共计 5766 个字符，预计需要花费 15 分钟才能阅读完成。
谷歌的最新的 Gemma 模型是第一个应用与 Gemini 模型雷同的钻研和技术构建的开源 LLM。这个系列的模型目前有两种尺寸，2B 和 7B，并且提供了聊天的根本版和指令版。
用一句话来总结 Gemma 就是：学习了 Llama 2 和 Mistral 7B 的长处，应用了更多的 Token 和单词进行了训练了一个更好的 7B(8.5B)模型。所以这篇文章咱们将介绍 Gemma 模型，而后展现如何应用 Gemma 模型，包含应用 QLoRA、推理和量化微调。
Gemma 7B 其实是 8.5B
1、模型细节
谷歌的公布这份技术报告中提供了模型的更多细节
能够看到 Google 总结了每个模型的参数数量，并且辨别了嵌入参数和非嵌入参数。对于 7B 模型，有 7.7B 个非嵌入参数。如果思考参数总数，Gemma 7B 有 8.54B 个参数…
相比之下 Gemma 更靠近 9B。将 Gemma 作为“7B”LLM 公布能够算是一种误导，但这也很好了解，因为必定心愿将本人的 LLM 与之前公布的 7B 进行比拟，而更多的参数往往意味着更好的性能，对吧。
为了便于比拟，咱们总计了其余风行的“7B”模型的参数总数:
- Llama 2 7B: 6.74B
- Mistral 7B: 7.24B
- Qwen-1.5 7B: 7.72B
- Gemma 7B: 8.54B
能够看到，其实 Gemma 7B 比 Llama 2 7B 多 1.8B 个参数，依照参数越多，性能越好的实践，Gemma 比其余模型好是必然的。
在 google 的报告中还具体介绍了模型的架构:
能够解决多达 8k 个令牌的上下文。为了高效扩大，他们应用了 multi-query attention 和 RoPE 嵌入，并且兼容 FlashAttention-2。
Gemma 的嵌入词表是目前开源模型中最大的，有 256k 个。它比 Llama 2 的词汇量大 8 倍，比 Qwen-1.5 的词汇量大 1.7 倍，而 Qwen-1.5 的词汇量曾经被认为十分大了。除了词汇表大小之外，Gemma 架构十分规范。更大的嵌入词表通常意味着模型被训练成多语言的。然而谷歌却说这些模型次要是为英语工作训练的。
然而依据目前公布的模型来看，谷歌的确在涵盖多种语言的数据上训练了模型，如果针对多语言工作进行微调应该会产生良好的性能。
2、Gemma 的训练数据
Gemma 2B 和 7B 别离承受了 2 万亿个和 6 万亿个 token 的训练。这意味着 Gemma 7B 承受的 token 比 Llama 2 多 3 倍。这里猜想起因如下：
因为词汇表十分大，须要对模型进行更长的训练，以便更好地学习词汇表中所有标记的嵌入。扩充训练的 token 后损失应该还是升高的，这也与词汇表十分大绝对应。咱们能够这么了解词汇表越大，可能须要的训练 token 就越多，当然可能体现就会越好。
对于模型的指令版本，他们对由人类和合成数据组成的指令数据集进行了监督微调，而后进行了基于人类反馈的强化学习(RLHF)。
3、公共测试数据上的体现
谷歌在规范基准上对 Gemma 进行了评估，并将后果与 Llama 2(在论文中拼写为 lama -2…)和 Mistral 7B 进行了比拟。
在大多数工作中，Gemma 7B 比其余模型取得了更好的分数。然而这里有 2 个问题：
1、咱们还是要对这些基准分数持保留态度。因为谷歌没有通知咱们是如何计算这些分数的。
2、还是模型参数问题，8.5B 实践上应该就会比 7B 要好，所以分数进步是很失常的
本地运行 Gemma 2B 和 7B
Hugging Face 的 Transformers 和 vLLM 都曾经反对 Gemma 模型，硬件的要求是 18gb GPU。
咱们先介绍 vLLM
import time
from vllm import LLM, SamplingParams
prompts = ["The best recipe for pasta is"]
sampling_params = SamplingParams(temperature=0.7, top_p=0.8, top_k=20, max_tokens=150)
loading_start = time.time()
llm = LLM(model="google/gemma-7b")
print("--- Loading time: %s seconds ---" % (time.time() - loading_start))
generation_time = time.time()
outputs = llm.generate(prompts, sampling_params)
print("--- Generation time: %s seconds ---" % (time.time() - generation_time))
for output in outputs:
generated_text = output.outputs[0].text
print(generated_text)
print('------')而后是 Transformers
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, set_seed
set_seed(1234) # For reproducibility
prompt = "The best recipe for pasta is"
checkpoint = "google/gemma-7b"
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForCausalLM.from_pretrained(checkpoint, torch_dtype=torch.float16, device_map="cuda")
inputs = tokenizer(prompt, return_tensors="pt").to('cuda')
outputs = model.generate(**inputs, do_sample=True, max_new_tokens=150)
result = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(result)应用起来都是很简略的，与其余的开源模型根本一样。
Gemma 7B 的量化
AutoGPTQ 和 AutoAWQ 是 GPTQ 和 AWQ 量化最罕用的两个库，但在目前（2.29）它们并不反对 Gemma。所有咱们只能用 bitsandbytes NF4 量化 Gemma 7B。
GGUF 格局的块量化也能够用 llama.cpp 实现。Google 在与原始版本雷同的存储库中公布了 Gemma 的 GGUF 版本。
通过 bitsandbytes 量化 Gemma 7B 依然须要 7.1 GB 的 GPU RAM。所以还是那句话 这个“7B”的叫法是不是正确的呢？
以下是量化加载和推理的代码
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, set_seed, BitsAndBytesConfig
set_seed(1234) # For reproducibility
prompt = "The best recipe for pasta is"
checkpoint = "google/gemma-7b"
compute_dtype = getattr(torch, "float16")
bnb_config = BitsAndBytesConfig(
load_in_4bit=True,
bnb_4bit_quant_type="nf4",
bnb_4bit_compute_dtype=compute_dtype,
bnb_4bit_use_double_quant=True,
)
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForCausalLM.from_pretrained(checkpoint, quantization_config=bnb_config, device_map="cuda")
inputs = tokenizer(prompt, return_tensors="pt").to('cuda')
outputs = model.generate(**inputs, do_sample=True, max_new_tokens=150)
result = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(result)应用 QLORA 对 Gemma 7B 进行微调
bitsandbytes 量化曾经能够失常应用，所以咱们能够用 QLoRA 对 Gemma 7B 进行微调。当然如果应用很小的训练批大小和较短的 max_seq_length，也能够在消费者硬件上应用 LoRA(即不进行量化)对 Gemma 7B 进行微调。
以下是我应用 Gemma 7B 测试 QLoRA 微调的代码:
import torch
from datasets import load_dataset
from peft import LoraConfig, PeftModel, prepare_model_for_kbit_training
from transformers import (
AutoModelForCausalLM,
AutoTokenizer,
BitsAndBytesConfig,
AutoTokenizer,
TrainingArguments,
)
from trl import SFTTrainer
model_name = "google/gemma-7b"
#Tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_name, add_eos_token=True, use_fast=True)
tokenizer.pad_token = tokenizer.eos_token
tokenizer.pad_token_id = tokenizer.eos_token_id
tokenizer.padding_side = 'left'
ds = load_dataset("timdettmers/openassistant-guanaco")
compute_dtype = getattr(torch, "float16")
bnb_config = BitsAndBytesConfig(
load_in_4bit=True,
bnb_4bit_quant_type="nf4",
bnb_4bit_compute_dtype=compute_dtype,
bnb_4bit_use_double_quant=True,
)
model = AutoModelForCausalLM.from_pretrained(model_name, quantization_config=bnb_config, device_map={"": 0}
)
model = prepare_model_for_kbit_training(model)
#Configure the pad token in the model
model.config.pad_token_id = tokenizer.pad_token_id
model.config.use_cache = False # Gradient checkpointing is used by default but not compatible with caching
peft_config = LoraConfig(
lora_alpha=16,
lora_dropout=0.05,
r=16,
bias="none",
task_type="CAUSAL_LM",
target_modules= ['k_proj', 'q_proj', 'v_proj', 'o_proj', "gate_proj", "down_proj", "up_proj"]
)
training_arguments = TrainingArguments(
output_dir="./results_qlora",
evaluation_strategy="steps",
do_eval=True,
optim="paged_adamw_8bit",
per_device_train_batch_size=4,
per_device_eval_batch_size=4,
log_level="debug",
save_steps=50,
logging_steps=50,
learning_rate=2e-5,
eval_steps=50,
max_steps=300,
warmup_steps=30,
lr_scheduler_type="linear",
)
trainer = SFTTrainer(
model=model,
train_dataset=ds['train'],
eval_dataset=ds['test'],
peft_config=peft_config,
dataset_text_field="text",
max_seq_length=512,
tokenizer=tokenizer,
args=training_arguments,
)
trainer.train()300 个训练步 (训练批大小为 4 个) 须要不到 1 小时。
总结
许多框架曾经很好地反对 Gemma 模型，GPTQ 和 AWQ 的量化也将很快就会公布的，通过量化后能够在 8gb GPU 上应用 Gemma 7B。
不可否认公布 Gemma 模型是谷歌后退的一步。Gemma 7B 看起来是 Mistral 7B 的一个很好的竞争对手，但咱们不要遗记它也比 Mistral 7B 多 10 亿个参数。另外我始终没想明确 Gemma 2B 的用例是什么，它的性能被其余相似尺寸的模型超过了（这个 2B 可能就真是 2B 了），并且能够看到谷歌这俩模型参数少的性能不行，性能好的参数又多很多。这种文字游戏阐明谷歌在 AI 赛道上确实使落后并且焦急了，而且目前还没有任何的方法进行超过。
这里是谷歌官网公布的 gemma-report，有趣味的能够查看
https://avoid.overfit.cn/post/6921505d228e4daa81e460e1c231eb49
作者:Benjamin Marie
