1. 前期准备
首先,运行如下指令安装XTuner:
# 创建一个目录,用来存放源代码
mkdir -p /root/InternLM/code
cd /root/InternLM/code
git clone -b v0.1.21 https://github.com/InternLM/XTuner /root/InternLM/code/XTuner
# 进入到源码目录
cd /root/InternLM/code/XTuner
conda activate demo
# 执行安装
pip install -e '.[deepspeed]'
通过以下代码一键通过符号链接的方式链接到模型文件,这样既节省了空间,也便于管理。
# 创建一个目录,用来存放微调的所有资料,后续的所有操作都在该路径中进行
mkdir -p /root/InternLM/XTuner
cd /root/InternLM/XTuner
mkdir -p Shanghai_AI_Laboratory
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2-chat-1_8b Shanghai_AI_Laboratory/internlm2-chat-1_8b
2. 指令跟随微调
创建一个脚本文件 xtuner_generate_assistant.py,
复制 tools/xtuner_generate_assistant.py的内容到其中,指令如下所示:
cd /root/InternLM/XTuner
touch xtuner_generate_assistant.py
cd /root/InternLM/XTuner
cp /root/InternLM/Tutorial/tools/xtuner_generate_assistant.py ./
为了训练出自己的小助手,需要将脚本中name
后面的内容修改为我自己的名称,这里我选择了我的github的名称YamadaRyoo,并将n值调大,修改后的代码如下所示:
随后执行脚本生成数据文件:
cd /root/InternLM/XTuner
conda activate demo
python xtuner_generate_assistant.py
利用如下指令准备配置文件:
xtuner list-cfg -p internlm2
cd /root/InternLM/XTuner
xtuner copy-cfg internlm2_chat_1_8b_qlora_alpaca_e3 .
cd /root/InternLM/XTuner
cp /root/InternLM/Tutorial/configs/internlm2_chat_1_8b_qlora_alpaca_e3_copy.py ./
利用如下指令启动微调:
cd /root/InternLM/XTuner
conda activate demo
xtuner train ./internlm2_chat_1_8b_qlora_alpaca_e3_copy.py
微调过程的部分截图如下所示:
利用如下指令进行模型格式转换:
cd /root/InternLM/XTuner
conda activate demo
# 先获取最后保存的一个pth文件
pth_file=`ls -t ./work_dirs/internlm2_chat_1_8b_qlora_alpaca_e3_copy/*.pth | head -n 1`
export MKL_SERVICE_FORCE_INTEL=1
export MKL_THREADING_LAYER=GNU
xtuner convert pth_to_hf ./internlm2_chat_1_8b_qlora_alpaca_e3_copy.py ${pth_file} ./hf
利用以下指令进行模型合并:
cd /root/InternLM/XTuner
conda activate xtuner0121
export MKL_SERVICE_FORCE_INTEL=1
export MKL_THREADING_LAYER=GNU
xtuner convert merge /root/InternLM/XTuner/Shanghai_AI_Laboratory/internlm2-chat-1_8b ./hf ./merged --max-shard-size 2GB
3. 模型微调后的模型对话
首先将脚本中的模型路径修改为微调后的模型的路径,修改后的脚本内容如下所示:
利用如下指令启动应用:
conda activate demo
streamlit run /root/InternLM/Tutorial/tools/xtuner_streamlit_demo.py
运行后在本地进行端口映射:
最终通过浏览器访问localhost:8501即可进行对话。对话如图所示:
可见微调成功,本关任务完成。