llama-factory使用教程

2016bits

已于 2024-12-25 11:09:01 修改

阅读量3.9k

点赞数 39

分类专栏：大模型文章标签： llama

于 2024-10-18 16:37:02 首次发布

本文链接：https://blog.csdn.net/weixin_43794736/article/details/143034573

版权

大模型专栏收录该内容

1 篇文章

订阅专栏

目标：借助llama-factory仓库使用lora微调自己的大模型
llama-factory：https://github.com/hiyouga/LLaMA-Factory/tree/main

下载llama-factory仓库

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

若后续不想继续追踪GitHub文件变化，可通过删除.git文件实现：

rm -rf .git

安装llama-factory环境

llama-factory官方推荐：
在这里插入图片描述
此处坑比较多，如果python、cuda、torch、transformers和vllm不匹配，会运行出错
个人尝试有效环境搭配：

python=3.10
cuda=12.1
torch=2.3.0-cu121
transformers=4.43.4
vllm=0.4.3

使用conda创建环境：

conda create -n tor230 python=3.10

下载torch相关离线包，然后本地安装 torch离线包下载

pip install torch-2.3.0+cu121-cp310-cp310-linux_x86_64.whl
pip install torchaudio-2.3.0+cu121-cp310-cp310-linux_x86_64.whl
pip install torchvision-0.18.0+cu121-cp310-cp310-linux_x86_64.whl

pip安装相关第三方库

pip install transformers==4.43.4
pip install vllm==0.4.3
pip install datasets
pip install accelerate
pip install peft

安装llama-factory

cd /data/yangjun/LLM/LLaMA-Factory
pip install -e ".[torch,metrics]"

登录huggingface

安装huggingface：

pip install --upgrade huggingface_hub

如果能使用代理，直接登录huggingface账号：

huggingface-cli login

在输入token时直接输入自己huggingface账户的token
“setting”-“Access Tokens”
在这里插入图片描述
如果token为空，则新建；不为空，则点击刷新
3. 如果不能使用代理，则直接login会出错，那么需要使用国内huggingface镜像
设置环境变量，在~/.bashrc中写入命令：

export HF_ENDPOINT=https://hf-mirror.com

然后source ~/.bashrc
再重复步骤2登录账户

使用自定义数据lora微调llama

了解我们需要自定义微调时需要修改的llama-factory文件夹设置：

LLaMA-Factory/
│
├── data/
│   ├── dataset_info.json
│   └── [your_dataset].json
│
├── examples/
│   └── train_lora/
│   │   └── llama3_lora_sft.yaml
│	├── train_qlora/
│   │   └── llama3_lora_sft.yaml
│	├── train_full/
│   │   └── llama3_lora_sft.yaml
│	└── inference/
│       └── llama3_lora_sft.yaml
└── saves/

其中data文件夹下面的 [your_dataset].json 是自定义微调任务中训练集，dataset_info.json用于定义数据集名称
examples文件夹下面的train_lora、train_qlora和train_full表示不同的微调方式，相应文件夹下面存在微调任务的配置文件；inference表示使用训练好的模型来进行推理
saves文件夹需要自己新建，用于保存微调后的模型

具体介绍微调大模型的使用方法

微调

以事实核查（英文名：fact-checking，根据claim和evidence判断claim的真实性，其标签包括：supports（证据支持声明），refutes（证据反驳声明）和not enough information（证据对于判断声明真实性信息不足））任务为例，使用lora微调LLaMA-3-8B

构造训练数据，保存在 ./data/fact_checking.json
数据格式：

{
    "instruction": "Analyze whether the evidence supports the claim, refutes the statement, or is not enough information to verify the claim's truthfulness. Provide your final conclusion.",
    "input": "Claim: 新疆棉花生产已实现高度机械化，不需要强迫劳动。 Evidence: 新疆棉花生产早已经实现高度机械化，即使在忙碌的采摘季节，也不需要大量的“采棉工”。 【事实三】新疆棉花：生产早已高度机械化，不需要大量的“采棉工”据新疆农业部门发布的2020年数据显示，新疆棉花机械采摘率已达69.83%，其中北疆95%的棉花是通过机械采摘的。 近年来，一方面是机器生产减少劳力需求，另一方面随着内地农村劳动力收入不断提高，新疆采棉人数不断减少，这完全是劳动力市场行为所致，与“政府强迫本地劳动力”毫无联系。 针对新疆教培中心等同于“集中营”，中方对维族人实施“种族灭绝”、“强迫劳动”，对维族妇女强迫绝育，将维族儿童与父母分离的提问，杨代办指出，中方已多次阐明，新疆根本不存在所谓“种族灭绝”“强迫劳动”“大规模绝育”。 同时，从过去到现在，新疆根本不存在、也根本不需要强制性动员采棉。 ",
    "output": "supports"
},

在dataset_info.json文件中新增一项

"fact_checking":
{
  "file_name":"fact_checking.json"
}

其中fact_checking.json名称和1中构造数据集名称对应
3. 在./examples/train_lora文件夹下修改llama3_lora_sft_fact_checking.yaml：

model_name_or_path: meta-llama/Meta-Llama-3-8B-Instruct
finetuning_type: lora
dataset: fact_checking
output_dir: saves/llama3-8b-lora-sft-fact-checking/

其中，dataset名称和dataset_info.json中key值对应
4. 微调

CUDA_VISIBLE_DEVICES=0,1 llamafactory-cli train examples/train_lora/llama3_lora_sft_fact_checking.yaml

推理

调用API进行推理

在./examples/inference文件夹下修改llama3_lora_sft.yaml构造推理api：

model_name_or_path: meta-llama/Meta-Llama-3-8B-Instruct
adapter_name_or_path: saves/llama3-8b-lora-sft
template: llama3
infer_backend: vllm
vllm_enforce_eager: true
finetuning_type: lora

其中adapter_name_or_path后面改成3中output_dir对应名称
然后部署api：

CUDA_VISIBLE_DEVICES=0 API_PORT=8000 llamafactory-cli api examples/inference/llama3_lora_sft.yaml

调用api，使用微调后的大模型进行推理：

from openai import OpenAI
from tqdm import tqdm 
openai_api_key = "EMPTY"
openai_api_base = "http://localhost:8000/v1"
client = OpenAI(
    api_key=openai_api_key,
    base_url=openai_api_base
)
predictions = client.chat.completions.create(
    model="meta-llama/Meta-Llama-3-8B-Instruct",
    messages=[
        {"role": "user", "content": input},
    ],
    temperature=0.95,
)

直接进行推理

调用API进行推理时部署API的过程可能无法使用多卡，下面直接进行推理，这种方式可以采用多卡的方式，且推理速度要比调用API的方式快。直接推理的过程和微调过程类似。

构造推理数据，构造方式和构造微调数据集类似。构造推理数据，保存在 ./data/inference_fact_checking.json
数据格式：

{
    "instruction": "Analyze whether the evidence supports the claim, refutes the statement, or is not enough information to verify the claim's truthfulness. Provide your final conclusion.",
    "input": "Claim: 新疆棉花生产已实现高度机械化，不需要强迫劳动。 Evidence: 新疆棉花生产早已经实现高度机械化，即使在忙碌的采摘季节，也不需要大量的“采棉工”。 【事实三】新疆棉花：生产早已高度机械化，不需要大量的“采棉工”据新疆农业部门发布的2020年数据显示，新疆棉花机械采摘率已达69.83%，其中北疆95%的棉花是通过机械采摘的。 近年来，一方面是机器生产减少劳力需求，另一方面随着内地农村劳动力收入不断提高，新疆采棉人数不断减少，这完全是劳动力市场行为所致，与“政府强迫本地劳动力”毫无联系。 针对新疆教培中心等同于“集中营”，中方对维族人实施“种族灭绝”、“强迫劳动”，对维族妇女强迫绝育，将维族儿童与父母分离的提问，杨代办指出，中方已多次阐明，新疆根本不存在所谓“种族灭绝”“强迫劳动”“大规模绝育”。 同时，从过去到现在，新疆根本不存在、也根本不需要强制性动员采棉。 ",
    "output": ""
},

在dataset_info.json文件中新增一项

"inference_fact_checking":
{
  "file_name":"inference_fact_checking.json"
}

其中inference_fact_checking.json名称和1中构造数据集名称对应

在./examples/train_lora文件夹下新增llama3_lora_sft_inference_fact_checking.yaml：

### model
model_name_or_path: meta-llama/Meta-Llama-3-8B-Instruct
predict_with_generate: true
adapter_name_or_path: saves/llama3-8b-lora-sft-fact-checking/

### method
stage: sft
do_predict: true
finetuning_type: lora
lora_target: all

### dataset
eval_dataset: inference_question_with_context_answer
template: llama3
cutoff_len: 1024
max_samples: 1000
overwrite_cache: true
preprocessing_num_workers: 16

### output
output_dir: saves/llama3-8b-lora-sft-fact-checking/predict
logging_steps: 10
save_steps: 500
plot_loss: true
overwrite_output_dir: true

其中，eval_dataset名称和dataset_info.json中key值对应（对应推理数据集）。adapter_name_or_path对应微调后保存的模型路径。output_dir表示推理结果保存路径
4. 推理

CUDA_VISIBLE_DEVICES=0,1 llamafactory-cli train examples/train_lora/llama3_lora_sft_fact_checking.yaml