微调 chatGLM3-6b-base 时涉及的一些重要参数的详细解释
-
batch_size: 批量大小，默认为4，每个GPU的训练批量大小。增加该值可以提高训练速度，但可能需要更多的显存。 -
lora_r: Lora R维度，默认为64，指定Lora训练中用于调节的R维度大小。该参数影响Lora模块的复杂度和模型的表现。 -
weight_decay: 权重衰减，默认为0.0，AdamW优化器的L2权重衰减率，用于防止模型过拟合。 -
learning_rate: 学习率，默认为1e-4，优化器更新模型参数的步长。适当的学习率有助于模型的收敛。 -
fp16: 是否使用fp16混合精度训练，默认为False，决定是否启用16位浮点精度训练，以减少内存使用和加快计算速度。 -
do_train: 是否进行训练，默认为True，控制是否进行训练过程。 -
evaluation_strategy: 评估策略，默认为’epoch’，决定模型评估的频率，是每个训练轮次还是其他策略。 -
warmup_ratio: 预热比例，默认为0.03，学习率预热的比例。预热可以帮助学习率在训练初期平稳增长。 -
logging_steps: 记录损失的频率，默认为1，指定每多少步记录一次训练损失。 -
optim: 优化器，默认为’paged_adamw_8bit’，指定使用的优化器类型。 -
quant_type: 量化数据类型，默认为"nf4"，用于指定量化过程中的数据表示类型。 -
max_grad_norm: 梯度裁剪最大范数，默认为0.3，防止梯度爆炸的最大梯度范数。 -
lora_alpha: Lora alpha值，默认为16，控制Lora训练中的缩放因子。 -
save_strategy: 保存检查点的策略，默认为’epoch’，决定模型检查点的保存频率。 -
trust_remote_code: 是否信任远程代码，默认为True，决定是否允许使用远程代码。 -
compute_dtype: 模型的计算数据类型，默认为torch.float16，指定模型计算时使用的数据类型。 -
use_auth_token: 是否使用auth token，默认为False，决定是否需要认证令牌来访问特定资源。 -
double_quant: 是否通过双重量化压缩量化统计数据，默认为True，控制是否使用双重量化来进一步压缩模型。 -
n_epochs: 训练轮数，默认为5，指定训练过程中优化器更新的总轮次。 -
group_by_length: 将序列按相同长度分组为批次，默认为True，优化批次数据处理方式。 -
tokenizer_type: 分词器类型，默认为"llama"，指定使用的分词器类型。 -
max_tokens: 最大标记数，默认为4096，指定模型输入的最大标记数量。 -
use_fast: 是否使用快速分词器，默认为False，决定是否使用快速分词器以提高处理速度。 -
gradient_checkpointing: 是否使用梯度检查点，默认为True，决定是否启用梯度检查点以节省内存。 -
lora_dropout: Lora dropout值，默认为0.05，指定Lora训练中的dropout率，以防止过拟合。 -
save_total_limit: 最多保存检查点的数量，默认为3，指定最多保存的模型检查点数量。 -
training_recipe: 训练配方，默认为"lora"，指定使用的训练方式（Lora训练或完整训练）。 -
gradient_accumulation_steps: 梯度累积步数，默认为1，指定在执行优化器步骤之前要累积的梯度数量。 -
logging_steps: 记录损失的频率，默认为1，指定每多少步记录一次训练损失。 -
bits: 量化模型的位数，默认为4，指定量化模型时使用的位数。