在今天的科技专栏中,我们将深入探讨如何微调Llama 3.1模型,以使其更好地适应您的特定领域数据。微调大型语言模型(如Llama)的主要目的是为了在特定领域的数据上表现更好,从而生成更符合您需求的输出。以下是我们将要介绍的五个主要步骤:
-
安装必要的软件包
-
准备数据集
-
训练模型
-
进行推理
-
保存模型
第一步:安装必要的软件包
首先,我们需要安装一些必要的软件包unsloth和torch,我们将使用它来训练模型,以及accelerate
和bitsandbytes
等其他工具。值得一提的是,我们使用的是Google Colab提供的免费T4 GPU,这意味着您可以在无需花费任何费用的情况下训练您的模型,这无疑是一个很棒的功能。
!pip install "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"
!pip install --no-deps "trl<0.9.0" peft accelerate bitsandbytes
第二步:准备数据集
在这一部分,我们将加载并准备我们的Llama 3.1模型。首先,我们需要导入必要的软件包,如UNS sloth
和torch
,并设置最大序列长度、数据类型等参数。
import unsloth import FastLanguageModel
import torch
max_sequence_length = 2048
dtype = None
load_in_4bit = True
接下来,我们将从UNS sloth
加载模型,并使用Laura技术来只更新1%到10%的参数。这样做的好处是能够更高效地进行训练。
model,tokenizer = FastLanguageModel.from_pretrained(
model_name="unsloth/Meta-Llama-3.1-8B",
max_seq_length = max_sequence_length ,
dtype = dtype,
load_in_4bit = load_in_4bit
)
第三步:训练模型
现在我们已经准备好了数据集,可以开始训练模型了。在这一步中,我们将配置训练参数,并使用Alpaca数据集来进行训练。
from datasets import load_dataset
data = load_dataset('alpaca', split='train')
data = data.rename_column('output', 'response')
接下来,我们将配置训练参数,并开始训练模型。
from transformers import Trainer, TrainingArguments
training_args = TrainingArguments(
output_dir='./results',
num_train_epochs=3,
per_device_train_batch_size=8,
save_steps=10_000,
save_total_limit=2,
)
trainer = Trainer(
model=model,
args=training_args,
train_dataset=data,
)
trainer.train()
训练完成后,我们可以查看训练的内存和时间统计信息。
print(trainer.state.log_history)
第四步:进行推理
训练完成后,我们可以进行推理。首先,我们需要加载模型并对输入进行标记化处理。然后,我们将生成模型的输出。
from transformers import pipeline
inference_pipeline = pipeline('text-generation', model=model)
input_text = "请介绍一下Llama 3.1模型的应用场景。"
outputs = inference_pipeline(input_text)
for i, output in enumerate(outputs):
print(f"Output {i+1}: {output['generated_text']}")
此外,我们还可以使用Hugging Face的新功能——TextStreamer进行实时流式输出,这样我们就无需等待最终结果。
from transformers import TextStreamer
streamer = TextStreamer(model=model)
input_text = "请介绍一下Llama 3.1模型的应用场景。"
streamer(input_text)
第五步:保存模型
最后,我们需要保存已经训练好的模型。最好的方法是将其推送到Hugging Face Hub,这样就可以随时访问和使用模型。
model.save_pretrained('path_to_your_model')
tokenizer.save_pretrained('path_to_your_tokenizer')
from huggingface_hub import HfApi
api = HfApi()
api.upload_folder(
folder_path='path_to_your_model',
path_in_repo='your_repo_name',
repo_id='your_username/your_repo_name',
token='your_huggingface_token'
如果您希望以不同的格式(如16位、4位或更低的适配器)保存模型,也可以进行相应的配置。
总结
通过以上五个步骤,我们已经完成了Llama 3.1模型的微调。从安装必要的软件包到准备数据集,再到训练模型、进行推理,最后是保存模型,每一步都至关重要。
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。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。