MFTCoder 源码解析：核心组件设计与多框架支持（Accelerate/Atorch）

MFTCoder 源码解析核心组件设计与多框架支持Accelerate/Atorch【免费下载链接】MFTCoderHigh Accuracy and efficiency multi-task fine-tuning framework for Code LLMs. This work has been accepted by KDD 2024.项目地址: https://gitcode.com/gh_mirrors/mf/MFTCoderMFTCoder 是国际首个高精度、高效率、多任务、多模型支持、多训练算法的大模型代码能力微调框架。它作为一个开源的多任务代码大语言模型项目包含代码大模型的模型、数据、训练等内容致力于通过开源分享交流大语言模型在代码领域的进步。多模型支持体系兼容主流开源模型MFTCoder 具备强大的多模型支持能力能够适配多种主流开源模型。在其模型架构中涵盖了丰富的模型种类如 gpt - neox、llama、llama - 2、baichuan、Qwen、chatglm2 等。这些模型的实现代码分布在不同的目录下例如 mftcoder_accelerate/src/model/baichuan2/ 目录下包含了百川 2 模型的配置、建模、量化器和分词器等相关代码为模型的加载和使用提供了基础。该架构图清晰展示了 MFTCoder 对多种模型的支持情况包括已发布和即将发布的模型如 CodeFuse - 13B代码、Bailing、Mixtral(MoE)、Deepseek、Qwen 等体现了其在模型兼容性方面的广泛覆盖。多任务训练机制平衡与泛化能力多任务训练是 MFTCoder 的核心特性之一。它能够让一个模型同时支持多个任务并保证多个任务之间的平衡甚至可以泛化到新的没有见过的任务上去。在训练过程中涉及到多任务 loss 加权模式如 mftcoder_accelerate/README_cn.md 中提到的 weighted_loss_mode 参数其中 case3 是当前推荐的模式有助于实现多任务的收敛均衡。多任务数据处理MFTCoder 在数据处理方面也为多任务训练提供了支持。在 mftcoder_accelerate/src/data/multi_task_dataset.py 中实现了多任务数据集的构建能够将不同任务的数据进行整合和处理为模型的多任务学习提供合适的数据输入。核心组件设计训练与推理的关键模块PEFT 技术集成MFTCoder 集成了 PEFTParameter - Efficient Fine - Tuning技术如 Lora 和 QLoRA。在 mftcoder_accelerate/src/pefts/arguments.py 中定义了与 PEFT 相关的参数包括 peft_type可设为 lora、qlora 或 null 用于全量微调、lora_rank、lora_alpha、lora_dropout 等这些参数可以根据实际需求进行调整以实现高效的参数微调。训练入口与配置训练入口文件为 mftcoder_accelerate/src/pefts/mft_accelerate.py通过该文件可以启动模型的训练过程。同时项目提供了不同的训练配置文件如 mftcoder_accelerate/src/configs/lora_train_config.json 和 mftcoder_accelerate/src/configs/qlora_train_config.json分别对应 Lora 和 QLoRA 微调的配置方便用户根据具体场景进行选择和配置。多框架支持Accelerate 与 AtorchAccelerate DeepSpeed/FSDP 框架MFTCoder - accelerate 支持主流开源的 Accelerate DeepSpeed/FSDP 框架。可以通过不同的启动命令来选择相应的分布式训练方式如使用 DeepSpeed 时命令为accelerate launch --config_file accelerate_ds_config.yaml pefts/mft_accelerate.py --train_config configs/xxx_train_config.json --distributed_type DeepSpeed使用 FSDP 时命令为accelerate launch --config_file accelerate_fsdp_config.yaml pefts/mft_accelerate.py --train_config configs/xxx_train_config.json --distributed_type FSDP。Atorch 框架MFTCoder 还支持新开源的 Atorch 框架。在 mftcoder_atorch/README_cn.md 中提到MFTCoder 在 Atorch 框架下支持 GPTNeoX 模型的微调并且提供了相应的训练脚本如sh run_gpt_mft_peft.sh 10 1 8 5方便用户在 Atorch 框架下进行模型训练。这张图片展示了 MFTCoder 在多框架训练方面的流程包括多任务数据加载、多框架训练器如 Full Supervised Fine Tuning (SFT)、Multitask Fine Tuning (MFT) 等以及多类型损失的平衡等体现了其在不同框架下的灵活应用。模型权重合并与推理在使用 Lora 或 QLoRA 进行训练后MFTCoder 支持将 adapter 权重与 base model 进行合并以便于推理。合并脚本为 mftcoder_accelerate/src/pefts/merge_base_and_lora_to_hf.py通过执行该脚本可以实现权重的合并使推理过程更加便捷。通过对 MFTCoder 源码的解析我们可以看到其在核心组件设计和多框架支持方面的强大能力为代码大模型的微调提供了高效、灵活的解决方案。无论是多模型的兼容、多任务的平衡训练还是不同框架的支持MFTCoder 都展现出了其在大语言模型微调领域的优势和价值。【免费下载链接】MFTCoderHigh Accuracy and efficiency multi-task fine-tuning framework for Code LLMs. This work has been accepted by KDD 2024.项目地址: https://gitcode.com/gh_mirrors/mf/MFTCoder创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考