Merge pull request #19 from gyfffffff/main

更新PPT，完善文档和代码细节

.gitignore

@@ -160,4 +160,10 @@ cython_debug/
 .idea/
 .DS_Store
 docs/chapter2/models/GPT-2/*
-MetaICL/
+MetaICL/
+data/
+output/
+outputs/
+
+docs/chapter2/code/BabyLlama/models/*
+*.zip

docs/chapter2/README.md

@@ -1,6 +1,6 @@
 # 2.1 蒸馏
 
-本章讲介绍基于Transformer的模型的主流蒸馏方法和代码，还将实现一个端侧部署demo。
+本章将介绍大模型的主流蒸馏方法和代码。
 
 ## Roadmap
 ### 1. 蒸馏基础
@@ -18,7 +18,7 @@
 -  2.1 概述
       - 何时使用白盒蒸馏
 -  2.2 MiniLLM
--  2.3 GKD
+-  2.3 BabyLlama
 
 ### 3. 基于涌现能力的蒸馏（黑盒蒸馏）
 -  3.1 概述
@@ -33,5 +33,3 @@
 
 
 ### 4. 总结
-- 4.1 前沿相关工作扩展
-- 4.2 总结

docs/chapter2/chapter2_1.md

@@ -54,6 +54,10 @@ https://github.com/datawhalechina/awesome-compression/blob/main/docs/ch06/ch06.m
 
 ![](images/Figure%206.png)
 
+# 前置知识
+了解以下知识有助于接下来的学习：
+1. logits 和 软目标
+2. 监督微调（SFT技术）
 
 
 参考文献： 

docs/chapter2/chapter2_2.md

@@ -1,7 +1,7 @@
 # 白盒蒸馏
 
 ## 1. 什么是白盒蒸馏
-对于开源的大模型，我们可以获得一切的模型推理时数据，包括token输出的概率分布。这种能够获得token输出概率分布的场景，可以被看作“白盒”场景。反之是黑盒场景。利用白盒所提供的数据进行蒸馏，是白盒蒸馏。
+白盒蒸馏是指在蒸馏过程中使用到教师模型的参数或 logits 的 蒸馏技术[2].
 
 接下来我们会介绍经典的白盒蒸馏方法和代码实现。
 
@@ -47,18 +47,45 @@ MiniLLM的论文中提出了另一个新颖的视角——逆向KL其实可以
 由于这部分涉及较多数学公式推导和强化学习，有兴趣的同学可以查看论文自行学习。
 
 # 3. BabyLlama（实践）
-[BabyLlama](http://arxiv.org/abs/2308.02019)将蒸馏看作一种提高训练样本利用效率的有效方式。作为代码实践的例子，我们将看到它的蒸馏损失函数使用到了教师模型的soft-labels。
-
-BabyLlama的代码包含了 
-1. 数据清洗和tokenizer训练
-2. 教师模型训练
-3. 蒸馏学生模型
-
-但实际上白盒蒸馏也可以使用现成的开源模型和tokenizer。
-
-
+[BabyLlama](http://arxiv.org/abs/2308.02019) 将小模型蒸馏直接应用到了大模型上。它的损失函数是以下两种损失的加权和：
+- 和硬损失的交叉熵
+- 和软损失的KL散度
+
+在code/BabyLlama/3.distill.ipynb中可以看到它的损失函数：
+```python
+def compute_loss(self, model, inputs, return_outputs=False):
+        # 硬损失，即和ground truth的交叉熵
+        outputs_student = model(**inputs)
+        student_loss = outputs_student.loss
+
+        # compute teacher output
+        with torch.no_grad():
+            all_teacher_logits = []
+            for teacher in self.teachers:
+                outputs_teacher = teacher(**inputs)
+                all_teacher_logits.append(outputs_teacher.logits)
+            avg_teacher_logits = torch.stack(all_teacher_logits).mean(dim=0)
+
+        # assert size
+        assert outputs_student.logits.size() == avg_teacher_logits.size()
+
+        # 软损失，和教师模型输出分布的KL散度
+        loss_function = nn.KLDivLoss(reduction="batchmean")
+        loss_logits = (
+            loss_function(
+                F.log_softmax(outputs_student.logits / self.args.temperature, dim=-1),
+                F.softmax(avg_teacher_logits / self.args.temperature, dim=-1),
+            )
+            * (self.args.temperature ** 2)
+        )
+        # Return weighted student loss
+        loss = self.args.alpha * student_loss + (1.0 - self.args.alpha) * loss_logits
+        return (loss, outputs_student) if return_outputs else loss
+```
 
 ## 参考资料
-- MiniLLM: Knowledge Distillation of Large Language Models
-- https://github.com/microsoft/LMOps/tree/main/minillm 
-- https://blog.csdn.net/ningmengzhihe/article/details/130679350
+1. MiniLLM: Knowledge Distillation of Large Language Models
+2. Efficient Large Language Models: A Survey
+3. https://github.com/microsoft/LMOps/tree/main/minillm 
+4. https://blog.csdn.net/ningmengzhihe/article/details/130679350
+5. Baby Llama: knowledge distillation from an ensemble of teachers trained on a small dataset with no performance penalty

docs/chapter2/chapter2_3.md

@@ -1,4 +1,5 @@
-# 基于涌现能力的蒸馏（黑盒蒸馏）
+# 黑盒蒸馏（技巧蒸馏）
+黑盒蒸馏所用到的仅仅是教师模型的回答（有时也包括输出的概率分布，即软目标，但是不会用到logits）。
 
 黑盒蒸馏意味着教师模型的输出是我们唯一能获取到的训练资源，因此，黑盒蒸馏整体的思路可以分成两步：
 1. 从教师模型收集问答数据 
@@ -17,9 +18,7 @@
 
 以下是一个简单的ICL例子：
 
-<div align="center">
-    <img src="images/image-1.png" alt="alt text" width="550"/>
-</div>
+![alt_text](images/image-1.png)
 
 模型成功模仿了示例中的答题思路和答题格式。
 
@@ -44,9 +43,9 @@ y_3
 即只要在prompt前加几个例子，模型就能学到其中的格式和逻辑，从而不用更新参数就能学习。
 
 训练之前，我们会收集如下含有提示词和标签的数据：
-<div align="center">
-    <img src="images/image-3.png" alt="alt text" width="750"/>
-</div>
+
+
+![alt_text](images/image-3.png)
 
 ## 1.2 ICL 微调
 
@@ -132,7 +131,7 @@ $$
 $$
 
 ## 1.5 实践
-
+参见code/ICL。
 
 ## 1.6 改进方向
 模型上下文学习的性能和上下文中的例子质量紧密相关，所以有人研究专门设计了一个例子检索器，检索高质量的示例[6]。
@@ -175,7 +174,7 @@ $$
 
 
 ## 2.3 指令跟随蒸馏实践
-
+参见 code/InsructFollowing.
 
 ## 2.4 对抗蒸馏
 对抗蒸馏(adversarial distillation)提出除了可以让知识单向地从教师注入学生，学生也可以产生“反馈”，
@@ -210,12 +209,13 @@ $$
 ## 步骤3：实践
 正式的微调Loss函数是交叉熵损失。
 
+参见code/CoT.
 
 
 
 # 4. 扩展和总结
 实际上，除了以上三种涌现能力的蒸馏，只要是从教授模型收集某种类型的数据，然后用这些数据微调学生模型，都是黑盒蒸馏的应用范围。
-因此，对于一些特定领域和特定需求的任务，也可以使用类似的方法达到希望的效果。比如近期上海交通大学的[O1复现论文](https://arxiv.org/pdf/2410.18982)就是一个很好的对教师模型的推理能力进行蒸馏的例子。
+因此，对于一些特定领域和特定需求的任务，也可以使用类似的方法达到希望的效果。比如随着OpenAI 强大的复杂推理模型O1的发布，对推理能力进行蒸馏也可以套用上面的方法。近期上海交通大学的[O1复现论文](https://arxiv.org/pdf/2410.18982)就是一个很好的对教师模型的推理能力进行蒸馏的例子。
 
 但是也有研究[5]指出黑盒蒸馏导致仅模仿但不理解的问题，要提高学习质量，还需学生有良好的天赋（base 模型的能力）。
 

docs/chapter2/chapter2_4.md

@@ -1,2 +1,7 @@
 # 总结
 
+本章中，我们学习了大模型蒸馏的概念，与传统蒸馏的不同，以及主流的大模型蒸馏范式。
+笔者认为，不论是白盒还是黑盒蒸馏，大模型蒸馏贯穿始终的思想是“训练数据来源于教师”，而非人为标注或机器标注。
+
+蒸馏无疑是一种低成本高效率的提升小模型能力的方式，也可以说它是一条“捷径”，它的初衷是有在限资源部署更好的模型。
+但是作为长期主义的研究工作者，想要提升模型能力，不能一味地依靠蒸馏“走捷径”，还是要从第一性原理出发，从根本上探索提升模型能力的技术路线。

docs/chapter2/code/BabyLlama/1.clean_and_tokenize.ipynb

@@ -2,7 +2,7 @@
  "cells": [
   {
    "cell_type": "code",
-   "execution_count": null,
+   "execution_count": 1,
    "metadata": {},
    "outputs": [],
    "source": [
@@ -11,11 +11,16 @@
   },
   {
    "cell_type": "code",
-   "execution_count": null,
+   "execution_count": 2,
    "metadata": {},
    "outputs": [],
    "source": [
-    "# 下载数据：https://osf.io/rduj2"
+    "# 下载两份数据：https://osf.io/5mk3x, https://osf.io/m48ed\n",
+    "# 将两份数据解压到当前目录下的data文件夹中\n",
+    "# data目录结构如下：\n",
+    "# data/\n",
+    "#   |--train_10M/\n",
+    "#   |--dev/"
    ]
   },
   {
@@ -36,23 +41,24 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 1,
+   "execution_count": 3,
    "metadata": {},
    "outputs": [],
    "source": [
     "from pathlib import Path\n",
-    "from mrclean import *"
+    "from mrclean import *\n",
+    "import os"
    ]
   },
   {
    "cell_type": "code",
-   "execution_count": 15,
+   "execution_count": 4,
    "metadata": {},
    "outputs": [],
    "source": [
-    "DATA_ROOT = Path(\"F:/llm-deploy-data/data/Babyllama\")\n",
+    "DATA_ROOT = Path(\"./data\")\n",
     "SEQ_LENGTH = 128 # this is a legacy parameter, it does not affect cleaning\n",
-    "DATA_SPLITS = ['babylm_10M', 'babylm_dev']\n",
+    "DATA_SPLITS = ['train_10M', 'dev']\n",
     "\n",
     "CLEANUP_FUNCTIONS = {\n",
     "    'aochildes': cleanup_aochildes,\n",
@@ -70,25 +76,25 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 16,
+   "execution_count": 5,
    "metadata": {},
    "outputs": [
     {
      "name": "stdout",
      "output_type": "stream",
      "text": [
-      "🧹 Cleaned 'bnc_spoken.train' (size 4883879 -> 4851676) in babylm_10M\n",
-      "🧹 Cleaned 'childes.train' (size 15482927 -> 15482927) in babylm_10M\n",
-      "🧹 Cleaned 'gutenberg.train' (size 13910986 -> 13910986) in babylm_10M\n",
-      "🧹 Cleaned 'open_subtitles.train' (size 10806305 -> 10804026) in babylm_10M\n",
-      "🧹 Cleaned 'simple_wiki.train' (size 8411630 -> 8387062) in babylm_10M\n",
-      "🧹 Cleaned 'switchboard.train' (size 719322 -> 719322) in babylm_10M\n",
-      "🧹 Cleaned 'bnc_spoken.dev' (size 6538139 -> 6503778) in babylm_dev\n",
-      "🧹 Cleaned 'childes.dev' (size 14638378 -> 14638378) in babylm_dev\n",
-      "🧹 Cleaned 'gutenberg.dev' (size 15490473 -> 15490473) in babylm_dev\n",
-      "🧹 Cleaned 'open_subtitles.dev' (size 11016133 -> 11014854) in babylm_dev\n",
-      "🧹 Cleaned 'simple_wiki.dev' (size 8149513 -> 8128239) in babylm_dev\n",
-      "🧹 Cleaned 'switchboard.dev' (size 724013 -> 724013) in babylm_dev\n"
+      "🧹 Cleaned 'childes.train' (size 15482927 -> 15482927) in train_10M\n",
+      "🧹 Cleaned 'simple_wiki.train' (size 8411630 -> 8387062) in train_10M\n",
+      "🧹 Cleaned 'bnc_spoken.train' (size 4883879 -> 4851676) in train_10M\n",
+      "🧹 Cleaned 'gutenberg.train' (size 13910986 -> 13910986) in train_10M\n",
+      "🧹 Cleaned 'switchboard.train' (size 719322 -> 719322) in train_10M\n",
+      "🧹 Cleaned 'open_subtitles.train' (size 10806305 -> 10804026) in train_10M\n",
+      "🧹 Cleaned 'switchboard.dev' (size 724013 -> 724013) in dev\n",
+      "🧹 Cleaned 'simple_wiki.dev' (size 8149513 -> 8128239) in dev\n",
+      "🧹 Cleaned 'gutenberg.dev' (size 15490473 -> 15490473) in dev\n",
+      "🧹 Cleaned 'bnc_spoken.dev' (size 6538139 -> 6503778) in dev\n",
+      "🧹 Cleaned 'open_subtitles.dev' (size 11016133 -> 11014854) in dev\n",
+      "🧹 Cleaned 'childes.dev' (size 14638378 -> 14638378) in dev\n"
      ]
     }
    ],
@@ -117,7 +123,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 17,
+   "execution_count": 6,
    "metadata": {},
    "outputs": [],
    "source": [
@@ -129,7 +135,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 18,
+   "execution_count": 7,
    "metadata": {},
    "outputs": [
     {
@@ -142,7 +148,7 @@
    ],
    "source": [
     "# We train the tokenizer on the train data only\n",
-    "data_dir = Path(\"F:/llm-deploy-data/data/Babyllama/babylm_10M_clean/\")\n",
+    "data_dir = Path(\"./data/train_10M_clean/\")\n",
     "\n",
     "paths = [str(f) for f in data_dir.glob(\"*\") if f.is_file() and not f.name.endswith(\".DS_Store\") and f.suffix in [\".train\"]]\n",
     "\n",
@@ -153,7 +159,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 19,
+   "execution_count": 8,
    "metadata": {},
    "outputs": [],
    "source": [
@@ -167,21 +173,32 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 20,
+   "execution_count": 9,
    "metadata": {},
-   "outputs": [],
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "\n",
+      "\n",
+      "\n"
+     ]
+    }
+   ],
    "source": [
     "trainer = trainers.BpeTrainer(vocab_size=16000, min_frequency=2, special_tokens=[\"<pad>\", \"<s>\", \"</s>\"])\n",
     "tokenizer.train(paths, trainer)"
    ]
   },
   {
    "cell_type": "code",
-   "execution_count": 22,
+   "execution_count": 10,
    "metadata": {},
    "outputs": [],
    "source": [
-    "tokenizer_path =  DATA_ROOT / \"models/gpt-clean-16000.json\"\n",
+    "tokenizer_path = \"./models/gpt-clean-16000.json\"\n",
+    "os.makedirs(\"models\", exist_ok=True)\n",
     "tokenizer.save(str(tokenizer_path), pretty=True)"
    ]
   },
@@ -194,15 +211,15 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 23,
+   "execution_count": 11,
    "metadata": {},
    "outputs": [
     {
      "name": "stdout",
      "output_type": "stream",
      "text": [
       "Encoded String: ['ĠThe', 'Ġquick', 'Ġbrown', 'Ġfox', 'Ġjumps', 'Ġover', 'Ġthe', 'Ġlazy', 'Ġdog', '.']\n",
-      "Encoded IDs: [302, 1784, 3266, 5712, 15961, 541, 190, 11553, 1469, 16]\n",
+      "Encoded IDs: [300, 1782, 3264, 5710, 15959, 539, 188, 11551, 1467, 16]\n",
       "Decoded String:  The quick brown fox jumps over the lazy dog.\n"
      ]
     }
@@ -248,7 +265,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.9.18"
+   "version": "3.9.20"
   },
   "orig_nbformat": 4
  },