为什么要使用LLaMA-Factory进行微调?
在处理大模型微调的工作中,我们常常会面临各种棘手的问题。比如,传统的微调方法不仅复杂繁琐,还对技术和资源有着很高的要求,让很多人望而却步。然而,LLaMA-Factory 的出现改变了这一局面。
它最大的优势就是让大模型的微调变得轻而易举。不再需要您具备深厚的技术功底和大量的计算资源投入,就能实现对模型的优化和改进。
同时,在模型量化方面,它能够有效地压缩模型的规模,大大减少了模型运行所需的计算量和存储空间。这意味着您可以在性能稍弱的设备上也能流畅地运行模型,使其应用不再受限于高端硬件。
还有很重要的一点,LLaMA-Factory 提供了一站式的服务。从开始的模型微调,到中间的量化处理,再到最后的顺利运行,整个过程一气呵成,无需您在不同的工具和流程之间来回折腾,节省了大量的时间和精力。
如何使用LLaMA-Factory进行微调?
安装
使用它,比较简单,首先需要到它的github地址:github.com/hiyouga/LLa… 下载这个项目代码,你可以使用git clone 下载 该代码。
git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
下载到本地后进入项目目录,安装相关依赖。
pip install -e .[metrics]
注:
-e
表示以可编辑(editable)模式安装当前目录下的项目。这意味着安装后,你对项目源代码的修改会直接反映在已安装的版本中,无需重新安装。点(.)表示当前目录,即要安装当前目录下的项目。
如果安装完成后,可以通过如下命令检查是否安装成功
llamafactory-cli version
如果安装成功,会返回类似如下内容:
| Welcome to LLaMA Factory, version 0.8.3.dev0 |
| |
Project page: github.com/hiyouga/LLa…
启动
安装完成之后,可以启动查看它的WebUI界面,在界面上更加方便我们微调模型。
llamafactory-cli webui
命令执行之后,出现如下响应代表成功启动了webui界面。
默认开启端口7860,在浏览器中输入地址即可访问。
这里有很多的参数,不过大多数参数并不需要改动,使用默认的即可。其他的参数用到时再说。
数据准备
LLaMA-Factory提供了很多内置的数据可供微调,在界面的数据集选择框中可以选择,不过我们微调肯定是希望使用自己准备的数据,下面就说下如何准备自己的数据。
目前LLaMA-Factory 只支持两种格式的数据集,alpaca 格式和 sharegpt 格式。我们只需要按照格式准备数据,然后将数据文件放入到 LLaMA-Factory项目的 data 目录下,然后在 dataset_info.json中 填写 你自定义的数据集名称和 你的数据集文件名称 即可。
Alpaca 格式
需要注意的是,该格式数据集包括 指令监督微调数据集、预训练数据集、偏好数据集、KTO 数据集和多模态数据集等不同类型的格式。
指令监督微调数据集
在指令监督微调时,instruction
列对应的内容会与 input
列对应的内容拼接后作为人类指令,即人类指令为 instruction\ninput
。而 output
列对应的内容为模型回答。
如果指定,system
列对应的内容将被作为系统提示词。
history
列是由多个字符串二元组构成的列表,分别代表历史消息中每轮对话的指令和回答。注意在指令监督微调时,历史消息中的回答内容也会被用于模型学习。
例如 data.json的内容如下:
[
{
“instruction”: “人类指令(必填)”,
“input”: “人类输入(选填)”,
“output”: “模型回答(必填)”,
“system”: “系统提示词(选填)”,
“history”: [
[“第一轮指令(选填)”, “第一轮回答(选填)”],
[“第二轮指令(选填)”, “第二轮回答(选填)”]
]
}
]
对于上述格式的数据,dataset_info.json
中的_数据集描述_应为:
{"自定义数据集名称": { "file_name": "data.json", "columns": { "prompt": "instruction", "query": "input", "response": "output", "system": "system", "history": "history" } }
columns字段里的内容可以省去不写,可以简写为:
“数据集名称”: {
“file_name”: “data.json”
}
预训练数据集
在预训练时,只有 text
列中的内容会用于模型学习。
data.json内容如下:
[ {"text": "document"}, {"text": "document"}]
对于上述格式的数据,dataset_info.json
中的_数据集描述_应为:
"数据集名称": { "file_name": "data.json", "columns": { "prompt": "text" } }
具体的实际数据格式都在 data 目录下的 dataset_info.json 文件,比如下面的法律方面的数据:
在微调模型的过程中,最麻烦的莫过于准备数据了,因为训练或微调需要的数据只能是特定格式的数据,你不可能把混乱的、自己都看不懂的数据交给模型去训练。那如何将混乱的原始数据转为特定格式的数据,是模型微调前要准备的。
开始微调
当准备好数据之后,剩下的就交给LLaMA-Factory吧,操作起来还是比较简单的。
基本的过程如下:
- 启动WebUI界面,启动命令 :llamafactory-cli webui
- 选择基础模型
- 选择一个或多个你准备好的数据集
- 选择微调方法,默认是lora,还可以选择full(全量微调)、freeze (冻结微调)。
- 设置训练参数,比如学习率、训练轮数、批处理大小、
- 点击开始按钮,开始进行微调��在右边会出现模型的损失曲线图。当下面显示训练完毕时,就训练完成了。
- 微调结果的lora权重参数在输出目录下可以看到,配置路径也被保存起来了。
- 训练过程中,你可以选择中断训练,然后在检查点输入 之前 lora权重的目录,就可以在之前的训练结果上接着训练了。
如果你不想通过界面微调的话,可以点击预览命令,那么会显示微调的命令,你拷贝这个命令就可以在命令行执行。
模型评估
模型评估完成后会在界面上显示评估数据集的分数。其中,ROUGE分数衡量了模型输出答案和评估集中的标准答案的相似度,ROUGE分数越高代表模型学习得越好。
对话测试
在Web UI的 界面 Chat页签下,通过使用你之前微调结果的输出的检查点路径,加载微调后的模型进行对话测试。先点击加载模型,然后就可以在下面的文本框中输入文本了。
如果你想看没有微调的效果是如何的,取消检查点路径中选中的路径即可。
模型导出
在Web UI的 界面 Export 页签下,填写你要保存的输出地址,然后点击开始导出即可。
因为我这边模型的量化是通过其他方式实现的,比如Ollama,有关模型导出后,如何量化、部署、运行的,请关注我哦,后续会出相关的文章讲解~~
如何系统的去学习大模型LLM ?
作为一名热心肠的互联网老兵,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。
😝有需要的小伙伴,可以V扫描下方二维码免费领取🆓
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1:AI大模型时代的基础理解
- 目标:了解AI大模型的基本概念、发展历程和核心原理。
- 内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践 - L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
- 目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
- 内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例 - L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词 - L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用 - L2.4 总结与展望
- L2.1 API接口
阶段3:AI大模型应用架构实践
- 目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
- 内容:
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节 - L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景 - L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例 - L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例 - L3.5 其他大模型介绍
- L3.1 Agent模型框架
阶段4:AI大模型私有化部署
- 目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
- 内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划:
- 阶段1:1-2个月,建立AI大模型的基础知识体系。
- 阶段2:2-3个月,专注于API应用开发能力的提升。
- 阶段3:3-4个月,深入实践AI大模型的应用架构和私有化部署。
- 阶段4:4-5个月,专注于高级模型的应用和部署。
这份完整版的大模型 LLM 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取🆓