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】🆓