随着人工智能(AI)和大语言模型(LLM)的快速发展,如何高效地微调这些模型以应对不同的任务,成为了学术界和工业界的重要需求。LLaMA-Factory 是一个针对这一需求的开源项目,它为用户提供了一个统一、简便的框架,帮助开发者和研究人员快速微调超过 100 种大语言模型,并支持多种优化和量化策略。
项目背景
LLaMA-Factory 是一个由 hiyouga 团队开发的微调框架,专为处理大语言模型(如 LLaMA、Mistral、BLOOM、ChatGLM 等)而设计。与传统的微调框架相比,LLaMA-Factory 通过集成多个模型优化技术(如 LoRA、QLoRA 等),极大地提高了微调的效率和性能。它支持基于 WebUI 的交互式训练、评估和推理界面,旨在简化用户在微调过程中的工作负担。
项目优势
1. 高效的微调方式
LLaMA-Factory 提供了多种微调方法,如 LoRA 微调、QLoRA 量化微调和全参数微调。相比于 ChatGLM 的 P-Tuning,LLaMA-Factory 的 LoRA 微调速度提升了 3.7 倍,且在广告文案生成任务上取得了更高的 Rouge 分数。此外,结合 4 比特量化技术,LLaMA-Factory 的 QLoRA 进一步降低了 GPU 的显存消耗,极大地提高了资源利用率。
2. 支持多种大语言模型
LLaMA-Factory 支持多种主流的大语言模型,包括 LLaMA、BLOOM、Mistral、Baichuan 和 ChatGLM 等。用户可以根据项目需求选择适合的模型进行微调。此外,LLaMA-Factory 还支持与 Hugging Face 的集成,使得模型的下载与管理更加便捷。
3. 灵活的量化和优化技术
通过结合 4/8 比特的 GPTQ 和 AWQ 量化技术,LLaMA-Factory 能够在保证模型精度的同时,显著降低显存使用。此外,该框架还支持 DPO、PPO 等多种优化算法,帮助用户快速适应不同的下游任务。
4. 便捷的用户体验
LLaMA-Factory 提供了一个基于浏览器的 WebUI 界面,用户可以直接在网页中进行模型训练、评估和推理。同时,它还支持命令行界面(CLI)和 API,用户可以根据个人喜好选择操作方式。项目还提供了对 OpenAI 风格 API 的支持,便于用户在自己的应用中集成微调后的模型。
使用方法
环境安装
您可以通过以下命令快速安装 LLaMA-Factory:
pip install llamafactory-cli
或者从源码安装:
git clone https://github.com/hiyouga/LLaMA-Factory.git
pip install -e .
微调示例
以下是一些微调 LLaMA 模型的示例代码:
- LoRA 微调
llamafactory-cli train examples/train_lora/llama3_lora_pretrain.yaml
QLoRA 微调(推荐)
llamafactory-cli train examples/train_qlora/llama3_lora_sft_otfq.yaml
全参数微调
FORCE_TORCHRUN=1 llamafactory-cli train examples/train_full/llama3_full_sft_ds3.yaml
模型推理
llamafactory-cli chat examples/inference/llama3_lora_sft.yaml
支持的优化器与硬件
LLaMA-Factory 支持多种优化器,如 Adam-mini、BAdam 等,进一步提高了模型的优化效率。它同时支持 GPU 和 NPU 设备,并集成了 DeepSpeed ZeRO-3 以平均分配显存,降低大模型训练的资源需求。此外,用户还可以通过 RoPE 扩展模型的上下文长度,在更长序列的任务中取得更好的效果。
总结
LLaMA-Factory 提供了一个强大且灵活的框架,适合研究人员和开发者进行大规模语言模型的微调和推理。通过集成多种先进的优化和量化技术,它能够帮助用户在有限的资源下实现更高效的模型训练。无论您是希望在现有项目中微调模型,还是进行全新的模型开发,LLaMA-Factory 都能为您提供便捷的工具和支持。
项目链接
您可以通过 LLaMA-Factory GitHub 仓库 获取更多信息,并尝试使用这一高效的微调框架。
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。