AutoTrain：在Google Colab上微调LLM最简单的方法

一、前言

在前面的文章中，我们介绍过《GPT-LLM-Trainer：如何使用自己的数据轻松快速地微调和训练LLM》，主要介绍了使用 GPT-LLM-Trainer 工具简化模型训练的所有复杂步骤，全程只需输入任务描述，系统就会从头开始生成数据集，将其转换为你想要的任何格式，并为你进行模型微调。你可以在Google Colab上轻松的训练大型语言模型。GPT-LLM-Trainer 模型训练器利用 GPT-4 模型来简化整个过程。

有没有更简单的方法来微调LLM模型？如果你不会编码或者只是一名经验丰富的软件工程师，如何快速加入呢？

Okay，今天我们继续来介绍一个新的工具 🤗 AutoTrain Advanced，这是一款无代码工具，专门设计用于让用户无需编写一行代码即可创建、微调和部署自己的 AI 模型。只需上传数据即可训练自定义机器学习模型。 AutoTrain 将自动为你的数据找到最佳模型。它不仅可以帮助机器学习工程师，甚至可以帮助非开发人员轻松训练最先进的 ML 模型。只需要简单几步即可快速完成模型的微调、训练、推理和部署。

二、AutoTrain 介绍

AutoTrain 是一种自动训练和部署最先进的机器学习模型的方法，与 Hugging Face 生态系统无缝集成。它提供了一种自动方式来训练和部署最先进的机器学习模型。该应用程序支持广泛的机器学习任务，包括文本分类、文本回归、实体识别、摘要、问答、翻译和表格任务。

训练任务：支持文本分类、文本回归、实体识别、摘要、问答、翻译和表格。

训练格式：支持CSV、TSV 或 JSON 文件，托管在任何地方。训练完成后，HF会删除你的训练数据。

模型语言：应用不受语言障碍的限制。它支持多种语言，包括英语、德语、法语、西班牙语、芬兰语、瑞典语、印地语、荷兰语、阿拉伯语、中文等。这使其成为真正的全球工具，全世界的个人和组织都可以访问和使用。

数据安全：所有训练数据都安全地保存在其服务器上，并且对用户帐户而言是私有的。此外，所有数据传输均受到加密保护，确保最大的安全性。

训练成本：根据创建的训练数据和模型变体的数量，每个作业低至 10 美元。

AutoTrain 不仅功能强大、安全，而且用户友好。它拥有一个简单的界面，可以在几分钟内完成部署。用户可以上传自己的数据集、选择 GPU、选择超参数并选择模型来创建最先进的模型。该应用程序支持 CSV、TSV 或 JSON 文件作为训练数据，训练完成后这些文件将被删除。 事实上，在前面我们介绍了用传统的编码方式对 LLama 2 进行微调之后，这应该是迄今为止微调模型的最简单方法。你所需要做的就是运行一个命令行来微调你的模型。 在本文中，我们将展示如何使用 AutoTrain Advanced 通过免费的 Google Colab 实例轻松微调 AI 模型。

2.1、什么是 AutoTrain Advanced

AutoTrain Advanced 在 Hugging Face Space 中或在本地（如果使用 pip 安装在本地）处理你的数据。这可以节省一次，因为数据处理不是由 AutoTrain 后端完成，导致你的作业不会排队。 AutoTrain Advanced 还允许你使用自己的硬件（更好的CPU和RAM）来处理数据，从而使数据处理速度更快。

使用 AutoTrain Advanced，高级用户还可以控制用于每个作业训练的超参数。这允许你使用不同的超参数训练多个模型并比较结果。

其他一切与 AutoTrain 相同。你可以使用 AutoTrain Advanced 来训练 NLP、CV、语音和表格任务的模型。

我们建议使用 AutoTrain Advanced，因为它更快、更灵活，并且将来会支持更多任务和功能。

2.2、谁适合使用 AutoTrain

AutoTrain 适用于任何想要训练最先进模型的人，无论是在 NLP、CV、语音还是表格任务上，但又不想花时间处理模型训练的技术细节。AutoTrain 也适用于任何想要为自定义数据集训练模型的人，但又不想花时间处理模型训练的技术细节。HF的目标是让任何人都能轻松训练最先进的模型，不仅限于数据科学家或机器学习工程师，也包括非技术用户。

2.3、如何使用 AutoTrain

HF 提供了两种使用 AutoTrain 的方式：

• 非技术用户：

非代码用户可以通过使用 AutoTrain Docker 镜像创建一个新的空间来使用 AutoTrain Advanced：https://huggingface.co/new-space?template=autotrain-projects/autotrain-advanced。请确保将空间保持私密。

• 技术用户：

开发人员可以使用 Python API 访问和构建 AutoTrain，或者在本地运行 AutoTrain Advanced UI。Python API 可在 autotrain-advanced 包中获得。您可以使用 pip 安装它：

pip install autotrain-advanced

三、AutoTrain Advanced UI 实战

3.1、创建项目

在 Hugging Face AutoTrain 官网页面，点击【创建新项目】

单击【创建新项目】后，将显示下面的窗口。有三个任务的选项和模型的选择。

3.2、上传数据

下一步是上传数据，最简单的方法是浏览 HuggingFace 数据集并选择适用的数据集。由于前面提到的成本影响，对于本次演示，我们将选择上传截断的 CSV 文件。

数据格式：

review,sentiment
"这个电影太好看了",positive
"今天心情很糟糕",negative
"你再打我，我真的很讨厌你",negative
"我今天很开心",positive

CSV 文件中有两列。一列是文本，另一列是标签。标签可以是任何字符串。在此示例中，我们有两个标签： positive 和 negative 。您可以拥有任意数量的标签。

如果您的 CSV 很大，您可以将其分成多个 CSV 文件并分别上传。请确保所有 CSV 文件中的列名称均相同。

上传完数据集文件之后，需要选择文本分割类型，以及数据集中的列映射关系。在我们的示例中，文本列称为 review ，标签列称为 sentiment 。因此，我们必须为文本列选择 review ，为标签列选择 sentiment 。请注意，如果列映射未正确完成，训练将会失败。

3.3、模型训练

下面可以看到数据已上传，可以选择的型号最少为五个型号，免费只能训练一个模型，需要升级PRO 获取 Pro 或向您的帐户添加付款方式以解锁模型训练。我们将要求 autoTRAIN 自动选择最适合此任务的五个模型。

训练一旦启动就无法停止，因此会出现下面的确认对话框。但在可能产生大量成本的情况下，这个提醒还是有必要的。随着模型的训练，排名会发生变化，并且模型卡会自动重新排列。下面您可以看到五个经过训练的模型的最终结果。

每个模型的指标下面都是可见的，似乎无法查看底层模型是什么，这是由 autoTRAIN 自动选择的。

3.4、模型测试

训练完成后可以生成测试（非生产）推理 API 以从笔记本环境进行测试，如下所示。

有效的 Python 代码如下：

import requests

API_URL = "https://api-inference.huggingface.co/models/Cobus/autotrain-banking_utterances-3301491749"
headers = {"Authorization": "Bearer xxxxxxxxxxxxxxxxxxxxxxxxxxx"}

def query(payload):
 response = requests.post(API_URL, headers=headers, json=payload)
 return response.json()

output = query({
 "inputs": "I lost my credit card and need an update on my new card delivery date.",
})
print (output)

四、AutoTrain Python API 实战

这里我们选择 Mistral 7B 模型，该模型因被评估为迄今为止最好的模型，并且它是完全开放且可免费访问的。你也可以通过 AutoTrain 训练任何其他 AI 模型。 你可以直接在此处访问 Google Colab 笔记本，其中所有说明均已准备好供你探索。

https://colab.research.google.com/drive/1gchrZ_zB9GkdbdP0MGPHDJb7grWCPAXH#scrollTo=uIssi1BiABcc

4.1、安装必要的软件包

首先，安装所需的软件包。

!pip install -q pandas
!pip install -q autotrain-advanced safetensors
!autotrain setup --update-torch

此外，我们将定义一些辅助函数来改进显示并简化与模型的交互。

# 导入必要的库以在Jupyter Notebook中自定义显示
from IPython.display import HTML, display

# 定义一个函数来设置文本换行的CSS样式
def set_css():
    display(HTML('''
    <style>
        pre {
            white-space: pre-wrap;
        }
    </style>
    '''))

# 在Jupyter Notebook中运行单元格之前注册要执行的'set_css'函数
get_ipython().events.register('pre_run_cell', set_css)

# 定义一个包装函数，用于根据用户的查询获取模型完成情况
def get_completion(query: str, model, tokenizer) -> str:
    # 指定用于模型推理的设备（例如，GPU的“cuda： 0”）
    device = "cuda:0"

    # 定义模型创建提示语的模板
    prompt_template = """
    下面是描述任务的指令。编写适当完成请求的响应。
    ### Question:
    {query}

    ### Answer:
    """

    # 通过将用户的查询格式化到模板中创建提示
    prompt = prompt_template.format(query=query)

    # 对提示语进行标记，转化为模型输入
    encodeds = tokenizer(prompt, return_tensors="pt", add_special_tokens=True)
    model_inputs = encodeds.to(device)

    # 使用模型生成文本补全
    generated_ids = model.generate(**model_inputs, max_new_tokens=1000, do_sample=True, pad_token_id=tokenizer.eos_token_id)

    # 解码生成的文本
    decoded = tokenizer.batch_decode(generated_ids)

    # 返回解码完成
    return decoded[0]

4.2、加载数据集

首先从中心获取一个小型金融知识数据集，并将其以 CSV 格式保存在 Colab 根目录中。

from datasets import load_dataset
data = load_dataset("ronal999/finance-alpaca-demo", split='train')
# 这里为了演示只加载原始数据集的1/6用于演示目的 
data = data.shard(num_shards=6, index=0)
data.to_csv("train.csv")
print(data)

要进一步探索数据集，你可以使用以下代码。

# Explore the data
df = data.to_pandas()
df.head(10)

本质上，数据集包含四列。我们将主要关注标记为“prompt”的最后一列。该列是通过将“instruction”和“output”列连接成统一的“prompt”格式而创建的。这将有助于模型更好地理解我们的指令。

4.3、运行 AutoTrain

准备好数据集之后，可以开始使用 AutoTrain 进行微调过程了。你可以通过运行 AutoTrain 命令来启动微调。AutoTrain 使我们能够使用简单的参数有效地微调模型：

• --use_peft ：启用参数高效微调以优化内存使用。

• --use_int4 ：利用 INT4 量化来减小模型大小并加快推理速度，但会牺牲一些精度。

!autotrain llm \
--train \  # 这个标志表明应该进行培训。
--project_name [YOUR_PROJECT_NAME]\  # 指定项目名称。
--model mistralai/Mistral-7B-v0.1 \  # 指定要使用的模型。
--data_path . \  # 指定数据的路径。在这种情况下，它是当前目录。
--text-column prompt \  # 指定数据中包含文本提示的列。
--learning_rate 2e-4 \  # 设置训练的学习率。
--train_batch_size 1 \  # 定义训练期间使用的批量大小。
--num_train_epochs 3 \  # 指定训练时期的数量。
--trainer sft \  # 指定用于训练的训练器。
--use_peft \  # 使用参数高效的微调 
--use_int4 \  # 使用4位量化
--lora-r 16 \  # 将“lora-r”参数设置为16 
--lora-alpha 32 \  # 将“lora-alpha”参数设置为32 
--lora-dropout 0.05 \  # 将“lora”模块的辍学率设置为0.05。
--target_modules q_proj,v_proj \  # 指定训练的目标模块。
--push_to_hub \  # 表示应将训练好的模型推送到中心或存储库。
--repo_id [Your_REPO_ID] \  # 指定应推送模型的存储库ID。
--token [YOUR_TOKEN]\  # 指定身份验证和推送到存储库所需的令牌。

如果你想了解 AutoTrain 其他可用的命令行参数，可以通过运行以下命令来查找更多详细信息。

!autotrain llm -h

4.4、加载微调模型进行推理

微调过程完成后，你可以直接从 🤗Hub 加载模型。

# 导入必要的库
import torch
from peft import PeftModel, PeftConfig
from transformers import AutoModelForCausalLM, AutoTokenizer

# 定义预训练模型的标识符
peft_model_id = "Ronal999/mistral-7b-autotrained-finance"

# 使用指定的模型标识符加载PeftModel的配置
config = PeftConfig.from_pretrained(peft_model_id)

# 加载基础模型进行因果语言建模
# - 'return_dict=True'表示模型应该以字典形式返回输出。
# - 'load_in_4bit=True'建议模型应该加载4位量化（可能是为了内存效率）。
# - 'device_map='auto"建议自动放置设备（如果有GPU，否则CPU）。
model = AutoModelForCausalLM.from_pretrained(
    config.base_model_name_or_path,
    return_dict=True,
    load_in_4bit=True,
    device_map='auto'
)

# 加载与基础模型关联的标记器
tokenizer = AutoTokenizer.from_pretrained(config.base_model_name_or_path)

# 将PeftModel加载到基本模型之上
model = PeftModel.from_pretrained(model, peft_model_id

你可以立即使用经过训练的模型进行推理。

微调模型对我们问题的完成更加一致。

五、总结

通过使用 AutoTrain 对 Mistral 7B 模型进行微调的经验我们可以发现 AutoTrain 具备几个主要优势：

• 易用性强：AutoTrain 极大地简化了模型训练流程，仅需一条指令即可启动。

• 高端技术提升效率：AutoTrain 引入了参数高效微调和量化(QLoRA)等尖端技术，能在不牺牲质量的前提下加速模型微调。

• 跨ML任务的多功能性：尽管我们展示了语言模型(LLM)的微调，但 AutoTrain 能够适应各类机器学习任务，包含NLP、CV、语音以及表格任务。

• 持续的支持：AutoTrain 得益于 Hugging Face 的支持，这显示出正在进行的开发，预计将推出更多支持的任务和功能。

六、References

[1]. AutoTrain：https://huggingface.co/autotrain

[2]. AutoTrain Docs：https://huggingface.co/docs/autotrain/index