Qwen2.5-7B-Instruct_v3

Qwen 2.5 7B Instruct 모델 파인튜닝

이 저장소는 Amazon SageMaker를 사용하여 Qwen 2.5 7B Instruct 모델을 파인튜닝하는 코드를 포함하고 있습니다. 이 프로젝트는 대규모 언어 모델의 효율적인 파인튜닝을 위해 QLoRA(Quantized Low-Rank Adaptation)를 사용합니다.

프로젝트 구조

.
├── scripts/
│   ├── train.py
│   ├── tokenization_qwen2.py
│   ├── requirements.txt
│   └── bootstrap.sh
├── sagemaker_train.py
└── README.md

사전 요구사항

• Amazon SageMaker 접근 권한
• Hugging Face 계정 및 접근 토큰
• AWS 자격 증명 구성
• Python 3.10+

환경 설정

프로젝트에서 사용하는 주요 의존성:

• PyTorch 2.1.0
• Transformers (main 브랜치의 최신 버전)
• Accelerate >= 0.27.0
• PEFT >= 0.6.0
• BitsAndBytes >= 0.41.0

모델 구성

• 기본 모델: Qwen/Qwen2.5-7B-Instruct
• 학습 방법: QLoRA (4비트 양자화)
• 인스턴스 유형: ml.p5.48xlarge
• 분산 전략: PyTorch DDP

학습 구성

하이퍼파라미터

{
    'epochs': 3,
    'per_device_train_batch_size': 4,
    'gradient_accumulation_steps': 8,
    'learning_rate': 1e-5,
    'max_steps': 1000,
    'bf16': True,
    'max_length': 2048,
    'gradient_checkpointing': True,
    'optim': 'adamw_torch',
    'lr_scheduler_type': 'cosine',
    'warmup_ratio': 0.1,
    'weight_decay': 0.01,
    'max_grad_norm': 0.3
}

환경 변수

학습 환경은 분산 학습 및 메모리 관리를 위한 최적화로 구성되어 있습니다:

• CUDA 장치 구성
• 메모리 최적화 설정
• 분산 학습을 위한 EFA(Elastic Fabric Adapter) 구성
• Hugging Face 토큰 및 캐시 설정

학습 프로세스

1. 환경 준비:

   • 필요한 의존성이 포함된 requirements.txt 생성
   • Transformers 설치를 위한 bootstrap.sh 생성
   • SageMaker 학습 구성 설정

2. 모델 로딩:

   • 4비트 양자화로 기본 Qwen 2.5 7B 모델 로드
   • 양자화를 위한 BitsAndBytes 구성
   • k-bit 학습을 위한 모델 준비

3. 데이터셋 처리:

   • Sujet Finance 데이터셋 사용
   • Qwen2 형식으로 대화 포맷팅
   • 최대 2048 토큰 길이로 토크나이징
   • 병렬 처리를 통한 데이터 전처리 구현

4. 학습:

   • 메모리 효율성을 위한 gradient checkpointing 구현
   • 웜업이 포함된 코사인 학습률 스케줄 사용
   • 50 스텝마다 체크포인트 저장
   • 10 스텝마다 학습 메트릭 로깅

모니터링 및 메트릭

학습 과정에서 다음 메트릭을 추적합니다:

• 학습 손실(Training loss)
• 평가 손실(Evaluation loss)

오류 처리

구현에는 포괄적인 오류 처리 및 로깅이 포함되어 있습니다:

• 환경 유효성 검사
• 데이터셋 준비 검증
• 학습 프로세스 모니터링
• 자세한 오류 메시지 및 스택 추적

사용 방법

1. AWS 자격 증명 및 SageMaker 역할 구성
2. Hugging Face 토큰 설정
3. 학습 스크립트 실행:

python sagemaker_train.py

커스텀 컴포넌트

커스텀 토크나이저

프로젝트는 다음 기능이 포함된 Qwen2 토크나이저의 커스텀 구현(tokenization_qwen2.py)을 포함합니다:

• 특수 토큰 처리
• 유니코드 정규화
• 어휘 관리
• 모델 학습을 위한 입력 준비

주의사항

• 학습 스크립트는 ml.p5.48xlarge 인스턴스 타입에 최적화되어 있습니다
• PyTorch Distributed Data Parallel을 사용한 학습
• 메모리 최적화를 위한 gradient checkpointing 구현
• 학습 실패에 대한 자동 재시도 메커니즘 포함