OpenCompass/docs/zh_cn/get_started.md

安装

1. 使用以下命令准备 OpenCompass 环境：

conda create --name opencompass python=3.10 pytorch torchvision pytorch-cuda -c nvidia -c pytorch -y
conda activate opencompass

如果你希望自定义 PyTorch 版本或相关的 CUDA 版本，请参考 官方文档 准备 PyTorch 环境。需要注意的是，OpenCompass 要求 pytorch>=1.13。

2. 安装 OpenCompass：

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

3. 安装 humaneval（可选）

如果你需要在 humaneval 数据集上进行评估，请执行此步骤，否则忽略这一步。

git clone https://github.com/openai/human-eval.git
cd human-eval
pip install -r requirements.txt
pip install -e .
cd ..

请仔细阅读 human_eval/execution.py 第48-57行的注释，了解执行模型生成的代码可能存在的风险，如果接受这些风险，请取消第58行的注释，启用代码执行评测。

快速上手

启动一个简单评测任务一般需要三个步骤：

1. 准备数据集及其配置， configs/datasets 提供了 OpenCompass 已经支持的 50 多种数据集。
2. 准备模型配置，configs/models 提供已经支持的大模型样例， 包括基于 HuggingFace 的模型以及类似 ChatGPT 的 API 模型。
3. 使用 run 脚本启动， 支持一行命令在本地或者 slurm 上启动评测，支持一次测试多个数据集，多个模型。

我们会以测试 LLaMA-7B 预训练基座模型在 SIQA 和 PIQA 上的性能为例，带领你熟悉 OpenCompass 的一些基本功能。在运行前， 请先确保你安装好了 OpenCompass，并在本机或集群上有满足 LLaMA-7B 最低要求的 GPU 计算资源。

使用以下命令在本地启动评测任务(运行中需要联网自动下载数据集和模型，模型下载较慢)：

python run.py configs/eval_llama_7b.py --debug

下面是这个案例的详细步骤解释。

详细步骤

准备数据集及其配置

因为 siqa， piqa 支持自动下载，所以这里不需要手动下载数据集，但有部分数据集可能需要手动下载，详细查看文档 准备数据集.

创建一个 '.py' 配置文件， 添加以下内容：

from mmengine.config import read_base                # 使用 mmengine 的 config 机制

with read_base():
    # 直接从预设数据集配置中读取需要的数据集配置
    from .datasets.piqa.piqa_ppl import piqa_datasets
    from .datasets.siqa.siqa_gen import siqa_datasets
                                          
datasets = [*piqa_datasets, *siqa_datasets]          # 最后 config 需要包含所需的评测数据集列表 datasets

configs/datasets 包含各种数据集预先定义好的配置文件，如 piqa 文件夹下有不同 Prompt 版本的 piqa 定义，其中 ppl 表示使用判别式评测， gen 表示使用生成式评测。configs/datasets/collections 存放了各类数据集集合，方便做综合评测。

准备模型

configs/models 包含多种已经支持的模型案案例，如 gpt3.5, hf_llama 等。

HuggingFace 中的 'huggyllama/llama-7b' 支持自动下载，在配置文件中添加以下内容：

from opencompass.models import HuggingFaceCausalLM    # 提供直接使用 HuggingFaceCausalLM 模型的接口

llama_7b = dict(
        type=HuggingFaceCausalLM,
        # 以下参数为 HuggingFaceCausalLM 的初始化参数
        path='huggyllama/llama-7b',
        tokenizer_path='huggyllama/llama-7b',
        tokenizer_kwargs=dict(padding_side='left', truncation_side='left'),
        max_seq_len=2048,
        # 以下参数为各类模型都有的参数，非 HuggingFaceCausalLM 的初始化参数
        abbr='llama-7b',            # 模型简称，用于结果展示
        max_out_len=100,            # 最长生成 token 数
        batch_size=16,              # 批次大小
        run_cfg=dict(num_gpus=1),   # 运行配置，用于指定资源需求
    )
 
models = [llama_7b]                                     # 最后 config 需要包含所需的模型列表 models

启动评测

首先，我们可以使用 debug 模式启动任务，以检查模型加载、数据集读取是否出现异常，如未正确读取缓存等。

python run.py configs/eval_llama_7b.py -w outputs/llama --debug

但 --debug 模式下只能逐一序列执行任务，因此检查无误后，可关闭 --debug 模式，使程序充分利用多卡资源

python run.py configs/eval_llama_7b.py -w outputs/llama

以下是一些与评测相关的参数，可以帮助你根据自己的环境情况配置更高效的推理任务。

• -w outputs/llama: 评测日志及结果保存目录
• -r: 重启上一次（中断的）评测
• --mode all: 指定进行某一阶段的任务
  • all: 进行全阶段评测，包括推理和评估
  • infer: 仅进行各个数据集上的推理
  • eval: 仅基于推理结果进行评估
  • viz: 仅展示评估结果
• --max-partition-size 2000: 数据集拆分尺寸，部分数据集可能比较大，利用此参数将其拆分成多个子任务，能有效利用资源。但如果拆分过细，则可能因为模型本身加载时间过长，反而速度更慢
• --max-num-workers 32: 最大并行启动任务数，在 Slurm 等分布式环境中，该参数用于指定最大提交任务数；在本地环境中，该参数用于指定最大并行执行的任务数，注意实际并行执行任务数受制于 GPU 等资源数，并不一定为该数字。

如果你不是在本机进行评测，而是使用 slurm 集群，可以指定如下参数：

• --slurm: 使用 slurm 在集群提交任务
• --partition(-p) my_part: slurm 集群分区
• --retry 2: 任务出错重试次数

评测结果

评测完成后，会打印评测结果表格如下：

dataset    version    metric    mode      llama-7b
---------  ---------  --------  ------  ----------
piqa       1cf9f0     accuracy  ppl          77.75
siqa       e78df3     accuracy  gen          36.08

所有运行结果会默认放在outputs/default/目录下，目录结构如下所示：

outputs/default/
├── 20200220_120000
├── ...
├── 20230220_183030
│   ├── configs
│   ├── logs
│   │   ├── eval
│   │   └── infer
│   ├── predictions
│   │   └── MODEL1
│   └── results
│       └── MODEL1

其中，每一个时间戳中存在以下内容：

• configs文件夹，用于存放以这个时间戳为输出目录的每次运行对应的配置文件；
• logs文件夹，用于存放推理和评测两个阶段的输出日志文件，各个文件夹内会以模型为子文件夹存放日志；
• predicitions文件夹，用于存放推理json结果，以模型为子文件夹；
• results文件夹，用于存放评测json结果，以模型为子文件夹