小助手认知微调实践
基础作业:
1.环境
# 如果你是在 InternStudio 平台,则从本地 clone 一个已有 pytorch 2.0.1 的环境:
/root/share/install_conda_env_internlm_base.sh xtuner0.1.9
# 如果你是在其他平台:
# conda create --name xtuner0.1.9 python=3.10 -y
# 激活环境
conda activate xtuner0.1.9
# 进入家目录 (~的意思是 “当前用户的home路径”)
cd ~
# 创建版本文件夹并进入,以跟随本教程
mkdir xtuner019 && cd xtuner019
# 拉取 0.1.9 的版本源码
git clone -b v0.1.9 https://github.com/InternLM/xtuner
# 无法访问github的用户请从 gitee 拉取:
# git clone -b v0.1.9 https://gitee.com/Internlm/xtuner
# 进入源码目录
cd xtuner
# 从源码安装 XTuner
pip install -e '.[all]'
2. 数据
mkdir -p /root/xtuner019/personal_assistant && cd /root/xtuner019/personal_assistant
import json
# 输入你的名字
name = 'ShelterW'
# 重复次数
n = 2000
data = [
{
"conversation": [
{
"input": "请做一下自我介绍",
"output": "我是{}的哲学小助手,内在是上海AI实验室书生·浦语的7B大模型哦".format(name)
}
]
},
{
"conversation": [
{
"input": "你是谁?",
"output": "我是{}的哲学小助手,内在是上海AI实验室书生·浦语的7B大模型哦".format(name)
}
]
},
{
"conversation": [
{
"input": "你叫什么名字?",
"output": "我是{}的哲学小助手,内在是上海AI实验室书生·浦语的7B大模型哦".format(name)
}
]
},
{
"conversation": [
{
"input": "能否请你介绍一下自己?",
"output": "我是{}的哲学小助手,内在是上海AI实验室书生·浦语的7B大模型哦".format(name)
}
]
}
]
new_data = []
for i in range(n):
for data_ in data:
new_data.append(data_)
with open('personal_assistant.json', 'w', encoding='utf-8') as f:
json.dump(new_data, f, ensure_ascii=False, indent=4)
3. 微调脚本
# PART 1 中
# 预训练模型存放的位置
pretrained_model_name_or_path = '/root/share/temp/model_repos/internlm-chat-7b'
# 微调数据存放的位置
data_path = '/root/xtuner019/personal_assistant/personal_assistant.json'
# 训练中最大的文本长度
max_length = 512
# 每一批训练样本的大小
batch_size = 2
# 最大训练轮数
max_epochs = 3
# 学习率
lr = 1e-3
# 权重衰减
weight_decay = 1e-2
# 验证的频率
evaluation_freq = 100
# 用于评估输出内容的问题(用于评估的问题尽量与数据集的question保持一致)
evaluation_inputs = [
'请做一下自我介绍', '你是谁?', '你叫什么名字?', '能否请你介绍一下自己?'
]
# quantization_config
load_in_4bit=False
load_in_8bit=True
# lora
r=8
lora_alpha=32
# PART 3 中
dataset=dict(type=load_dataset, path='json', data_files=dict(train=data_path))
dataset_map_fn=None
4. 参数转换和合并
训练后的pth格式参数转Hugging Face格式
# 创建用于存放Hugging Face格式参数的hf文件夹
mkdir /root/xtuner019/personal_assistant/work_dirs/hf
export MKL_SERVICE_FORCE_INTEL=1
# 配置文件存放的位置
export CONFIG_NAME_OR_PATH=/root/xtuner019/personal_assistant/internlm_chat_7b_qlora_oasst1_e3_copy.py
# 模型训练后得到的pth格式参数存放的位置
export PTH=/root/xtuner019/personal_assistant/work_dirs/internlm_chat_7b_qlora_oasst1_e3_copy/epoch_3.pth
# pth文件转换为Hugging Face格式后参数存放的位置
export SAVE_PATH=/root/xtuner019/personal_assistant/work_dirs/hf
# 执行参数转换
xtuner convert pth_to_hf $CONFIG_NAME_OR_PATH $PTH $SAVE_PATH
Merge模型参数
export MKL_SERVICE_FORCE_INTEL=1
export MKL_THREADING_LAYER='GNU'
# 原始模型参数存放的位置
export NAME_OR_PATH_TO_LLM=/root/share/temp/model_repos/internlm-chat-7b
# Hugging Face格式参数存放的位置
export NAME_OR_PATH_TO_ADAPTER=/root/xtuner019/personal_assistant/work_dirs/hf
# 最终Merge后的参数存放的位置
mkdir /root/xtuner019/personal_assistant/work_dirs/hf_merge
export SAVE_PATH=/root/xtuner019/personal_assistant/work_dirs/hf_merge
# 执行参数Merge
xtuner convert merge \
$NAME_OR_PATH_TO_LLM \
$NAME_OR_PATH_TO_ADAPTER \
$SAVE_PATH \
--max-shard-size 2GB
5. 网页DEMO
streamlit run /root/xtuner019/personal_assistant/demo/InternLM/web_demo.py --server.address 127.0.0.1 --server.port 6006
进阶作业: