基于LaMA-Factory微调llama3.1-8B

最新推荐文章于 2024-09-15 15:29:29 发布

Python_金钱豹

最新推荐文章于 2024-09-15 15:29:29 发布

阅读量979

点赞数 13

文章标签：人工智能百度语言模型自然语言处理算法

本文链接：https://blog.csdn.net/python_cocola/article/details/141968692

版权

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。

在这里插入图片描述