【LLM大模型】Llama 3 8B模型微调实战

大多数人工智能领域的工具都会使用到Python，这个需要提前安装，同时推荐使用虚拟环境进行环境的隔离，比如用Anaconda（conda create -n xxx ）或者使用Python自带的模块创建虚拟环境（python -m venv xxx）。同时在使用前请记得激活环境。

训练

我们使用llama-3-chinese-8b-instruct-v3，好处是它已经通过中文语料进行了训练，将[huggingface.co/hfl/llama-3…]

注：如果在Huggingface上直接申请Llama模型的访问权限，国家最好不要选择中国，Alan的测试是选择中国遭拒，而选择美国则通过申请。

想过执行代码来自[Chinese-LLaMA-Alpaca-3]项目，执行代码这里使用了[Git Bash]，这样在Windows下可以获取和Linux相似的使用体验。

训练的代码位于scripts/training目录下，如果使用的是Mac或Linux，可以直接修改run_sft.sh中相关目录直接运行Shell脚本。以下演示为通过Python代码运行：

 python run_clm_sft_with_peft.py --model_name_or_path /d/workspace/llama-3-chinese-8b-instruct-v3 --tokenizer_name_or_path /d/workspace/llama-3-chinese-8b-instruct-v3 --dataset_dir /d/workspace/Chinese-LLaMA-Alpaca-3/data --per_device_train_batch_size 1 --per_device_eval_batch_size 1 --do_train 1 --do_eval 1 --seed 42 --bf16 1 --num_train_epochs 3 --lr_scheduler_type cosine --learning_rate 1e-4 --warmup_ratio 0.05 --weight_decay 0.1 --logging_strategy steps --logging_steps 10 --save_strategy steps --save_total_limit 3 --evaluation_strategy steps --eval_steps 100 --save_steps 200 --gradient_accumulation_steps 8 --preprocessing_num_workers 8 --max_seq_length 1024 --output_dir /d/workspace/output --overwrite_output_dir 1 --ddp_timeout 30000 --logging_first_step True --lora_rank 64 --lora_alpha 128 --trainable "q_proj,v_proj,k_proj,o_proj,gate_proj,down_proj,up_proj" --lora_dropou 0.05 --modules_to_save "embed_tokens,lm_head" --torch_dtype bfloat16 --validation_file /d/workspace/Chinese-LLaMA-Alpaca-3/data/ruozhiba_qa2449_gpt4t.json --load_in_kbits 16 --low_cpu_mem_usage True

以上数据集和验证集在做私有数据训练时需做相应修改，这里使用原仓库中的数据进行了演示，训练时间取决于硬件设备，我这里跑了一整夜：

合并

训练完成后如需具备通用模型的能力还应与原模型进行合并操作，这一代码在Alpaca的scripts目录下，命令如下：

 python merge_llama3_with_chinese_lora_low_mem.py --base_model /d/workspace/llama-3-chinese-8b-instruct-v3 --lora_model  /d/workspace/output --output_dir /d/workspace/output_merge

得到的文件如下：

量化

可以看到上图中的文件占用约15 GB，文件也较多，不利于部署，通常都会先进行量化处理，这里选择的项目为：[github.com/ggerganov/l…]

git clone https://github.com/ggerganov/llama.cpp.git
cd llama.cpp/
pip install -r requirements/requirements-convert_hf_to_gguf.txt

Linux和Mac下直接执行make，Windows如无cmake，下载[cmake]，然后执行：

cmake -B build
cmake --build build --config Release

python convert_hf_to_gguf.py ../output_merge --outtype f16 --outfile ../output_models/llama3_chinese-8B-F16.gguf
./llama-quantize ../output_models/llama3_chinese-8B-F16.gguf  ../output_models/llama3_chinese-8B-q4_0.gguf q4_0

量化后的llama3_chinese-8B-q4_0.gguf文件仅为4.5 GB。量化的算法较多，

WSL在make时会出现报错：scripts/build-info.sh: 31: Syntax error: end of file unexpected (expecting "then")，需执行：

sudo apt install dos2unix
find -type f -print0 | xargs -0 dos2unix

出现CMake Error at CMakeLists.txt:2 (project): Running 'nmake' '-?' failed with: 系统找不到指定的文件。尝试删除build目录再执行cmake，如仍有问题可能和cmake与Visual Studio的安装有关，Alan直接使用Visual Studio所安装的cmake执行并没有发生异常（我安装在D盘，所以添加的环境变量为：D:\Program Files\Microsoft Visual Studio\2022\Community\Common7\IDE\CommonExtensions\Microsoft\CMake\CMake\bin）。编译后的命令位于build/bin/Release目录中。

部署

依然使用Alpaca项目，我们将使用[Ollama]进行部署，所以进入scripts/ollama目录，将Modelfile文件中FROM后的文件修改为刚刚所保存的llama3_chinese-8B-q4_0.gguf文件路径，然后创建模型，名称可自己选择：

ollama create llama3-chinese-8b-q4 -f Modelfile

执行以下命令运行该模型：

ollama run llama3-chinese-8b-q4

此时就会发现模型不仅具备底座模型的能力，还可以回答我们微调数据集中的相关问题。

大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓