度,然后基于训练数据和验证数据的梯度相似度来估算影响力得分。

  4. 选择高影响力数据:根据影响力得分选择top-k个训练样本。

  5. 使用选定数据进行训练:利用筛选出的高质量数据对模型进行针对性的指令调优。

通过这种方法,LESS能够有效地从大规模数据集中筛选出对特定任务最有帮助的样本,从而提高指令调优的效率和效果。

LESS的实现步骤

让我们详细了解LESS方法的具体实现步骤:

1. 环境准备

首先需要安装必要的依赖:

pip3 install torch==2.1.2 torchvision torchaudio pip install -r requirement.txt pip install -e .

2. 数据准备

LESS使用了四个指令调优数据集:Flan v2、COT、Dolly和Open Assistant。评估数据集包括MMLU、Tydiqa和BBH。这些数据可以在Hugging Face上找到。

3. 预热训练

使用以下脚本进行预热训练:

DATA_DIR=../data MODEL_PATH=meta-llama/Llama-2-7b-hf PERCENTAGE=0.05 DATA_SEED=3 JOB_NAME=llama2-7b-p${PERCENTAGE}-lora-seed${DATA_SEED} ./less/scripts/train/warmup_lora_train.sh "$DATA_DIR" "$MODEL_PATH" "$PERCENTAGE" "$DATA_SEED" "$JOB_NAME"

4. 构建梯度数据存储

对整个训练数据集计算梯度:

CKPT=105 TRAINING_DATA_NAME=dolly TRAINING_DATA_FILE=../data/train/processed/dolly/dolly_data.jsonl GRADIENT_TYPE="adam" MODEL_PATH=../out/llama2-7b-p0.05-lora-seed3/checkpoint-${CKPT} OUTPUT_PATH=../grads/llama2-7b-p0.05-lora-seed3/${TRAINING_DATA_NAME}-ckpt${CKPT}-${GRADIENT_TYPE} DIMS="8192" ./less/scripts/get_info/get_train_lora_grads.sh "$TRAINING_DATA_FILE" "$MODEL_PATH" "$OUTPUT_PATH" "$DIMS" "$GRADIENT_TYPE"

5. 任务特定数据选择

为目标任务准备验证数据并计算梯度:

CKPT=105 TASK=tydiqa MODEL_PATH=../out/llama2-7b-p0.05-lora-seed3/checkpoint-${CKPT} OUTPUT_PATH=../grads/llama2-7b-p0.05-lora-seed3/${TASK}-ckpt${CKPT}-sgd DATA_DIR=../data DIMS="4096 8192" ./less/scripts/get_info/get_eval_lora_grads.sh "$TASK" "$DATA_DIR" "$MODEL_PATH" $OUTPUT_PATH "$DIMS"

然后选择影响力最大的数据:

DIM=8192 GRADIENT_PATH=../grads/llama2-7b-p0.05-lora-seed3/{}-ckpt{}-adam/dim${DIM} TRAIN_FILE_NAMES="flan_v2 cot dolly oasst1" CKPTS="105 211 317 420" CHECKPOINT_WEIGHTS="1.6877e-05 1.2859e-05 7.7030e-06 2.5616e-06" VALIDATION_GRADIENT_PATH=../grads/llama2-7b-p0.05-lora-seed3/{}-ckpt{}-sgd/dim${DIM} TARGET_TASK_NAMES="tydiqa" SELECTED_DATA_OUTPUT_PATH="../selected_data" ./less/scripts/data_selection/matching.sh "$GRADIENT_PATH" "$TRAIN_FILE_NAMES" "$CKPTS" "$CHECKPOINT_WEIGHTS" "$VALIDATION_GRADIENT_PATH" "$TARGET_TASK_NAMES" "$SELECTED_DATA_OUTPUT_PATH"

6. 使用选定数据进行训练

最后,使用筛选出的高质量数据对模型进行训练:

TARGET_TASK_NAME="tydiqa" PERCENTAGE=0.05 TRAIN_FILES=../selected_data/${TARGET_TASK_NAME}/top_p${PERCENTAGE}.jsonl MODEL_PATH=meta-llama/Llama-2-7b-hf JOB_NAME=llama2-7b-less-p${PERCENTAGE}-lora ./less/scripts/train/lora_train.sh "$TRAIN_FILES" "$MODEL_PATH" "$JOB_NAME"

LESS的实际效果

通过实验,研究团队发现LESS方法在多个任务上都取得了显著的效果提升。例如:

  • 在MMLU数据集上,使用LESS选择的5%数据进行训练,模型性能接近使用全量数据训练的效果。
  • 在TydiQA数据集上,LESS选择的10%数据比随机选择的10%数据提高了4个百分点的准确率。
  • 在BBH数据集上,LESS方法也展现出了优越的性能。

这些结果表明,LESS能够有效地从大规模数据集中筛选出最有价值的样本,从而实现更高效的指令调优。

LESS性能比较

LESS的优势与应用前景

LESS方法具有以下几个主要优势:

  1. 高效性:通过选择最具影响力的数据,LESS可以在使用更少数据的情况下达到接近全量数据训练的效果,大大提高了训练效率。

  2. 针对性:LESS能够针对特定任务选择最相关的数据,实现更有针对性的模型调优。

  3. 可解释性:通过分析被选中的高影响力数据,研究人员可以更好地理解模型的学习过程和决策依据。

  4. 通用性:LESS方法可以应用于各种大语言模型和不同的指令调优任务。

在实际应用中,LESS方法有望在以下几个方面发挥重要作用:

  • 降低模型训练成本:通过减少所需的训练数据量,LESS可以显著降低计算资源消耗。
  • 提高模型性能:针对性选择高质量数据可以帮助模型更好地学习关键能力。
  • 个性化模型定制:LESS可以帮助开发者为特定领域或任务快速定制模型。
  • 数据质量评估:通过分析被LESS选中的数据,可以帮助研究人员评估和改进数据集质量。

结语

LESS方法为大语言模型的指令调优提供了一种创新的数据选择方案。通过智能地筛选最具影响力的数据,LESS不仅提高了模型训练的效率,还为实现更精准、更有针对性的模型能力提供了可能。随着大语言模型在各行各业的广泛应用,LESS这样的高效数据选择方法必将发挥越来越重要的作用,推动AI技术向更高效、更智能的方向发展。

研究者们希望LESS方法能够为整个AI社区带来启发,推动更多创新性的数据选择和模型调优技术的出现。同时,他们也欢迎其他研究者和开发者基于LESS的开源代码进行进一步的探索和改进,共同推动大语言模型技术的进步。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多