书生·浦语大模型全链路开源体系（四）——微调（XTuner）

VertexGeek

已于 2024-01-12 16:10:19 修改

阅读量1.1k

点赞数 24

分类专栏：书生·浦语模型大模型实战营第一期文章标签：人工智能 ai 语言模型

于 2024-01-12 11:52:39 首次发布

本文链接：https://blog.csdn.net/2301_77286822/article/details/135545724

版权

书生·浦语模型大模型实战营第一期专栏收录该内容

6 篇文章 1 订阅

订阅专栏

一、微调（finetune）:

LLM模型存在的幻觉问题、专业知识领域不强等问题，除了可以通过第三章提到的RAG技术解决，还可以通过对大模型进行专业领域知识的微调，来提升其在专业领域的能力，减少幻觉，提高个性化水平。

1、增量预训练微调：

让基座模型学习新知识，如某垂直领域的常识数据：文章，代码，书籍等，类似于无监督学习。

2、指令跟随微调：

根据人类指令进行对话训练，提高模型的对话能力，类似于监督学习。

3、lora:

LLM的参数量主要集中在模型的linear中，将这些参数进行全量微调，需要的显存极为庞大。

LORA是一种便捷的微调方法，仅训练一部份参数，大大降低了对显存的需求。

原理：

LORA通过在linear层旁边，新增一个支路，包含两个连续的小linear，新增的这个支路通常定义为Adapter.

Adapter的参数量远远小于原来的linear，大大降低了对显存的占用。

二、利用Xtuner微调InternLM-7B模型：

1、环境配置：

Ubuntu + Anaconda + CUDA/CUDNN + 8GB nvidia显卡（软件和硬件配置）

基础的依赖包和之前安装的一致（也可以先不安装，用到再安装），直接进入创建的虚拟环境：

conda activate xtuner0.1.9

创建基础文件目录，进入并拉取代码：

mkdir xtuner019 && cd xtuner019


git clone -b v0.1.9  https://github.com/InternLM/xtuner

# 进入源码目录
cd xtuner

# 从源码安装 XTuner
pip install -e '.[all]'

XTuner 提供多个开箱即用的配置文件，用户可以通过下列命令查看：

xtuner list-cfg

假如显示bash: xtuner: command not found的话可以考虑在终端输入 export PATH=$PATH:'/root/.local/bin'

配置文件名的解释（例子）：

模型名	internlm_chat_7b
使用算法	qlora
数据集	oasst1
把数据集跑几次	跑3次：e3 (epoch 3 )

再创建一个本次训练专用的文件夹：

mkdir ~/ft-oasst1 && cd ~/ft-oasst1

文件准备：

拷贝一个配置文件到当前目录： # xtuner copy-cfg ${CONFIG_NAME} ${SAVE_PATH}

cd ~/ft-oasst1
xtuner copy-cfg internlm_chat_7b_qlora_oasst1_e3 .

2、模型下载：

cp -r /root/share/temp/model_repos/internlm-chat-7b ~/ft-oasst1/

3、数据集准备：

复制Xtuner准备好的数据集：

cd ~/ft-oasst1
# ...-guanaco 后面有个空格和英文句号啊
cp -r /root/share/temp/datasets/openassistant-guanaco .

修改其中的模型和数据集为本地路径

cd ~/ft-oasst1

在vim界面完成修改后，请输入:wq退出。假如认为改错了可以用:q!退出且不保存。当然我们也可以考虑打开python文件直接修改，但注意修改完后需要按下Ctrl+S进行保存。

vim internlm_chat_7b_qlora_oasst1_e3_copy.py



# 修改模型为本地路径
- pretrained_model_name_or_path = 'internlm/internlm-chat-7b'
+ pretrained_model_name_or_path = './internlm-chat-7b'

# 修改训练数据集为本地路径
- data_path = 'timdettmers/openassistant-guanaco'
+ data_path = './openassistant-guanaco'

常用超参

参数名	解释
data_path	数据路径或 HuggingFace 仓库名
max_length	单条数据最大 Token 数，超过则截断
pack_to_max_length	是否将多条短数据拼接到 max_length，提高 GPU 利用率
accumulative_counts	梯度累积，每多少次 backward 更新一次参数
evaluation_inputs	训练过程中，会根据给定的问题进行推理，便于观测训练状态
evaluation_freq	Evaluation 的评测间隔 iter 数
......	......

自定义数据集：

将准备好的数据转换为jsonl格式：

[{
    "conversation":[
        {
            "system": "xxx",
            "input": "xxx",
            "output": "xxx"
        }
    ]
},
{
    "conversation":[
        {
            "system": "xxx",
            "input": "xxx",
            "output": "xxx"
        }
    ]
}]

通过 python脚本：将数据集中的 “问题” 和 “回答 ”两列提取出来，再放入 .jsonL 文件的每个 conversation 的 input 和 output 中，这一步的 python 脚本可以请 ChatGPT 来完成。

prompt提示词：

Write a python file for me. using openpyxl. input file name is MedQA2019.xlsx
Step1: The input file is .xlsx. Exact the column A and column D in the sheet named "DrugQA" .
Step2: Put each value in column A into each "input" of each "conversation". Put each value in column D into each "output" of each "conversation".
Step3: The output file is .jsonL. It looks like:
[{
    "conversation":[
        {
            "system": "xxx",
            "input": "xxx",
            "output": "xxx"
        }
    ]
},
{
    "conversation":[
        {
            "system": "xxx",
            "input": "xxx",
            "output": "xxx"
        }
    ]
}]
Step4: All "system" value changes to "You are a professional, highly experienced doctor professor. You always provide accurate, comprehensive, and detailed answers based on the patients' questions."

划分训练集和测试集，这一步也可以利用chatgpt创作python脚本实现

my .jsonL file looks like:
[{
    "conversation":[
        {
            "system": "xxx",
            "input": "xxx",
            "output": "xxx"
        }
    ]
},
{
    "conversation":[
        {
            "system": "xxx",
            "input": "xxx",
            "output": "xxx"
        }
    ]
}]
Step1, read the .jsonL file.
Step2, count the amount of the "conversation" elements.
Step3, randomly split all "conversation" elements by 7:3. Targeted structure is same as the input.
Step4, save the 7/10 part as train.jsonl. save the 3/10 part as test.jsonl

修改internlm_chat_7b_qlora_oasst1_e3_copy.py文件的参数配置：

# 修改import部分，其实这一句改不改都行
- from xtuner.dataset.map_fns import oasst1_map_fn, template_map_fn_factory
+ from xtuner.dataset.map_fns import template_map_fn_factory

# 修改模型为本地路径
- pretrained_model_name_or_path = 'internlm/internlm-chat-7b'
+ pretrained_model_name_or_path = './internlm-chat-7b'

# 修改训练数据为 MedQA2019-structured-train.jsonl 路径
- data_path = 'timdettmers/openassistant-guanaco'
+ data_path = 'MedQA2019-structured-train.jsonl'

# 修改 train_dataset 对象
train_dataset = dict(
    type=process_hf_dataset,
-   dataset=dict(type=load_dataset, path=data_path),
+   dataset=dict(type=load_dataset, path='json', data_files=dict(train=data_path)),
    tokenizer=tokenizer,
    max_length=max_length,
-   dataset_map_fn=alpaca_map_fn,
+   dataset_map_fn=None,
    template_map_fn=dict(
        type=template_map_fn_factory, template=prompt_template),
    remove_unused_columns=True,
    shuffle_before_pack=True,
    pack_to_max_length=pack_to_max_length)

4、微调：

执行以下代码：

xtuner train ${CONFIG_NAME_OR_PATH} --deepspeed deepspeed_zero2

# 单卡
## 用刚才改好的config文件训练
xtuner train ./internlm_chat_7b_qlora_oasst1_e3_copy.py --deepspeed deepspeed_zero2


# 多卡
NPROC_PER_NODE=${GPU_NUM} xtuner train ./internlm_chat_7b_qlora_oasst1_e3_copy.py --deepspeed deepspeed_zero2

微调得到的 PTH 模型文件和其他杂七杂八的文件都默认在当前的 ./work_dirs 中。

微调时间一般较长，为了避免因为网络等不可控的因素，而中断微调训练，可以利用Tmux进行训练：

# 更新
apt updata -y

# 下载tmux
apt install tmux -y

# 创建tmux环境，在该环境中运行微调
tmux new -s finetune

# ctrl B + D 快捷键推出

# 再次进入创建的 finetune
tmux attach finetine

微调得到的 PTH 模型文件和其他杂七杂八的文件都默认在当前的 ./work_dirs 中

将得到的 PTH 模型转换为 HuggingFace 模型，即：生成 Adapter 文件夹

xtuner convert pth_to_hf ${CONFIG_NAME_OR_PATH} ${PTH_file_dir} ${SAVE_PATH}

mkdir hf
export MKL_SERVICE_FORCE_INTEL=1

xtuner convert pth_to_hf ./internlm_chat_7b_qlora_oasst1_e3_copy.py ./work_dirs/internlm_chat_7b_qlora_oasst1_e3_copy/epoch_1.pth ./hf

将 HuggingFace adapter 合并到大语言模型

xtuner convert merge \
     ${NAME_OR_PATH_TO_LLM} \
     ${NAME_OR_PATH_TO_ADAPTER} \
     ${SAVE_PATH} \
     --max-shard-size 2GB

xtuner convert merge ./internlm-chat-7b ./hf ./merged --max-shard-size 2GB

# 加载 Adapter 模型对话（Float 16）
xtuner chat ./merged --prompt-template internlm_chat

# 4 bit 量化加载
# xtuner chat ./merged --bits 4 --prompt-template internlm_chat

5、运行：

terminal：

修改 cli_demo.py 中的模型路径

- model_name_or_path = "/root/model/Shanghai_AI_Laboratory/internlm-chat-7b"
+ model_name_or_path = "merged"

运行 cli_demo.py 以目测微调效果

python ./cli_demo.py

xtuner chat 的启动参数

启动参数	干哈滴
--prompt-template	指定对话模板
--system	指定SYSTEM文本
--system-template	指定SYSTEM模板
--bits	LLM位数
--bot-name	bot名称
--with-plugins	指定要使用的插件
--no-streamer	是否启用流式传输
--lagent	是否使用lagent
--command-stop-word	命令停止词
--answer-stop-word	回答停止词
--offload-folder	存放模型权重的文件夹（或者已经卸载模型权重的文件夹）
--max-new-tokens	生成文本中允许的最大 `token` 数量
--temperature	温度值
--top-k	保留用于顶k筛选的最高概率词汇标记数
--top-p	如果设置为小于1的浮点数，仅保留概率相加高于 `top_p` 的最小一组最有可能的标记
--seed	用于可重现文本生成的随机种子

web_demo:

在完成ssh连接之后，老规矩：streamlit run /root/personal_assistant/code/InternLM/web_demo.py --server.address 127.0.0.1 --server.port 6006

注意：web_demo运行需要streamlit包，如果前面没有安装，在运行之前还需安装一下依赖包

VertexGeek

关注

24
点赞
踩
24

收藏

觉得还不错? 一键收藏
5
评论
书生·浦语大模型全链路开源体系（四）——微调（XTuner）

{},}]通过 python脚本：将数据集中的 “问题” 和 “回答 ”两列提取出来，再放入.jsonL文件的每个 conversation 的 input 和 output 中，这一步的 python 脚本可以请 ChatGPT 来完成。[{},}]# 修改import部分，其实这一句改不改都行# 修改模型为本地路径# 修改训练数据为 MedQA2019-structured-train.jsonl 路径# 修改 train_dataset 对象。
复制链接

扫一扫