Background
大模型的训练目前主要分为Pre-training和Post-training,受限于资源算力等原因,实际工作中更多用到的是SFT。
-
对于普通用户来说SFT仍然具备较高的门槛,需要了解一定的理论基础,准备用于微调的数据,由于不同基座模型相应的微调方法也不一样,需要对超参数优化等其他问题
-
目前可以通过完善的微调框架来简化上面的情况,常用框架如:
-
LaMA-Factory: https://github.com/hiyouga/LLaMA-Factory
-
swift: https://github.com/modelscope/swift
-
unsloth: https://github.com/unslothai/unsloth
-
mlx: https://github.com/ml-explore/mlx
-
SuperAdapters: https://github.com/cckuailong/SuperAdapters
-
Firefly: https://github.com/yangjianxin1/Firefly
-
这里推荐使用LaMA-Factory
-
支持多种模型:LLaMA、LLaVA、Mistral、Mixtral-MoE、Qwen、Qwen2-VL、Yi、Gemma、Baichuan、ChatGLM、Phi 等等。
-
集成方法:(增量)预训练、(多模态)指令监督微调、奖励模型训练、PPO 训练、DPO 训练、KTO 训练、ORPO 训练等等。
-
多种精度:16 比特全参数微调、冻结微调、LoRA 微调和基于 AQLM/AWQ/GPTQ/LLM.int8/HQQ/EETQ 的 2/3/4/5/6/8 比特 QLoRA 微调。
-
先进算法:GaLore、BAdam、Adam-mini、DoRA、LongLoRA、LLaMA Pro、Mixture-of-Depths、LoRA+、LoftQ、PiSSA 和 Agent 微调。
-
实用技巧:FlashAttention-2、Unsloth、Liger Kernel、RoPE scaling、NEFTune 和 rsLoRA。
-
实验监控:LlamaBoard、TensorBoard、Wandb、MLflow 等等。
-
极速推理:基于 vLLM 的 OpenAI 风格 API、浏览器界面和命令行接口。
由于2024年6月后,LaMA-Factory进行了升级,相较于原来操作更加简单便捷。
本文介绍下目前新版对llama3.1的微调
基于LaMA-Factory对llama3.1 8B进行微调
1. 环境配置
- 查看当前硬件显卡驱动CUDA
nvidia-smi
官方推荐:
推荐使用
-
py3.10
-
cuda 12.2
- 创建虚拟环境及安装LLaMA-Factory
# 1. 创建虚拟环境 conda create -n llama-factory python=3.11 # 2. 激活虚拟环境 source activate conda activate llama-factory # 3 安装LLaMA-Factory # 3.1 切换到工作路径 cd /home/work # 3.2 下载LLaMA-Factory git clone https://github.com/hiyouga/LLaMA-Factory.git # 3.3 pip 安装依赖 pip install -e ".[torch,metrics]"
- 依赖校验 注意:可以通过下面的命令查看依赖的安装情况
# 查看当前环境信息 python -m torch.utils.collect_env # 查看conda安装版本信息 conda list # CUDA和Pytorch环境校验 在python下 import torch torch.cuda.current_device() torch.cuda.get_device_name(0) torch.__version__
如果发现安装的cuda不是GPU版本,或者版本不匹配,可以直接去pytorch官网安装相应的pytorch
- 安装GPU版本torch conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia
- 安装成功验证 在LLaMA-Factory路径下对库进行校验
llamafactory-cli version llamafactory-cli train -h
如果出现下面输出则成功:
安装成功后可以通过webui在网页操作进行微调评估等操作
llamafactory-cli webui
- run with demo
# 切换为你下载的模型文件目录, 这里的demo是Llama-3-8B-Instruct # 如果是其他模型,比如qwen,chatglm,请使用其对应的官方demo model_id = "/path/to/Meta-Llama-3-8B-Instruct" pipeline = transformers.pipeline( "text-generation", model=model_id, model_kwargs={"torch_dtype": torch.bfloat16}, device_map="auto", ) messages = [ {"role": "system", "content": "You are a pirate chatbot who always responds in pirate speak!"}, {"role": "user", "content": "Who are you?"}, ] prompt = pipeline.tokenizer.apply_chat_template( messages, tokenize=False, add_generation_prompt=True ) terminators = [ pipeline.tokenizer.eos_token_id, pipeline.tokenizer.convert_tokens_to_ids("<|eot_id|>") ] outputs = pipeline( prompt, max_new_tokens=256, eos_token_id=terminators, do_sample=True, temperature=0.6, top_p=0.9, ) print(outputs[0]["generated_text"][len(prompt):])
2. 上传数据集
配置好环境后,需要准备用于微调的数据集。
需要在examples/train_lora/llama3_lora_sft.yaml文件中修改dataset, 如果不修改则使用默认数据集:
### dataset dataset: identity,alpaca_en_demo
如果要用自己的数据集,则需要将数据上传到data路径下,并且在data中注册data/dataset_info.json进行注册,如
`{ "your_data": { "file_name": "your_data.json" },`
3. 微调
这里演示使用lora微调
1. 更改模型地址
# 修改sft ymal文件 vi examples/train_lora/llama3_lora_sft.yaml # 使用llama3.1-8B模型文件 model_name_or_path: /path/to/Meta-Llama-3___1-8B-Instruct # 模型微调后的结果文件存储路径 output_dir: saves/llama3-8b/lora/sft
2. Run SFT
llamafactory-cli train examples/train_lora/llama3_lora_sft.yaml # 或者指定卡 # CUDA_VISIBLE_DEVICES=0 llamafactory-cli train examples/lora_single_gpu/llama3_lora_sft.yaml
3. 训练过程中内存占用情况
这里使用了两张A100-80G,实际1张A100也可以跑起来,
4. 评估预测
# 在 MMLU/CMMLU/C-Eval 上评估 CUDA_VISIBLE_DEVICES=0 llamafactory-cli eval examples/lora_single_gpu/llama3_lora_eval.yaml # 批量预测并计算 BLEU 和 ROUGE 分数 CUDA_VISIBLE_DEVICES=0 llamafactory-cli train examples/lora_single_gpu/llama3_lora_predict.yaml
4. Merge
模型微调后的结果需要与基座模型进行merge
# 1. 修改merge yaml文件,修改model path和微调文件path及最终merge导出文件地址 cd /home/LLaMA-Factory vi examples/merge_lora/llama3_lora_sft.yaml ### Note: DO NOT use quantized model or quantization_bit when merging lora adapters ### model model_name_or_path: /path/to/Meta-Llama-3___1-8B-Instruct adapter_name_or_path: saves/llama3-8b/lora/sft template: llama3 finetuning_type: lora ### export export_dir: models/llama3_lora_sft export_size: 2 export_device: cpu export_legacy_format: false # 2. run merge llamafactory-cli export examples/merge_lora/llama3_lora_sft.yaml
5.Infer
使用微调后的模型进行推理
llamafactory-cli chat examples/inference/llama3_lora_sft.yaml
reference:
- LlamaFactory: Unified Efficient Fine-Tuning of 100+ Language Models https://arxiv.org/abs/2403.13372
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。