LLaMA-Factory 让大模型微调变得更简单！！

AI小白熊

于 2024-08-27 14:59:18 发布

阅读量486

点赞数 4

文章标签： llama 自动化人工智能产品经理云计算语言模型 ai

本文链接：https://blog.csdn.net/2401_85325726/article/details/141603303

版权

—0—

背景

如果只需要构建一份任务相关的数据，就可以轻松通过网页界面的形式进行 Fine-tuning 微调操作，那么必将大大减轻微调工作量。

今年的 ACL 2024见证了北航和北大合作的突破—论文《LLAMAFACTORY: 统一高效微调超百种语言模型》。他们打造的 LLaMA-Factory，集成了顶尖的训练效率技术，让用户能轻松通过网页界面 LLAMABOARD，无须编码，即对上百个语言模型进行个性化微调。

值得注意的是，项目在论文发表前，GitHub 上已获 13,000 Stars 和 1,600 forks，彰显了其巨大影响力。

—1—

微调界面预览（LLaMA Board）

只需一键启动 WebUI，即可接入 LLaMA Board（如下图所示），这是一个直观的操作面板，让你轻松选择数据集、自定义各种参数。体验从预览配置、保存训练设置到加载配置、启动高效训练的无缝流程。并且，界面实时展示训练损失曲线，让你随时掌握微调进度与效果。

—2—

如何准备微调环境？

体验一下此数字人的生动演示，它能聪明地理解并回应你的每一句话。目前的小遗憾是，它的思考时间约为3到4秒，但这对话结束后才给出反应。别担心，技术的进步就在眼前，随着模型优化，这一等待时间即将成为过去。

第一步、安装环境（以 Conda 环境为例）

第1步 clone LLaMA-Factory：git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git``第2步 进入目录：cd LLaMA-Factory``第3步 创建基础环境：conda create -n <你的环境名称> python=3.10``第4步 进入conda环境：conda activate <你的环境名称>``第5步 安装依赖：pip install -e .[metrics] -i https://pypi.tuna.tsinghua.edu.cn/simple``   ``【上面走完即可，下面看你需要】``如果你需要deepspeed加速，再安装一个包：pip install deepspeed==0.14.3

第二步、构造数据，如下所示

[`    `{`        `"id": "p1",`        `"system": "你是一个销售小助手，你的任务是邀请程序员购买AI大模型课程",`        `"conversations": [`            `{`                `"from": "user",`                `"value": "你好，你是？"`            `},`            `{`                `"from": "assistant",`                `"value": "同学你好，我这边是玄姐谈AGI，想邀请你体验下我们的AI大模型课程产品"`            `},`            `{`                `"from": "user",`                `"value": "抱歉，刚买了一个年会员，还没到期。"`            `},`            `{`                `"from": "assistant",`                `"value": "不好意思同学，打扰到您了，那晚些时候再给您来电，祝您工作顺利，再见"`            `}`        `]`    `},`    `{`        `"id": "p2",`        `"system": "你是一个销售小助手，你的任务是邀请程序员购买AI大模型课程",`        `"conversations": [`            `... ...`        `]`    `},`    `... ...``]

接下来需要完成数据配置，具体操作如下：

第三步、cd 目录，找到 dataset_info.json

cd LLaMa-Factory/data/dataset_info.json

第四步、在字典中添加自己的数据信息

   ``"my_task": {`    `"file_name": finetune_data.json # 你自己数据的路径，这里是直接存放在LLaMa-Factory/data/finetune_data.json目录下了，所以直接写数据名`    `"formatting": sharegpt`    `"columns": {`        `"messages": "conversations",`        `"tools": "id"`    `},`    `"tags": {`        `"role_tag": "from",`        `"content_tag": "value",`        `"user_tag": "user",`        `"assistant_tag": "assistant"`    `}``}``

—3—

开始微调训练

方法一、以 LLaMA Board 方式进行选参训练

这种方式前端界面友好，体验感好，具体运行如下：

CUDA_VISIBLE_DEVICES=0,1,2,3 llamafactory-cli webui

方式二、纯后台启动方式

具体运行如下：



export CUDA\_VISIBLE\_DEVICES=0,1,2,3

llamafactory-cli train ./sft\_yaml/my\_finetune.yaml (启动目录在LLaMa-Factory下)

my_finetune.yaml 文件设置如下：

   ``### model``model_name_or_path: meta-llama/Meta-Llama-3-8B-Instruct``   ``### method``stage: sft``do_train: true``finetuning_type: full``deepspeed: examples/deepspeed/ds_z3_config.json (加速，当显存不够，你可以使用ds_z3_offload_config.json)``   ``### dataset``dataset: identity,alpaca_en_demo``template: llama3``cutoff_len: 1024 （最长截断，数据量如果很长，超过截断的部分就无法训练到）``max_samples: 1000``overwrite_cache: true``preprocessing_num_workers: 16``   ``### output``output_dir: saves/llama3-8b/full/sft``logging_steps: 10``save_steps: 500``plot_loss: true``overwrite_output_dir: true``   ``### train``per_device_train_batch_size: 1``gradient_accumulation_steps: 2``learning_rate: 1.0e-4``num_train_epochs: 3.0``lr_scheduler_type: cosine``warmup_ratio: 0.1``fp16: true``ddp_timeout: 180000000``   ``### eval``val_size: 0.1``per_device_eval_batch_size: 1``eval_strategy: steps``eval_steps: 500``

—4—

查看训练日志

微调过程完毕后，你可前往指定的输出目录(output_dir)，在其中详尽审视训练日志，这些记录涵盖了关键指标，比如：训练损失与验证损失，助你全面了解模型学习的进展与性能。

—5—

微调后评估

要更新大模型的适配器，只需简单选取目标模型即可完成配置。而经过微调训练得到的大模型，其部署和调用方式则与其他预训练大模型保持一致，确保了使用的便捷性和通用性。

零基础如何学习大模型 AI

领取方式在文末

为什么要学习大模型？

学习大模型课程的重要性在于它能够极大地促进个人在人工智能领域的专业发展。大模型技术，如自然语言处理和图像识别，正在推动着人工智能的新发展阶段。通过学习大模型课程，可以掌握设计和实现基于大模型的应用系统所需的基本原理和技术，从而提升自己在数据处理、分析和决策制定方面的能力。此外，大模型技术在多个行业中的应用日益增加，掌握这一技术将有助于提高就业竞争力，并为未来的创新创业提供坚实的基础。

大模型典型应用场景

①AI+教育：智能教学助手和自动评分系统使个性化教育成为可能。通过AI分析学生的学习数据，提供量身定制的学习方案，提高学习效果。
②AI+医疗：智能诊断系统和个性化医疗方案让医疗服务更加精准高效。AI可以分析医学影像，辅助医生进行早期诊断，同时根据患者数据制定个性化治疗方案。
③AI+金融：智能投顾和风险管理系统帮助投资者做出更明智的决策，并实时监控金融市场，识别潜在风险。
④AI+制造：智能制造和自动化工厂提高了生产效率和质量。通过AI技术，工厂可以实现设备预测性维护，减少停机时间。

⑤AI+零售：智能推荐系统和库存管理优化了用户体验和运营成本。AI可以分析用户行为，提供个性化商品推荐，同时优化库存，减少浪费。

⑥AI+交通：自动驾驶和智能交通管理提升了交通安全和效率。AI技术可以实现车辆自动驾驶，并优化交通信号控制，减少拥堵。

…
这些案例表明，学习大模型课程不仅能够提升个人技能，还能为企业带来实际效益，推动行业创新发展。