用一句话来总结Gemma就是：学习了Llama 2和Mistral 7B的优点，使用了更多的Token和单词进行了训练了一个更好的7B(8.5B)模型。所以这篇文章我们将介绍Gemma模型，然后展示如何使用Gemma模型，包括使用QLoRA、推理和量化微调。
Gemma 7B 其实是 8.5B
1、模型细节
谷歌的发布这份技术报告中提供了模型的更多细节
可以看到Google总结了每个模型的参数数量，并且区分了嵌入参数和非嵌入参数。对于7B模型，有7.7B个非嵌入参数。如果考虑参数总数，Gemma 7B有8.54B个参数…
相比之下Gemma更接近9B。将Gemma作为“7B”LLM发布可以算是一种误导，但这也很好理解，因为肯定希望将自己的LLM与之前发布的7B进行比较，而更多的参数往往意味着更好的性能，对吧。
为了便于比较，我们总计了其他流行的“7B”模型的参数总数:
- Llama 2 7B: 6.74B
- Mistral 7B: 7.24B
- Qwen-1.5 7B: 7.72B
- Gemma 7B: 8.54B
可以看到，其实Gemma 7B比Llama 2 7B多1.8B个参数，按照参数越多，性能越好的理论，Gemma 比其他模型好是必然的。
在google的报告中还详细介绍了模型的架构:
可以处理多达8k个令牌的上下文。为了高效扩展，他们使用了multi-query attention和RoPE嵌入，并且兼容FlashAttention-2。
Gemma的嵌入词表是目前开源模型中最大的，有256k个。它比Llama 2的词汇量大8倍，比Qwen-1.5的词汇量大1.7倍，而Qwen-1.5的词汇量已经被认为非常大了。除了词汇表大小之外，Gemma架构非常标准。更大的嵌入词表通常意味着模型被训练成多语言的。但是谷歌却说这些模型主要是为英语任务训练的。
但是根据目前发布的模型来看，谷歌确实在涵盖多种语言的数据上训练了模型，如果针对多语言任务进行微调应该会产生良好的性能。
2、Gemma的训练数据
Gemma 2B和7B分别接受了2万亿个和6万亿个token的训练。这意味着Gemma 7B接受的token比Llama 2多3倍。这里猜测原因如下：
由于词汇表非常大，需要对模型进行更长的训练，以便更好地学习词汇表中所有标记的嵌入。扩大训练的token后损失应该还是降低的，这也与词汇表非常大相对应。我们可以这么理解词汇表越大，可能需要的训练token就越多，当然可能表现就会越好。
对于模型的指令版本，他们对由人类和合成数据组成的指令数据集进行了监督微调，然后进行了基于人类反馈的强化学习(RLHF)。
3、公共测试数据上的表现
谷歌在标准基准上对Gemma进行了评估，并将结果与Llama 2(在论文中拼写为lama -2…)和Mistral 7B进行了比较。
在大多数任务中，Gemma 7B比其他模型获得了更好的分数。但是这里有2个问题：
1、我们还是要对这些基准分数持保留态度。因为谷歌没有告诉我们是如何计算这些分数的。
2、还是模型参数问题，8.5B理论上应该就会比7B要好，所以分数提高是很正常的
本地运行Gemma 2B和7B
Hugging Face的Transformers和vLLM都已经支持Gemma模型，硬件的要求是18gb GPU。
我们先介绍vLLM
import time
from vllm import LLM, SamplingParams
prompts = [
"The best recipe for pasta is"
]
sampling_params = SamplingParams(temperature=0.7, top_p=0.8, top_k=20, max_tokens=150)
loading_start = time.time()
llm = LLM(model="google/gemma-7b")
print("--- Loading time: %s seconds ---" % (time.time() - loading_start))
generation_time = time.time()
outputs = llm.generate(prompts, sampling_params)
print("--- Generation time: %s seconds ---" % (time.time() - generation_time))
for output in outputs:
generated_text = output.outputs[0].text
print(generated_text)
print('------')
然后是Transformers
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, set_seed
set_seed(1234) # For reproducibility
prompt = "The best recipe for pasta is"
checkpoint = "google/gemma-7b"
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForCausalLM.from_pretrained(checkpoint, torch_dtype=torch.float16, device_map="cuda")
inputs = tokenizer(prompt, return_tensors="pt").to('cuda')
outputs = model.generate(**inputs, do_sample=True, max_new_tokens=150)
result = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(result)
使用起来都是很简单的，与其他的开源模型基本一样。
Gemma 7B的量化
AutoGPTQ和AutoAWQ是GPTQ和AWQ量化最常用的两个库，但在目前（2.29）它们并不支持Gemma。所有我们只能用bitsandbytes NF4量化Gemma 7B。
GGUF格式的块量化也可以用llama.cpp完成。Google在与原始版本相同的存储库中发布了Gemma的GGUF版本。
经过bitsandbytes量化Gemma 7B仍然需要7.1 GB的GPU RAM。所以还是那句话 这个“7B”的叫法是不是正确的呢？
以下是量化加载和推理的代码
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, set_seed, BitsAndBytesConfig
set_seed(1234) # For reproducibility
prompt = "The best recipe for pasta is"
checkpoint = "google/gemma-7b"
compute_dtype = getattr(torch, "float16")
bnb_config = BitsAndBytesConfig(
load_in_4bit=True,
bnb_4bit_quant_type="nf4",
bnb_4bit_compute_dtype=compute_dtype,
bnb_4bit_use_double_quant=True,
)
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForCausalLM.from_pretrained(checkpoint, quantization_config=bnb_config, device_map="cuda")
inputs = tokenizer(prompt, return_tensors="pt").to('cuda')
outputs = model.generate(**inputs, do_sample=True, max_new_tokens=150)
result = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(result)
使用QLORA对Gemma 7B进行微调
bitsandbytes量化已经可以正常使用，所以我们可以用QLoRA对Gemma 7B进行微调。当然如果使用很小的训练批大小和较短的max_seq_length，也可以在消费者硬件上使用LoRA(即不进行量化)对Gemma 7B进行微调。
以下是我使用Gemma 7B测试QLoRA微调的代码:
import torch
from datasets import load_dataset
from peft import LoraConfig, PeftModel, prepare_model_for_kbit_training
from transformers import (
AutoModelForCausalLM,
AutoTokenizer,
BitsAndBytesConfig,
AutoTokenizer,
TrainingArguments,
)
from trl import SFTTrainer
model_name = "google/gemma-7b"
#Tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_name, add_eos_token=True, use_fast=True)
tokenizer.pad_token = tokenizer.eos_token
tokenizer.pad_token_id = tokenizer.eos_token_id
tokenizer.padding_side = 'left'
ds = load_dataset("timdettmers/openassistant-guanaco")
compute_dtype = getattr(torch, "float16")
bnb_config = BitsAndBytesConfig(
load_in_4bit=True,
bnb_4bit_quant_type="nf4",
bnb_4bit_compute_dtype=compute_dtype,
bnb_4bit_use_double_quant=True,
)
model = AutoModelForCausalLM.from_pretrained(
model_name, quantization_config=bnb_config, device_map={"": 0}
)
model = prepare_model_for_kbit_training(model)
#Configure the pad token in the model
model.config.pad_token_id = tokenizer.pad_token_id
model.config.use_cache = False # Gradient checkpointing is used by default but not compatible with caching
peft_config = LoraConfig(
lora_alpha=16,
lora_dropout=0.05,
r=16,
bias="none",
task_type="CAUSAL_LM",
target_modules= ['k_proj', 'q_proj', 'v_proj', 'o_proj', "gate_proj", "down_proj", "up_proj"]
)
training_arguments = TrainingArguments(
output_dir="./results_qlora",
evaluation_strategy="steps",
do_eval=True,
optim="paged_adamw_8bit",
per_device_train_batch_size=4,
per_device_eval_batch_size=4,
log_level="debug",
save_steps=50,
logging_steps=50,
learning_rate=2e-5,
eval_steps=50,
max_steps=300,
warmup_steps=30,
lr_scheduler_type="linear",
)
trainer = SFTTrainer(
model=model,
train_dataset=ds['train'],
eval_dataset=ds['test'],
peft_config=peft_config,
dataset_text_field="text",
max_seq_length=512,
tokenizer=tokenizer,
args=training_arguments,
)
trainer.train()
300个训练步(训练批大小为4个)需要不到1小时。
总结
许多框架已经很好地支持Gemma模型，GPTQ和AWQ的量化也将很快就会发布的，经过量化后可以在8gb GPU上使用Gemma 7B。
不可否认发布Gemma模型是谷歌前进的一步。Gemma 7B看起来是Mistral 7B的一个很好的竞争对手，但我们不要忘记它也比Mistral 7B多10亿个参数。另外我一直没想明白Gemma 2B的用例是什么，它的性能被其他类似尺寸的模型超越了（这个2B可能就真是2B了），并且可以看到谷歌这俩模型参数少的性能不行，性能好的参数又多很多。这种文字游戏说明谷歌在AI赛道上的确使落后并且着急了，而且目前还没有任何的办法进行超越。
这里是谷歌官方发布的gemma-report，有兴趣的可以查看
https://avoid.overfit.cn/post/6921505d228e4daa81e460e1c231eb49
作者:Benjamin Marie
