AMchat 高等数学大模型

<div align="center"> <img src="./assets/logo.png" width="200"/> <div align="center"> <b><font size="5">AMchat</font></b> </div>

🤗HuggingFace | | <img src="./assets/modelscope_logo.png" width="20px" /> ModelScope | 🤗HuggingFace-GGUF

| 🆕Update News | 🤔Reporting Issues 丨

English | 简体中文 | 日本語

</div>

📝目录

• 📖 简介
• 🚀 News
• 🛠️ 使用方法
  • 快速开始
  • 重新训练
    • 环境搭建
    • XTuner微调
    • OpenXLab应用部署
    • LMDeploy量化
    • OpenCompass评测
    • LMDeploy & OpenCompass量化以及量化评测
• 💕 致谢
• 🖊️ Citation
• 开源许可证

📖 简介

AM (Advanced Mathematics) chat 是一个集成了数学知识和高等数学习题及其解答的大语言模型。该模型使用 Math 和高等数学习题及其解析融合的数据集，基于 InternLM2-Math-7B 模型，通过 xtuner 微调，专门设计用于解答高等数学问题。

如果你觉得这个项目对你有帮助，欢迎 ⭐ Star，让更多的人发现它！

<p align="center"> <img src="assets/tech_route.svg" alt="route" width="100%"> </p>

🚀 News

[2024.08.09] 我们发布了Q8_0量化模型 AMchat-q8_0.gguf。

[2024.06.23] InternLM2-Math-Plus-20B 模型微调。

[2024.06.22] InternLM2-Math-Plus-1.8B 模型微调，开源小规模数据集。

[2024.06.21] 更新README，InternLM2-Math-Plus-7B 模型微调。

[2024.03.24] 2024浦源大模型系列挑战赛（春季赛）Top12，创新创意奖。

[2024.03.14] 模型上传至HuggingFace。

[2024.03.08] 完善了README，增加目录、技术路线。增加README_en-US.md。

[2024.02.06] 支持了Docker部署。

[2024.02.01] AMchat第一版部署上线 https://openxlab.org.cn/apps/detail/youngdon/AMchat 🚀

🛠️ 使用方法

快速开始

1. 下载模型

<details> <summary> 从 ModelScope </summary>

参考 模型的下载 。

pip install modelscope

from modelscope.hub.snapshot_download import snapshot_download
model_dir = snapshot_download('yondong/AMchat', cache_dir='./')

</details> <details> <summary> 从 OpenXLab </summary>

参考 下载模型 。

pip install openxlab

from openxlab.model import download
download(model_repo='youngdon/AMchat', 
        model_name='AMchat', output='./')

</details>

2. 本地部署

git clone https://github.com/AXYZdong/AMchat.git
python start.py

3. Docker部署

docker run -t -i --rm --gpus all -p 8501:8501 guidonsdocker/amchat:latest bash start.sh

重新训练

环境搭建

1. clone 本项目

git clone https://github.com/AXYZdong/AMchat.git
cd AMchat

2. 创建虚拟环境

conda env create -f environment.yml
conda activate AMchat
pip install xtuner

XTuner微调

1. 准备配置文件

# 列出所有内置配置
xtuner list-cfg

mkdir -p /root/math/data
mkdir /root/math/config && cd /root/math/config

xtuner copy-cfg internlm2_chat_7b_qlora_oasst1_e3 .

2. 模型下载

mkdir -p /root/math/model

download.py

import torch
from modelscope import snapshot_download, AutoModel, AutoTokenizer
import os
model_dir = snapshot_download('Shanghai_AI_Laboratory/internlm2-math-7b', cache_dir='/root/math/model')

3. 修改配置文件

仓库中 config 文件夹下已经提供了一个微调的配置文件，可以参考 internlm_chat_7b_qlora_oasst1_e3_copy.py。 可以直接使用，注意修改 pretrained_model_name_or_path 和 data_path 的路径。

cd /root/math/config
vim internlm_chat_7b_qlora_oasst1_e3_copy.py

# 修改模型为本地路径
- pretrained_model_name_or_path = 'internlm/internlm-chat-7b'
+ pretrained_model_name_or_path = './internlm2-math-7b'

# 修改训练数据集为本地路径
- data_path = 'timdettmers/openassistant-guanaco'
+ data_path = './data'

4. 开始微调

xtuner train /root/math/config/internlm2_chat_7b_qlora_oasst1_e3_copy.py

5. PTH 模型转换为 HuggingFace 模型

mkdir hf
export MKL_SERVICE_FORCE_INTEL=1
export MKL_THREADING_LAYER=GNU
xtuner convert pth_to_hf ./internlm2_chat_7b_qlora_oasst1_e3_copy.py \
                         ./work_dirs/internlm2_chat_7b_qlora_oasst1_e3_copy/epoch_3.pth \
                         ./hf

6. HuggingFace 模型合并到大语言模型

# 原始模型参数存放的位置
export NAME_OR_PATH_TO_LLM=/root/math/model/Shanghai_AI_Laboratory/internlm2-math-7b

# Hugging Face格式参数存放的位置
export NAME_OR_PATH_TO_ADAPTER=/root/math/config/hf

# 最终Merge后的参数存放的位置
mkdir /root/math/config/work_dirs/hf_merge
export SAVE_PATH=/root/math/config/work_dirs/hf_merge

# 执行参数Merge
xtuner convert merge \
    $NAME_OR_PATH_TO_LLM \
    $NAME_OR_PATH_TO_ADAPTER \
    $SAVE_PATH \
    --max-shard-size 2GB

7. Demo

streamlit run web_demo.py --server.address=0.0.0.0 --server.port 7860

OpenXLab应用部署

仅需要 Fork 本仓库，然后在 OpenXLab 上创建一个新的项目，将 Fork 的仓库与新建的项目关联，即可在 OpenXLab 上部署 AMchat。

<p align="center"> <img src="assets/deploy_2.png" alt="Demo" width="100%"> </p>

• AMchat 与 InternLM2-Math-7B 在积分问题上对于同一问题的解答。 AMchat 回答正确，InternLM2-Math-7B 回答错误。

<p align="center"> <img src="assets/test_AMchat.png" alt="Demo" width="100%"> <img src="assets/test_InternLM2-Math-7B.png" alt="Demo" width="100%"> </p>

LMDeploy量化

• 首先安装LMDeploy

pip install -U lmdeploy

• 然后转换模型为turbomind格式

--dst-path: 可以指定转换后的模型存储位置。

lmdeploy convert internlm2-chat-7b  要转化的模型地址 --dst-path 转换后的模型地址

• LMDeploy Chat 对话

lmdeploy chat turbomind 转换后的turbomind模型地址

OpenCompass评测

• 安装 OpenCompass

git clone https://github.com/open-compass/opencompass
cd opencompass
pip install -e .

• 下载解压数据集

cp /share/temp/datasets/OpenCompassData-core-20231110.zip /root/opencompass/
unzip OpenCompassData-core-20231110.zip

• 评测启动！

python run.py \
    --datasets math_gen \
    --hf-path 模型地址 \
    --tokenizer-path tokenizer地址 \
    --tokenizer-kwargs padding_side='left' truncation='left'     trust_remote_code=True \
    --model-kwargs device_map='auto' trust_remote_code=True \
    --max-seq-len 2048 \
    --max-out-len 16 \
    --batch-size 2  \
    --num-gpus 1 \
    --debug

LMDeploy & OpenCompass量化以及量化评测

<details> <summary><strong> W4 </strong> 量化评测 </summary>

• W4量化

lmdeploy lite auto_awq 要量化的模型地址 --work-dir 量化后的模型地址

• 转化为TurbMind

lmdeploy convert internlm2-chat-7b 量化后的模型地址  --model-format awq --group-size 128 --dst-path 转换后的模型地址

• 评测config编写

from mmengine.config import read_base
from opencompass.models.turbomind import TurboMindModel

with read_base():
 # choose a list of datasets   
 from .datasets.ceval.ceval_gen import ceval_datasets 
 # and output the results in a choosen format
#  from .summarizers.medium import summarizer

datasets = [*ceval_datasets]

internlm2_chat_7b = dict(
     type=TurboMindModel,
     abbr='internlm2-chat-7b-turbomind',
     path='转换后的模型地址',
     engine_config=dict(session_len=512,
         max_batch_size=2,
         rope_scaling_factor=1.0),
     gen_config=dict(top_k=1,
         top_p=0.8,
         temperature=1.0,
         max_new_tokens=100),
     max_out_len=100,
     max_seq_len=512,
     batch_size=2,
     concurrency=1,
     #  meta_template=internlm_meta_template,
     run_cfg=dict(num_gpus=1, num_procs=1),
)
models = [internlm2_chat_7b]

• 评测启动！

python run.py configs/eval_turbomind.py -w 指定结果保存路径

</details> <details> <summary> <strong> KV Cache </strong> 量化评测 </summary>

• 转换为TurbMind

lmdeploy convert internlm2-chat-7b  模型路径 --dst-path 转换后模型路径

• 计算与获得量化参数

# 计算
lmdeploy lite calibrate 模型路径 --calib-dataset 'ptb' --calib-samples 128 --calib-seqlen 2048 --work-dir 参数保存路径
# 获取量化参数
lmdeploy lite kv_qparams 参数保存路径 转换后模型路径/triton_models/weights/ --num-tp 1

• 更改quant_policy改成4,更改上述config里面的路径
• 评测启动！

python run.py configs/eval_turbomind.py -w 结果保存路径

</details>

• 结果文件与评测数据集可在同目录文件results中获取。

💕 致谢

项目成员

• 张友东-项目负责人 （Datawhale成员 书生·浦语实战营助教 负责模型训练，OpenXlab应用部署，数据收集，RAG内容整理，InternLM2-Math-Plus微调规划）
• 宋志学-项目负责人 （Datawhale成员 书生·浦语实战营助教 负责项目规划，RAG框架）
• 肖鸿儒-项目负责人 （Datawhale成员 同济大学 书生·浦语实战营助教 负责数据收集，数据集整理及增强，模型量化与评测，RAG推理与验证）
• 程宏 （书生·浦语实战营助教&Datawhale鲸英助教 InternLM2-Math-Plus-7B 模型微调&部署）
• 莫宝琪（玉柴工程研究院 InternLM2-Math-Plus-1.8B 模型微调）
• 陈辅元（甘肃政法大学 InternLM2-Math-Plus-20B 模型微调）
• 龚鹤扬 （中国科学技术大学统计学博士 LMDeploy 模型量化）
• 揭熔阳 （Datawhale成员 哈尔滨工业大学(威海) 数据收集 RAG内容整理）
• 彭琛 （Datawhale成员 数据收集）
• 王新茗 （数据收集）
• 刘志文 （Datawhale成员 山东女子学院 数据收集）
• 王睿玥 （Northeastern University 数据收集）
• 陈逸涵 （Datawhale成员 北京邮电大学 数据收集）
• guidons （东北大学 docker部署）
• eltociear （Board member at I-Tecnology Co., Ltd.，增加 Japanese README）

特别鸣谢

<div align="center">

感谢上海人工智能实验室组织的 书生·浦语实战营 学习活动~

***感谢 OpenXLab 对项目