cramming

项目介绍：Cramming 项目

Cramming 项目是一个语言模型预训练的研究项目，其目标是在有限的计算条件下实现高效的语言模型训练。这个项目主要探索如何在一台消费级 GPU 上，仅用一天时间训练出一个以 BERT 为基础的语言模型。它质疑了当前语言模型训练中“极限计算”的趋势，转而探讨在有限资源下可以达到的性能。

项目背景

在现代自然语言处理的发展中，语言模型的性能提高与规模的扩大紧密相关。然而，这对大多数研究人员和从业者而言，可能是不可企及的。Cramming 项目反其道而行之，研究如何使用单一 GPU 在有限时间内有效地训练模型。项目的核心是对整个预训练管道的重新分析，并探索在有限计算资源下，有哪些修改可以提升模型性能。

项目方法论

Cramming 项目遵循特定的规则和设置：

• 训练模型类型：使用可变大小的基于 Transformer 的语言模型，从零开始进行掩码语言建模。
• 数据利用：可使用任何原始文本数据进行训练，而不包括下游数据前的任何预练习模型。
• 预处理和数据采样：允许通过有效的数据采样来加速训练，但不包括需要预训练模型的采样机制。
• 计算资源限制：训练需要在单一 GPU 上进行，持续时间为 24 小时。
• 评估方法：使用 GLUE 基准对下游性能进行评估，微调限制为任务训练数据的简短训练。

项目最新动态

新版本的框架需要 PyTorch 2.0 以上版本，新模型在相同预算下，GLUE 的表现提高了 1-2%。并改进了数据预处理，现在可以直接从 Hugging Face 页面流化数据。兴趣者可以在 Hugging Face 上进行模型和数据的访问。

如何运行代码

要运行项目代码，需要首先安装相关依赖，包括 PyTorch、huggingface 库、hydra-core 以及其他工具。可以使用以下命令安装所需的包：

pip install .

可以通过以下的命令来验证安装：

python pretrain.py name=test arch=hf-bert-base train=bert-base data=sanity-check-2 dryrun=True impl.microbatch_size=2

数据处理

数据源会在训练开始前被预处理并缓存。重要的数据选项如 data.max_entries_in_raw_dataset 和 max_seq_in_tokenized_dataset 可以控制加载的原始数据量和存储的处理序列数量。

模型评估

可以使用 eval.py 脚本对预训练的模型进行评估。该脚本会自动从指定路径中检索最新的模型检查点，并根据前述规则进行性能评估。

项目贡献与联系

项目欢迎社区的贡献和帮助。如果对项目有疑问或者发现任何问题，可直接在 GitHub 上反馈。

Cramming 项目大胆地挑战了计算资源的极限问题，探索了在可访问的硬件条件下，仍能获得优良性能的可能性。它的研究成果不仅帮助减少成本，还为更多的研究人员参与语言模型研究提供了便捷的通道。