TorchTune でのファインチューニング

Llama 3 のファインチューニング

Francesca Donadoni

Curriculum Manager, DataCamp

TorchTune のファインチューニング構成要素

モデル
- 微調整するアーキテクチャと事前学習済み重みを定義
- バージョンやパラメータ数が異なる
データセット
- 学習に用いるデータを指定
レシピ
- モデル、データセット、学習パラメータをまとめる中央設定
- 一貫性と再現性を担保

TorchTune のファインチューニング構成要素

モデル

!tune ls

llama3/8B_full
llama3_1/8B_full
llama3_2/1B_full ...

データセット
- ds.save_to_disk("new_dataset")
レシピ
- custom_recipe.yaml

TorchTune レシピの構成要素

全般設定と出力先
- バッチサイズ、デバイス、エポック

モデル
- アーキテクチャとモデル設定を指定

オプティマイザ
- 学習率など
データセット
- 前処理とパスを定義

batch_size: 4
device: cuda
epochs: 20
output_dir: /tmp/full-llama3.2-finetune

model:
  _component_: 
      torchtune.models.llama3_2.llama3_2_1b

optimizer:
  _component_: bitsandbytes.optim.PagedAdamW8bit
  lr: 2.0e-05

dataset:
  _component_: torchtune.datasets.alpaca_dataset

TorchTune レシピの設定

利用可能なパラメータが増加
yaml を使い Python で設定可能

import yaml

config_dict = {"batch_size": 4,
               "device": "cuda",
               "model": {
                 "_component_": "torchtune.models.llama3_2.llama3_2_1b"
                },
                ...
}

yaml_file_path = "custom_recipe.yaml"
with open(yaml_file_path, "w") as yaml_file:
    yaml.dump(config_dict, yaml_file)

カスタム学習の実行

tune run --config custom_recipe.yaml

INFO:torchtune.utils.logging:Running 
Writing logs to /tmp/full-llama3.2-finetune/log_1732815689.txt
INFO:torchtune.utils.logging:Model is initialized with precision torch.bfloat16.
INFO:torchtune.utils.logging:Tokenizer is initialized from file.
1|52|Loss: 2.3697006702423096:   0%|▏                     | 52/25880

ログ保存
正常に初期化
エポック/ステップ進捗
損失メトリクス

Let's practice!

Llama 3 のファインチューニング