AI大模型 | 基于LLaMA-Factory框架对Qwen2-7B模型进行微调实践

一、引言

在当前人工智能的发展中，大型语言模型（LLMs）已成为NLP研究和应用的关键。Qwen2-7B模型作为领域的领先者，以其巨大的参数量和强大的功能获得了广泛注意，尤其是它在经过微调后能更好地完成特定任务。本文旨在详述如何运用LLaMA-Factory框架高效微调Qwen2-7B模型，以优化其在特定任务中的表现。

二、LLaMA-Factory简介

LLaMA-Factory是一个集多种微调技术于一身的高效框架，支持包括Qwen2-7B在内的多种大型语言模型。它通过集成如LoRA、QLoRA等先进的微调算法，以及提供丰富的实验监控工具，如LlamaBoard、TensorBoard等，为用户提供了一个便捷、高效的微调环境。此外，LLaMA-Factory还支持多模态训练方法和多硬件平台，包括GPU和Ascend NPU，进一步拓宽了其应用范围。

三、安装modelscope

在国内，由于网络环境的特殊性，直接从国际知名的模型库如Hugging Face下载模型可能会遇到速度慢或连接不稳定的问题。为了解决这一问题，我们选择使用国内的ModelScope平台作为模型下载的渠道。ModelScope不仅提供了丰富的模型资源，还针对国内用户优化了下载速度。

修改模型库为modelscope

登录后复制

export USE_MODELSCOPE_HUB=1
修改模型缓存地址，否则默认会缓存到/root/.cache，导致系统盘爆满
export MODELSCOPE_CACHE=/root/autodl-tmp/models/modelscope

• 1.
• 2.
• 3.

学术资源加速

登录后复制

source /etc/network_turbo

• 1.

安装modelscope（用于下载modelscope的相关模型）

登录后复制

pip install modelscope

• 1.

四、模型下载

在下载Qwen2-7B模型之前，我们首先需要设置modelscope的环境变量，确保模型能够被正确地缓存到指定的路径，避免因为默认路径导致的空间不足问题。接下来，通过编写一个简单的Python脚本，我们可以使用modelscope的API来下载所需的模型。

使用 modelscope 中的 snapshot_download 函数下载模型，第一个参数为模型名称，参数 cache_dir 为模型的下载路径。

登录后复制

from modelscope import snapshot_download
model_dir = snapshot_download(
'qwen/Qwen2-7B',
cache_dir='/root/autodl-tmp',
revision='master')

• 1.
• 2.
• 3.
• 4.
• 5.

运行python /root/autodl-tmp/d.py 执行下载；执行完成如下：

五、安装LLaMA-Factory

LLaMA-Factory的安装过程相对简单，通过Git克隆仓库后，使用pip安装即可。这一步骤是整个微调流程的基础，为后续的操作提供了必要的工具和库。

登录后复制

git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git

cd LLaMA-Factory
pip install -e ".[torch,metrics]"

• 1.
• 2.
• 3.
• 4.

六、启动LLaMA-Factory

在LLaMA-Factory安装完成后，我们可以通过简单的命令启动其Web UI界面。这一界面提供了一个用户友好的操作环境，使得微调过程更加直观和便捷。

修改gradio默认端口

登录后复制

export GRADIO_SERVER_PORT=6006

• 1.

启动LLaMA-Factory

登录后复制

llamafactory-cli webui

• 1.

启动如下：

七、LLaMA-Factory操作实践

1、访问UI界面

 http://localhost:6006/

通过访问Web UI，用户可以进行模型的配置、训练参数的设置以及微调过程的监控。

2、配置模型本地路径

在UI界面中，用户可以根据自己的需求选择模型来源，无论是直接使用Hugging Face模型库中的资源，还是加载本地下载的模型。

3、微调相关配置

微调配置是整个流程中至关重要的一步。用户需要根据具体的任务需求，设置训练阶段、数据集、学习率、批次大小等关键参数。

4、预览训练参数

在开始训练之前，用户可以预览所有的训练参数，确保配置无误。

点击“预览命令”按钮，查看训练的参数配置，可以进行手工修改调整

登录后复制

llamafactory-cli train \
    --stage sft \
    --do_train True \
    --model_name_or_path /root/autodl-tmp/qwen/Qwen2-7B \
    --preprocessing_num_workers 16 \
    --finetuning_type lora \
    --quantization_method bitsandbytes \
    --template default \
    --flash_attn auto \
    --dataset_dir data \
    --dataset alpaca_zh_demo \
    --cutoff_len 1024 \
    --learning_rate 5e-05 \
    --num_train_epochs 3.0 \
    --max_samples 100000 \
    --per_device_train_batch_size 2 \
    --gradient_accumulation_steps 8 \
    --lr_scheduler_type cosine \
    --max_grad_norm 1.0 \
    --logging_steps 5 \
    --save_steps 100 \
    --warmup_steps 0 \
    --optim adamw_torch \
    --packing False \
    --report_to none \
    --output_dir saves/Qwen-7B/lora/train_2024-07-03-11-30-41 \
    --bf16 True \
    --plot_loss True \
    --ddp_timeout 180000000 \
    --include_num_input_tokens_seen True \
    --lora_rank 8 \
    --lora_alpha 16 \
    --lora_dropout 0 \
    --lora_target all \
    --val_size 0.1 \
    --eval_strategy steps \
    --eval_steps 100 \
    --per_device_eval_batch_size 2

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.
• 12.
• 13.
• 14.
• 15.
• 16.
• 17.
• 18.
• 19.
• 20.
• 21.
• 22.
• 23.
• 24.
• 25.
• 26.
• 27.
• 28.
• 29.
• 30.
• 31.
• 32.
• 33.
• 34.
• 35.
• 36.
• 37.
• 38.

5、开始训练

一旦确认配置无误，用户可以启动训练过程。LLaMA-Factory将根据用户的配置进行模型的微调。

点击“开始”按钮，开始训练

训练完成结果如下：

训练完成后，会在本地输出微调后的相关权重文件，Lora权重文件输出如下：

6、模型加载推理

在高级设置中有一个“Chat”页签，可用于模型推理对话

模型对话

7、模型合并导出

模型训练完成后，我们可以将训练完后的Lora相关权重文件，和基础模型进行合并导出生成新的模型

合并后模型文件如下：

导出后我们可以基于导出后的新模型进行推理对话。

八、结语

通过本文的详细介绍，大家应该对如何使用LLaMA-Factory对Qwen2-7B进行微调有了清晰的认识。微调不仅能够提升模型在特定任务上的表现，还能够为模型赋予更加丰富的应用场景。

---

原创作者: u_15620990 转载于: https://blog.51cto.com/u_15620990/11792185