阅读量:3
大模型相关目录
大模型，包括部署微调prompt/Agent应用开发、知识库增强、数据库增强、知识图谱增强、自然语言处理、多模态等大模型应用开发内容从0起步，扬帆起航。
- 大模型应用向开发路径及一点个人思考
- 大模型应用开发实用开源项目汇总
- 大模型问答项目问答性能评估方法
- 大模型数据侧总结
- 大模型token等基本概念及参数和内存的关系
- 大模型应用开发-华为大模型生态规划
- 从零开始的LLaMA-Factory的指令增量微调
文章目录
一、LLaMA-Factory简介
LLaMA-Factory是开源的大模型微调框架，在模型微调方式、参数配置、数据集设置、模型保存、模型合并、模型测试以及模型试用上，提供了非常完备的开发接口。其框架使用形式分为指令与界面两种。
二、使用准备
1.拉取项目并部署相应环境（微调chatGLM3 6B很流畅，微调Qwen系列可能需要按错误提示对环境进行补包），并激活。
conda activate zwllama_factory
2.下载模型到本地
3.自行准备数据集
包括：
- 自我认知数据集（微调后可能效果也比较一般，需要多次微调，或者配合prompt。）
- 通用数据集（微调时用不用均可，可保持模型通用能力。且LLaMA-Factory的data文件夹下有alpaca_gpt4_data_zh等已经备好的数据集，不需要刻意定制。）
- 特定领域数据集
基本格式如下（alpaca，一种指令微调的格式。当然还有其他格式）：
[ { "instruction": "你好", "input": "", "output": "您好，我是XX大模型，一个由XXX开发的 AI 助手，很高兴认识您。请问我能为您做些什么？" }, { "instruction": "你好", "input": "", "output": "您好，我是XX大模型，一个由XXX打造的人工智能助手，请问有什么可以帮助您的吗？" } ] 其中，instruction和input可以都填充进内容，如把问题作为input，把“回答问题这一要求”作为instruction。据说这种指令微调数据集的格式效果比较好。
准备数据及后，应上传所用到的数据集至项目路径下data文件夹
data文件夹下的数据集要想使用，还需在dataset_info.json下进行登记注册。
其中，file_sha1可通过如下代码计算获得，该字段要求并不严格，有即可，主要为了区分重复文件，作uuid使用。
import hashlib def calculate_sha1(file_path): sha1 = hashlib.sha1() try: with open(file_path, 'rb') as file: while True: data = file.read(8192) # Read in chunks to handle large files if not data: break sha1.update(data) return sha1.hexdigest() except FileNotFoundError: return "File not found." # 使用示例 file_path = r'C:\Users\12258\Desktop\xxx.json' # 替换为您的文件路径 sha1_hash = calculate_sha1(file_path) print("SHA-1 Hash:", sha1_hash) 二、单卡微调
单卡微调往往针对6B、7B等规模不大的大模型，因此界面化操作完全狗满足需求。
下述指令启动界面：
CUDA_VISIBLE_DEVICES=0 python src/train_web.py 如下图所示配置页面信息
可见界面微调的本质依旧是后端的指令。
点击开始，开始微调，界面无反应，后端开始加载
加载完毕后，前端界面出现训练所需时间和损失曲线。
注意，训练随时可以中断。
测试集对微调模型性能评估
微调模型问答使用
微调模型增量模型导出
三、多卡微调
新增config.yaml文件在README同级目录，内容如下：
compute_environment: LOCAL_MACHINE debug: false distributed_type: MULTI_GPU downcast_bf16: 'no' gpu_ids: all machine_rank: 0 main_training_function: main mixed_precision: fp16 num_machines: 1 num_processes: 2 rdzv_backend: static same_network: true tpu_env: [] tpu_use_cluster: false tpu_use_sudo: false use_cpu: false 运行如下命令即可微调：
accelerate launch --config_file config.yaml src/train_bash.py \ --ddp_timeout 180000000 \ --stage sft \ --do_train True \ --model_name_or_path /home/gputest/sgq/text-generation-webui/models/Qwen1.5-14B-Chat \ --finetuning_type lora \ --template default \ --dataset_dir data \ --dataset self_cognition_modified,approval_data_ls_300 \ --cutoff_len 1024 \ --learning_rate 5e-05 \ --num_train_epochs 3.0 \ --max_samples 100000 \ --per_device_train_batch_size 2 \ --gradient_accumulation_steps 8 \ --lr_scheduler_type cosine \ --max_grad_norm 1.0 \ --logging_steps 5 \ --save_steps 100 \ --warmup_steps 0 \ --optim adamw_torch \ --output_dir saves/Qwen1.5-14B/lora/train_2024-03-21-02-22-33 \ --fp16 True \ --lora_rank 8 \ --lora_alpha 16 \ --lora_dropout 0.1 \ --lora_target q_proj,v_proj \ --plot_loss True 当然上述代码内容需要根据你的实际需求进行一定修改。
四、其他
更多信息可以访问开源项目进行了解。
