大模型微调1——使用LoRA微调qwen模型优化推理效果

任务

使用LoRA微调技术微调qwen大模型，优化大模型在逻辑推理上的回答效果。任务详情可参考第二届世界科学智能大赛逻辑推理赛道：复杂推理能力评估。

LoRA微调步骤

首先是数据集和大模型准备，然后加载tokenizer和model，之后需要将文本数据转为模型能够读取的token，并配置微调训练的各项参数，然后就可以开启训练了，训练完将LoRA层参数与原模型参数合并（其原理详见大模型LoRA微调过程）。

补充说明： 本文所作微调非常基础，可以让初学者对模型微调框架有个大概认知。完整代码已上传至我的资源`，其中包含数据集、运行环境搭建教程、LoRA微调代码。

1、数据集准备

官方给出数据集round1_train_data.jsonl，一条数据的样例如下：

{
  'problem': 
        '有一群人和一些食物类型。下列是关于这些个体和食物的已知信息：\n\n1. 鸡肉是一种食物。\n2. 苹果是一种食物。\n3. 如果X吃了Y，且X活着，则Y是一种食物。\n4. Bill存活。\n5. Bill吃了花生。\n6. John吃所有食物。\n7. Sue吃所有Bill吃的食物。\n8. John喜欢所有食物。\n\n根据以上信息，回答以下选择题：', 
   'questions': [
        {
        'question': '选择题 1：\n谁喜欢吃花生？', 
        'options': ['Bill', 'Sue', 'John', 'None of the above']
        }
    ], 'id': 'round1_test_data_000'
}

其中，每条数据包含“problem”、“question”、“options”、“id”，“question”可以有多个，每个question都需要推理一次，因此不仅要对每个problem转为prompt，还需要将拆分级别进一步到question

设计如下prompt模板：

def get_prompt(problem, question, options):  
    prompt = f"""你是一个逻辑推理专家，擅长解决各个领域不同类型的逻辑推理问题。你能够针对问题已知条件一步一步进行推理，最终得到符合逻辑的结果。即使面对棘手的逻辑推理问题，你也能一步一步慢慢分析，最终得到正确结果。以下是一个逻辑推理的题目，形式为单项选择题。所有的问题都是（close-worldassumption）闭世界假设，即未观测事实都为假。请逐步分析问题并在最后一行输出答案，最后一行的格式为"答案是：A"。题目、问题分别如下：

### 题目:
{problem}

### 问题:
{question}
{options}
""" 
# ### 提示：
# 1、请基于已知条件和逻辑推理得出结论。
# 2、请逐步解释推理过程，确保每一步都有逻辑支撑。
    # print(prompt)
    return prompt

构建的新数据包含“instruction”、“input”、“output”，这里对这三个字段做简略说明：

​ instruction: 描述模型需要执行的任务或指令。这部分告诉模型它应该完成什么样的操作。

​ input: 任务的输入内容。如果指令需要具体的上下文或输入信息，这里会包含相关数据。如果任务是开放式的或不需要特定输入，可以将其设置为空字符串。

​ output: 模型在给定指令和输入的情况下需要生成的预期输出。通常是目标答案或期望的响应。

在构建数据集时，还可能引入其他字段，例如：

​ context: 用来提供额外的上下文信息，这可能是任务的背景、相关的知识点等，帮助模型更好地理解指令。特别是在多轮对话或需要参考更多上下文的任务中，这个字段会非常有用。

​ metadata: 这个字段可以包含任务的附加信息，比如数据来源、任务类型（如分类、生成、翻译等）、难度级别等。它有助于在微调过程中对不同类型的数据进行筛选或加权。

​ example_id: 每个数据样本的唯一标识符，有助于数据的跟踪和管理，尤其是用于大型数据集或进行错误分析时。

​ tags: 可以为每个数据条目添加标签，用于标注数据的特性，例如“对话”、“情感分析”、“问答”等。这有助于在微调过程中根据不同任务类型筛选数据。

​ output_type: 如果输出有多种格式（如文本、代码、摘要等），这个字段可以标明输出的具体类型，帮助模型在生成时选择合适的策略。

​ source: 指示数据样本的来源或数据集的创建方式，可能包括数据的来源网站、生成方法（如人工创建或自动生成）等信息。

​ language: 标识数据的语言，尤其在多语言微调时，这个字段有助于模型识别并使用不同语言的信息。

​ timestamp: 记录数据创建或收集的时间，在涉及时间相关任务（如时间敏感的新闻分析）时，这个字段可以提供上下文信息。

新数据集构建名为an_train.json，构建的新数据示例如下：

 {
        "instruction": "你是一个逻辑推理专家，擅长解决逻辑推理问题。以下是一个逻辑推理的题目，形式为单项选择题。所有的问题都是（close-world assumption）闭世界假设，即未观测事实都为假。请逐步分析问题并在最后一行输出答案，最后一行的格式为\"答案是：A\"。题目如下：\n\n### 题目:\n假设您需要构建一个二叉搜索树，其中每个节点或者是一个空的节点（称为\"空节点\"），或者是一个包含一个整数值和两个子树的节点（称为\"数值节点\"）。以下是构建这棵树的规则：\n\n1. 树中不存在重复的元素。\n2. 对于每个数值节点，其左子树的所有值都小于该节点的值，其右子树的所有值都大于该节点的值。\n3. 插入一个新值到一个\"空节点\"时，该\"空节点\"会被一个包含新值的新的数值节点取代。\n4. 插入一个已存在的数值将不会改变树。\n\n请基于以上规则，回答以下选择题：\n\n### 问题:\n选择题 1：\n给定一个空的二叉搜索树，插入下列数字: [5, 9, 2, 10, 11, 3]，下面哪个选项正确描述了结果树的结构？\nA. tree(5, tree(2, tree(3, nil, nil), nil), tree(9, tree(10, nil, nil), tree(11, nil, nil)))\nB. tree(5, tree(2, nil, tree(3, nil, nil)), tree(9, nil, tree(10, nil, tree(11, nil, nil))))\nC. tree(5, tree(3, tree(2, nil, nil), nil), tree(9, nil, tree(10, tree(11, nil, nil), nil)))\nD. tree(5, nil, tree(2, nil, tree(3, nil, nil)), tree(9, tree(11, nil, nil), tree(10, nil, nil)))\n",
        "input": "",
        "output": "B"
    },

2、下载大模型

受显卡资源限制，使用qwen2-1.5b-instruct模型，这里推荐阿里的魔塔社区下载方式，非常快，常见的大模型下载方式可查看超快捷的大模型下载方式

from modelscope import snapshot_download
model_dir = snapshot_download('qwen/Qwen2-1.5B-Instruct', cache_dir='./', revision='master')

3、加载tokenizer和model

tokenizer = AutoTokenizer.from_pretrained('./qwen/Qwen2-1___5B-Instruct', use_fast=False, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained('./qwen/Qwen2-1___5B-Instruct', device_map="auto")#,torch_dtype=torch.bfloat16)

4、训练数据格式化

Lora 训练的数据是需要经过格式化、编码之后再输入给模型进行训练的，通常需要将输入文本编码为 input_ids，将输出文本编码为 labels，编码之后的结果都是多维的向量。我们首先定义一个预处理函数，这个函数用于对每一个样本，编码其输入、输出文本并返回一个编码后的字典：【对process_fun函数的详细说明可参考大模型微调中的process_fun函数是干嘛的？】

def process_func(example):
    MAX_LENGTH = 384    # Llama分词器会将一个中文字切分为多个token，因此需要放开一些最大长度，保证数据的完整性
    instruction = tokenizer(f"{example['input']}<sep>")
    response = tokenizer(f"{example['output']}<eod>")
    input_ids = instruction["input_ids"] + response["input_ids"]
    attention_mask = [1] * len(input_ids) 
    labels = [-100] * len(instruction["input_ids"]) + response["input_ids"] # instruction 不计算loss

    if len(input_ids) > MAX_LENGTH:  # 做一个截断
        input_ids = input_ids[:MAX_LENGTH]
        attention_mask = attention_mask[:MAX_LENGTH]
        labels = labels[:MAX_LENGTH]

    return {
        "input_ids": input_ids,
        "attention_mask": attention_mask,
        "labels": labels
    }

5、配置LoRA的参数

定义LoraConfig：

LoraConfig这个类中可以设置很多参数，但主要的参数没多少，详细参数说明可参考peft.LoraConfig()参数说明。

• task_type：模型类型
• target_modules：需要训练的模型层的名字，主要就是attention部分的层，不同的模型对应的层的名字不同，可以传入数组，也可以字符串，也可以正则表达式。
• r：lora的秩，具体可以看Lora原理
• lora_alpha：Lora alaph，具体作用参见 Lora 原理

config = LoraConfig(
    task_type=TaskType.CAUSAL_LM, 
    target_modules=["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj"],
    inference_mode=False, # 训练模式
    r=8, # Lora 秩
    lora_alpha=32, # Lora alaph，具体作用参见 Lora 原理
    lora_dropout=0.1# Dropout 比例
)

创建PeftModel

使用 get_peft_model() 函数创建一个 PeftModel。

model = get_peft_model(model, config)
# 可打印下模型可训练参数情况：
model.print_trainable_parameters()

模型可训练参数情况为：

trainable params: 9,232,384 || all params: 1,552,946,688 || trainable%: 0.5945074657965335

可以看出，LoRA训练的参数仅占模型所有参数的0.59%，其实是非常少的。

自定义 TrainingArguments 参数

TrainingArguments这个类用于设置模型训练参数。

• output_dir：模型的输出路径
• per_device_train_batch_size：顾名思义 batch_size
• gradient_accumulation_steps: 梯度累加，如果你的显存比较小，那可以把 batch_size 设置小一点，梯度累加增大一些。
• logging_steps：多少步，输出一次log
• num_train_epochs：顾名思义 epoch
• gradient_checkpointing：梯度检查，这个一旦开启，模型就必须执行model.enable_input_require_grads()，这个原理大家可以自行探索

args = TrainingArguments(
    output_dir="./output/Qwen2_1___5B_instruct_lora",
    per_device_train_batch_size=1,
    gradient_accumulation_steps=4,
    logging_steps=10,
    num_train_epochs=1,
    save_steps=100, 
    learning_rate=1e-4,
    save_on_each_node=True,
    gradient_checkpointing=True
)

6、开启训练

trainer = Trainer(
    model=model,
    args=args,
    train_dataset=tokenized_id,
    data_collator=DataCollatorForSeq2Seq(tokenizer=tokenizer, padding=True),
)
torch.backends.cuda.enable_mem_efficient_sdp(False)
trainer.train()

7、训练结束后，合并LoRA和原模型参数

mode_path = './qwen/Qwen2-1___5B-Instruct/'
lora_path = './output/Qwen2_1___5B_instruct_lora/checkpoint-300' # 这里改称你的 lora 输出对应 checkpoint 地址

# 加载tokenizer
tokenizer = AutoTokenizer.from_pretrained(mode_path, trust_remote_code=True)

# 加载模型
model = AutoModelForCausalLM.from_pretrained(mode_path, device_map="auto",torch_dtype=torch.float16, trust_remote_code=True).eval()

# 加载lora权重
model = PeftModel.from_pretrained(model, model_id=lora_path)

# 模型合并存储
new_model_directory = "./merged_model_1___5B_1"
merged_model = model.merge_and_unload()    
# 将权重保存为safetensors格式的权重, 且每个权重文件最大不超过2GB(2048MB)
merged_model.save_pretrained(new_model_directory, max_shard_size="2048MB", safe_serialization=True)

import shutil
# 定义源文件路径和目标文件路径
source = './qwen/Qwen2-1___5B-Instruct/tokenizer.json'
destination = './merged_model_1___5B_1/'
# 使用 shutil.copy 将文件从 source 复制到 destination
shutil.copy(source, destination)

至此，得到LoRA微调后的模型，存储在merged_model_1___5B_1文件夹中。

参考文献：

1、‬⁠‌‍‍‍‌‌⁠‍‍‍‍⁠‍‬‍‍‬‍⁠‌⁠Task3 baseline02 微调方案 - 飞书云文档 (feishu.cn)