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

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

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。

下拉加载更多