使用merge_sample.jsonw做了例子简单训练，生成的checkpoints效果检验不理想

[grantchenhuarong]

你好，使用 bash finetune.sh简单训练了下，以checkpoint-11600为基础，跑了例子程序，正常生成了11800的adapter。
然后启动bash generate.sh进行简单测试，对比原有的11600应答效果，新生成的lora模型存在以下这些问题：

1、回答多数自动给出英文了，这是为啥呢？
2、做摘要任务时，死活都OOM了。如“请用30字总结下文：在我们介绍Transformers之前，我们先了解下NLP主要解决的问题是什么。下面就列出一些常见的NLP任务：句子分类：例如影评的情感分析，检测一封电子邮件是否为垃圾邮件，确定一个句子是否在语法上正确，或者两个句子是否在逻辑上相关。给句子里每个词分类：例如识别句子的语法成分（名词、动词、形容词）或命名实体（人、地点、组织）。内容生成：例如自动写诗，填充句子中的空白。答案抽取：例如给定一个问题和上下文，根据上下文提供的信息提取问题的答案。根据输入生成一个新的句子：例如机器翻译，文本摘要。”，而checkpoint-11600的应答是正常的。

[grantchenhuarong]

所以想咨询一下，怎样规模的语料，怎样数量的训练steps，才能避免类似的情况出现？这个应该是工程经验，也是相当宝贵的，看看能否指导一下哈。跟大神学习，膜拜。。。

[grantchenhuarong]

补充下信息：centOS7 python==3.8.16,单机2080ti(11GB)

[grantchenhuarong]

再测试了一下，对于上述摘要任务，用给出的checkpoint-final模型，一样是出现如下情况：
torch.cuda.OutOfMemoryError: CUDA out of memory. Tried to allocate 16.00 MiB (GPU 0; 10.75 GiB total capacity; 9.23 GiB already allocated; 13.50 MiB free; 9.96 GiB reserved in total by PyTorch) If reserved memory is >> allocated memory try setting max_split_size_mb to avoid fragmentation. See documentation for Memory Management and PYTORCH_CUDA_ALLOC_CONF

[grantchenhuarong]

再测试了Chinese-Vicuna-lora-7b-3epoch-belle-and-guanaco这个在huggingface下载的开放模型，发现它的表现跟checkpoint-final一样，自己设置的几个问题表现完全一致。最后的摘要任务也是OOM掉了。。。

[grantchenhuarong]

总结一下想咨询的几个问题：
1、如何避免实验加训之后经常回复英文？
2、摘要任务如何避免OOM？实测只有 11600这个模型能够正常摘要总结出来
3、自己实验加训之后的模型推理效率对比起来也慢了足有两倍，这个是为何？

[grantchenhuarong]

对于checkpoint-11600的摘要任务，如何对于文本总结提取效果不佳的时候，也会产生OOM的情况。可以观察到GPU的显存占用不断升高，确实挺头疼的。

[Facico]

1、我觉得，你continue_finetune的设置错了吧，可以参考这个文档
2、OOM和什么模型应该没关系，OOM和输入、输出的长度有关（GPU显存不断升高是因为它在生成东西），你可以控制max_new_token并减小beam_num来试试
3、不知道你这个加训的是怎么设置的，你可以看看文件大小一不一样

[grantchenhuarong]

谢谢指导，我参考下您的医疗问答，尝试做一个古诗词知识服务的训练。