大模型微调方法实现

pursuit1000wyeu

已于 2024-09-13 19:35:56 修改

阅读量251

点赞数 2

文章标签：语言模型

于 2024-09-13 19:19:29 首次发布

本文链接：https://blog.csdn.net/pursuit1000wyeu/article/details/142171283

版权

本博文以Qwen模型为例，分别使用魔搭社区和LlamaFactory 两种方式实现微调。

⭐️ 魔搭社区

登录个人主页👉我的Notebook👉使用实例GPU环境

1. 根据如下方法准备环境：

## 准备环境

```
# 下载qwen和模型
git clone https://github.com/QwenLM/Qwen.git
git clone https://www.modelscope.cn/qwen/Qwen-1_8B-Chat.git

# 安装依赖
pip install -r requirements.txt

# 安装torch
下载地址：http://download.pytorch.org/whl/torch_stable.html
wget http://download.pytorch.org/whl/cu121/torch-2.1.1%2Bcu121-cp310-cp310-linux_x86_64.whl        # 云服务上输入该行代码，下载，完成后运行下一行代码
pip install torch-2.1.1+cu121-cp310-cp310-linux_x86_64.whl

# 安装deepspeed
pip install "peft<0.8.0" deepspeed

```

2. 上传数据集，配置微调参数：

## 微调

# 准备训练数据:trans_data.json

```
cd Qwen

# 移动finetune_lora_single_gpu.sh到Qwen目录下，授予权限
cp finetune/finetune_lora_single_gpu.sh ./
chmod +x finetune_lora_single_gpu.sh              

# 修改微调配置
vim finetune_lora_single_gpu.sh           


# 微调，根据需要修改文件路径
./finetune_lora_single_gpu.sh -m /mnt/workspace/Qwen/Qwen-1_8B-Chat -d /mnt/workspace/data/trans_data.json

# 合并模型，模型合并文件qwen_lora_merge.py上传到Qwen文件夹里，然后修改微调模型路径
lora_model_path="/mnt/workspace/Qwen/output_qwen/checkpoint-30"

# 合并模型
python qwen_lora_merge.py 

```

在finetune_lora_single_gpu.sh文件中修改微调配置：例如训练轮次num_train_epochs，

批大小per_device_train_batch_size，保存间隔save_steps等。如下是各个参数释义：

-model_name_or_path $MODEL：指定要进行微调的预训练模型的名称或路径。
--data_path $DATA：指定用于微调的数据集的路径。
--bf16 False：表示不使用 bfloat16 数据类型。
--output_dir output_qwen：指定微调后模型的输出目录。
--num_train_epochs 5：设置训练的轮数为 5。
--per_device_train_batch_size 2：每个设备上的训练批次大小为 2。
--per_device_eval_batch_size 1：每个设备上的评估批次大小为 1。
--gradient_accumulation_steps 8：梯度累积的步数，有助于在内存有限的情况下使用较大的批次大小。
--evaluation_strategy "no"：不进行评估策略。
--save_strategy "steps"：按照步数进行模型保存策略。
--save_steps 20：每 20 步保存一次模型。
--save_total_limit 10：保存的模型总数限制为 10。
--learning_rate 3e-4：设置学习率为 3e-4。
--weight_decay 0.1：设置权重衰减为 0.1。
--adam_beta2 0.95：Adam 优化器的 beta2 参数设置为 0.95。
--warmup_ratio 0.01：学习率 warmup 的比例为 0.01。
--lr_scheduler_type "cosine"：学习率调度器类型为余弦退火（cosine）。
--logging_steps 1：每一步都进行日志记录。
--report_to "none"：不向任何地方报告。
--model_max_length 512：模型的最大长度为 512。
--lazy_preprocess True：使用懒加载预处理。
--gradient_checkpointing：启用梯度检查点，以减少内存使用。
--use_lora：使用低秩适应（LoRA）技术进行微调。

3. 测试

💥 交互式Demo

```
cd Qwen
python cli_demo.py -c Qwen-1_8B-Chat_merge

```

## 退出
:exit

💥Web Demo

```
pip install gradio
pip install mdtex2html
# 启动服务
python web_demo.py --cpu-only -c=Qwen-1_8B-Chat
# 查看web界面
http://127.0.0.1:8000/

```

4. 常见问题解决

1、ImportError: cannot import name 'packaging' from 'pkg_resources' 

```
解决方案：
pip uninstall setuptools
pip install setuptools==69.5.1 --no-cache-dir

```

2、ValueError: Your setup doesn't support bf16/gpu. You need torch>=1.10, using Ampere GPU with cuda>=11.0

```
解决方案：
需要修改finetune_lora_single_gpu.sh文件，最下面有说明
--bf16 True 修改为 --bf16 False 
或者
--bf16 True  修改为 --fp16 True

```

3、TypeError: isin() received an invalid combination of arguments - got 

```
解决方案：
pip install coqui-tts

```

若出现如下报错执行下方代码：

sed -i 's/\r$//' ./finetune_lora_single_gpu.sh

⭐️ LlamaFactory

使用阿里云PAI平台👉交互式建模（DSW）👉创建实例

1. 准备环境，下载模型：

## 下载模型 和 LlamaFactory
git clone https://www.modelscope.cn/qwen/Qwen-1_8B-Chat.git
git clone https://github.com/hiyouga/LLaMA-Factory.git

## 安装
wget http://download.pytorch.org/whl/cu121/torch-2.1.1%2Bcu121-cp310-cp310-linux_x86_64.whl
pip install torch-2.1.1+cu121-cp310-cp310-linux_x86_64.whl    

pip uninstall -y vllm
pip install llamafactory[metrics]==0.7.1
pip install accelerate==0.30.1

cd LLaMA-Factory

pip install -e.[torch,metrics]
pip install -r requirements.txt
pip install --no-deps -e .

2. 上传数据集，配置微调参数：

## 上传数据集  到LLaMA-Factory/data/目录，并修改同目录下的dataset_info.json，参照如下格式修改：

```
  "mydata": {
    "file_name": "trans_data.json",
    "formatting":"sharegpt",
    "columns": {
        "messages": "conversations",
        "tools":"id"
    },
    "tags": {
        "role_tag": "from",
        "content_tag": "value",
        "user_tag": "user",
        "assistant_tag": "assistant"
    }
  },

```

## 启动微调-web
pip install tf-keras

export GRADIO_SERVER_PORT=7860 GRADIO_ROOT_PATH=/${JUPYTER_NAME}/proxy/7860/
CUDA_VISIBLE_DEVICES=0 USE_MODELSCOPE_HUB=1 python src/webui.py

## 也可访问如下地址
# dsw-######       # 换成自己的
https://dsw-gateway-cn-shanghai.data.aliyun.com/dsw-######/proxy/7860/

访问网址即可展示如下微调界面：

修改相应参数，训练模型