windows环境下基于LLaMA-Factory对Qwen进行lora微调

AI大模型教程

于 2025-05-14 11:30:48 发布

阅读量577

点赞数 20

文章标签： windows llama 知识图谱 fastapi 人工智能 LLM 程序员

本文链接：https://blog.csdn.net/2401_82469710/article/details/147950395

版权

基于LLaMA-Factory对Qwen进行lora微调

1.实验环境

1.1 系统和硬件

windows
3050（4GB显存）

1.2 环境搭建

LLaMA-Factory

git clone https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
pip install -e '.[torch,metrics]'

卸载CPU版本的torch并更换GPU版本的torch

pip uninstall torch torchvision torchaudio -y
pip install torch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 --index-url https://download.pytorch.org/whl/cu121

1.3 模型以及数据集下载

模型选择了Qwen2.5-0.5B-instruct

git clone https://www.modelscope.cn/Qwen/Qwen2.5-0.5B-Instruct.git

数据集选择了华东师范大学开源的educhat-sft-002-data-osm

git clone https://huggingface.co/datasets/ecnu-icalk/educhat-sft-002-data-osm

2.数据处理

使用自定义数据集进行微调时，需要将数据集转换成AIpaca格式或者ShareGPT格式，并在data_info.json中注册

Educhat-sft的原始格式

需要的数据集格式

其中 human 和 observation 必须出现在奇数位置，gpt 和 function 必须出现在偶数位置

[
  {
    "conversations": [
      {
        "from": "human",
        "value": "人类指令"
      },
      {
        "from": "function_call",
        "value": "工具参数"
      },
      {
        "from": "observation",
        "value": "工具结果"
      },
      {
        "from": "gpt",
        "value": "模型回答"
      }
    ],
    "system": "系统提示词（选填）",
    "tools": "工具描述（选填）"
  }
]

在data_info.json文件中添加

  "数据集名称": {
    "file_name": "路径",
    "formatting": "sharegpt",
    "columns": {
      "messages": "conversations",
      "system": "system"
    }
  }

3.模型训练

训练配置文件examples/train_lora/llama3_lora_sft修改

### model
model_name_or_path: ../Qwen2.5-0.5B-Instruct # 模型目录
trust_remote_code: true

### method
stage: sft # 训练阶段
do_train: true
finetuning_type: lora
lora_rank: 8 # lora微调秩的大小，影响显存占用以及训练效果
lora_target: all

### dataset
dataset: identity, res # 数据集名称，使用逗号隔开
template: qwen # 模板名程
cutoff_len: 2048
max_samples: 1000
overwrite_cache: true
preprocessing_num_workers: 16

### output
output_dir: saves/Qwen-0.5b-identity/lora/sft # 输出
logging_steps: 10
save_steps: 500
plot_loss: true
overwrite_output_dir: true

### train
per_device_train_batch_size: 1
gradient_accumulation_steps: 8
learning_rate: 1.0e-4
num_train_epochs: 3.0
lr_scheduler_type: cosine
warmup_ratio: 0.1
bf16: true
# resume_from_checkpoint: saves/Qwen-0.5b/lora/sft/checkpoint-2500 # 断点续训目录
ddp_timeout: 180000000

### eval
# eval_dataset: alpaca_en_demo
# val_size: 0.1
# per_device_eval_batch_size: 1
# eval_strategy: steps
# eval_steps: 500

使用以下命令开始训练

llamafactory-cli train examples/train_lora/llama3_lora_sft.yaml

4.微调模型推理

原始模型直接推理

修改examples/inference/llama3.yaml

model_name_or_path: ../Qwen2.5-0.5B-Instruct # 路径
template: qwen # 模板
infer_backend: huggingface  # choices: [huggingface, vllm]
trust_remote_code: true

启动

llamafactory-cli webchat examples/inference/llama3.yaml

效果如下：

微调模型推理

使用以下命令启动：

llamafactory-cli webchat --model_name_or_path ../Qwen2.5-0.5B-Instruct --adapter_name_or_path ./saves/QWen-0.5b-identity/lora/sft  --template qwen --finetuning_type lora

简单微调后，再次询问相似的问题效果如下；

5.模型合并

修改/examples/merge_lora/llama3_lora_sft.yaml配置，将模型路径以及微调得到的权重路径进行修改。

### Note: DO NOT use quantized model or quantization_bit when merging lora adapters

### model
model_name_or_path: ../Qwen2.5-0.5B-Instruct # 模型路径
adapter_name_or_path: ./saves/Qwen-0.5b-identity/lora/sft # 微调得到的权重路径
template: qwen
trust_remote_code: true

### export
export_dir: output/qwen_lora_sft_1 # 输出路径
export_size: 5
export_device: auto
export_legacy_format: false

修改完配置文件后，使用下列指令导出合并后的模型
```
llamafactory-cli export ./examples/merge_lora/llama3_lora_sft.yaml
```

6.模型评估

llama-factory提供了对cmmlu, mmlu,ceval的评测脚本，使用以下命令可以对微调前后的模型进行简单的评测：

llamafactory-cli eval `
--model_name_or_path ../Qwen2.5-0.5B-Instruct ` # 模型路径
--template qwen ` 
--task cmmlu_test ` # 评测数据集
--lang zh ` # 语言
--n_shot 5 `
--batch_size 1 `
--trust_remote_code True

模型在cmmlu的中文评估结果如下：

原始模型：

微调后的模型：

可能由于参数设置问题，导致微调后的模型相较于原始模型，模型各个方向的能力都出现了一定的下滑。

Lora微调原理

1. 其他微调方法

全量微调

对于模型中的所有矩阵中的参数，都必须参与更新。
- 主要优点：最大程度适应特定任务
- 主要缺点：计算资源消耗量大，显存占用大，训练时间长，资源受限场景下不适合
adapter tuning

针对全量微调计算资源消耗大的缺点，adapter turng在Transformer的基础上增加了一个adapter 模块，在微调时，除了该模块，模型的其他部分都是冻结的
- 优点：相对于全量微调而言，adapter训练的参数量减小，更加节省资源。
- 缺点：增加adapter后，模型的层数变深，推理速度和训练速度减慢。
prefix tuning

prefix tuning是在模型的输入部分添加一系列可训练的前缀向量，这些向量会和输入数据一起被送入模型，从而影响模型的行为。
- 优点：显著减少训练的参数量，并且不会增加推理时间
- 缺点：
  - 较难训练，且模型的效果并不严格随prefix参数量的增加而上升
  - 会使得输入层有效信息长度减少。增加了prefix之后，留给原始文字数据的空间就少了，因此可能会降低原始文字中prompt的表达能力。

2.Lora微调

整体架构：

左侧将全参数微调分成两个部分，一个是冻结的权重$W$,另一个是微调产生的权重增量$ \Delta W $,此时有$ h=Wx+ \Delta Wx$,Lora 在该想法的基础上，将 $\Delta W $进一步拆解成两个低秩矩阵$A$, $B$的乘积,即$h = Wx + BAx$。

在原始预训练矩阵的旁路上，用低秩矩阵A和B来近似替代增量更新 $\Delta W$，训练只更新$A$, $B$矩阵，以此降低显存占用，达到高效微调的目的

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望