自己的AI自己”練” ：AI TOP設定與介面說明 LLM訓練立即上手

瞭解如何安裝大預言模型LLM之後，就可以開始使用AI TOP應用程式來訓練他們，做出更適合自己使用的私有化AI了。在開始使用之前，有些基本設定及說明要先弄清楚，以便更有效率或更精準的進行相關訓練。

點選AI TOP應用程式的Experiment選項，這邊有一些欄位需要手動選擇，這些選項會依照使用的LLM而有所不同，這邊以通用的規範進行說明，更多細部設定值，請參閱LLM的相關需求。

首先是在一般設定(General settings)，不管是入門使用者或進階玩家都需要進行下列設定：

• Experiment Name：這是AI訓練的作業名稱，可以視為訓練的檔名，建議可以取一個比較容易識別的名稱，例如：20240901_Meta-Llama-3-8B_Training_001。
• LLM Backbone：這要訓練的大語言模型存放位置，選項下方連結要選擇存放LLM的連結，這個連結就是上一篇文章裡面提到的Model資料夾，通常是/home/主機名稱/model/LLM資料夾名稱。＊這邊的主機名稱跟所有LLM資料夾名稱，會依機器設定不同而有差異，要稍微注意一下。
• Output Directory：這是用來儲存LLM訓練結果(如模型權重、日誌和其他輸出資料)的資料夾路徑。通常是/home/主機名稱/output。＊這邊的主機名稱也會依機器設定不同而有差異。
• Resume from checkpoint：人生常充滿意外，AI訓練也是。這個功能可以讓訓練從上一個檢查點繼續進行，而不需要從頭開始，以節省訓練的時間。所以開始訓練之後，可以啟用這個功能，以避免不必要的麻煩。
• Datasets：指定在訓練期間用於模型調校的訓練資料檔存放位置。路徑通常是/home/主機名稱/Data/訓練資料檔名稱。＊訓練資料檔的支援格式包括txt、csv、json等，相關格式可以在Hugging Face網站找到，但產出有價值的訓練資料檔，是AI訓練最難的部分。

設定完這些選項之後，我們先跳到最右邊的硬體設定這邊Hardware Settings調整一下硬體配置，其中GPUs用指要於訓練過程的顯示卡數量。會自動列出目前系統中所有可用的顯示卡。使用者可以在清單中選取或取消選取要用來訓練LLM模型的顯示卡。而Offloading Memory Strategy則提供多種卸載模型最佳化的設定，並可以選擇套用到系統記憶體或(和)NVMe SSD，以便進行硬體功能最佳化並避免記憶體不足問題。如果要獲得最高效能，可以選到最高設定，當然也會比較耗電，可以依照需求選擇。

做完上面設定之後，基本上就可以開始訓練AI了，看起來很簡單對吧？這就是技嘉對入門使用者的貼心跟開發這些功能的初心，讓初學者不需要受限於程式的能力跟背景就可以使用，更貼心的是AI TOP還提供了簡易的LLM訓練預設模式，提供已經寫好的設定，讓沒有AI相關基礎的使用者，也能輕鬆訓練AI，包括：

• Standard(標準模式)：訓練速度跟精準度都中等，產出較平均
• Fast Speed(快速模式)：訓練速度最快，但精準度最低，可用於練習
• High Precision(精準模式)：準確度最高，訓練最完整，但訓練速度最慢，適合有比較充裕時間的訓練需求。

入門使用者可以依照需求直接選擇上面選項來進行訓練，之後按下Run Experiment就可以了！

更多設定看看這邊

對於想要有更多設定空間的進階AI使用者，可以按一下Clear來停用預設的快速訓練模式，改用手動調整參數，AI TOP提供的訓練的方法，包括：full、freeze、LoRA、qLoRA，每個方法影響訓練記憶體需求和訓練後LLM的品質，其中：

• Full：模型的所有參數在訓練過程中都會更新。這種方法根據新的訓練資料調整模型每一層的權重。
  • 優點：模型完全以新資料檔為基準，在特定任務或訓練需求有更好的效果呈現。
  • 缺點：全面訓練需要大量的運算資源，如果新資料跟原始資料太相似，可能影響訓練結果。另外還可能發生嚴重失誤，讓模型失去執行最初訓練任務的能力。
• Freeze：模型的某些層在訓練期間的權重不更新，只有某些會根據新資料改變。
  • 優點：凍結某些層可以減少計算成本和需要更新的參數數量。也有助於保留模型學到的一般知識，並降低嚴重失誤的風險。
  • 缺點：由於只更新了模型的部分參數，因此模型訓練效果可能會比較受限。
• LoRA：透過導入可訓練的低秩矩陣，來修改預先訓練的模型，這些矩陣調整的是模型現有權重，而不是取代它們，可以減少模型參數的數量和運算需求。
  • 優點：減少模型訓練時的運算資源需求，可提高訓練效率，並且在保持效能的同時降低模型的複雜度。
  • 缺點：在某些情況下，可能無法提供與完全訓練相同的彈性。
• qLoRA：LoRA的量化版本，理論上可以用更少的位元來表示LoRA參數，節省記憶體使用率和效能耗用。

依照不同訓練方式，會有更多進階設定選項，如果選擇Freeze會看到下面選項：

如果選擇的是LoRA，會有更多選項要設定，包括：

選擇完訓練方式之後，需要進一步調整Training settings，包括：

• Backbone Dtype：依據LLM不同權重的資料類型，來決定訓練後的模型精準度，可選擇的數值包含fp16, bf16及fp32。
• Learning rate：學習速率是模型在處理每個小批量資料後，更新其權重的速度，資料範圍介於0跟1之間。
• LR Schedule Type：在訓練的過程中調整訓練週期或迭代之間學習速率的策略。設定選項包括Cosine(餘弦)及linear(線性)。
• Batch size：在訓練模型迭代期間，每個GPU中小批量使用的訓練範例數量。這個數值範圍依據2的n次方(2^n)規則而定，以最佳化神經網路的學習原理。n的範圍包括：[0,2,4,8,16,32,64,128,256…]，數字越大數量越多。
• Epoch(訓練週期)：是將整個訓練資料集完整通過神經網絡一次的過程。每個Epoch包括一次完整的正向傳播和反向傳播。這個過程會重複多次，以便模型能夠學習資料中的模式和特徵。
• Save Checkpoint Strategy：訓練期間所採用的檢查點，選項包：
  • None (無)：在完成整個訓練過程之前都不儲存檢查點。
  • Epochs (週期)：每完成一個訓練週期設定一個檢查點。
  • Steps (步驟)：每n個訓練步驟設定一個檢查點，Save Steps需要設定兩個檢查點之間的更新步驟數值。例如Save Steps = 500表示在訓練過程中每500個訓練步驟就儲存一個檢查點。
• Flash Attention：一種演算法最佳化技術，啟用Flash Attention 2可大幅節省繪圖記憶體使用，並將運作速度提高2~4倍。設定選項包括True(啟用)跟False(不啟用)。

最後幾個選項是Tokenizer settings這邊的Max Length，代表在LLM訓練期間「輸入查詢」和「輸出答案」的最大長度。依照開放AI標準，通常是1000個詞元(Token) ~ 750 個單字。長度範圍包括512, 24以及2048～128k這個範圍，並取決於預訓練的LLM的能力而定。

而Expand Config這個技嘉獨家技術，則可以編輯或增加更多訓練指令，讓進階使用者可以依照自己的方式訓練LLM模型。

到這邊，所有簡易跟進階設定都已經完成了，不管用的是哪一種，都只要按下Run Experiment就會開始進行LLM訓練。之後回到Dashboard模式，這邊會顯示LLM訓練的進度、所需時間跟所有硬體負載跟運作狀況。如果訓練出現問題，也可以在Logs這邊看到相關訊息，以進行分析。

補充說明：聽說AI很耗電？？

是，AI的運算需要運用很多電腦資源，為了讓系統有更足夠的運算能力，需要有足夠的電力作後盾，所以會比一般電腦系統更耗電。

雖然我們無法控制系統用多少電，但至少可以在電費比較便宜的時間進行。例如台灣地區夏月尖峰時間為下午4時到晚上10時，每度電6.92元；半尖峰時間為上午9時到下午4時、晚上10時到12時，每度電4.54元；離峰時間為凌晨12時起到上午9時，每度電1.96元。如果用離峰時間來進行訓練，每度電可以省將近5元。

所以AI TOP提供了一個Schedule的功能，可以在這邊設定哪些時間段進行LLM訓練，以節省訓練費用。

到這邊，AI TOP的相關設定說明已經完成，相信大家跟著這三篇文章的說明，可以對LLM訓練有一些基本概念並可以進行相關運算，也請大家持續關注AORUS TW的社群AORUS台灣社群網站：FB、IG、YT以獲得更多相關資訊。