利用大模型构造数据集，并微调大模型

最新推荐文章于 2024-08-08 10:14:44 发布

雪碧没气阿

最新推荐文章于 2024-08-08 10:14:44 发布

阅读量681

点赞数 24

文章标签：人工智能 ai大模型大语言模型 LLMs AGI 大模型微调数据集

本文链接：https://blog.csdn.net/xxue345678/article/details/140035549

版权

一、前言

目前大模型的微调方法有很多，而且大多可以在消费级显卡上进行，每个人都可以在自己的电脑上微调自己的大模型。

但是在微调时我们时常面对一个问题，就是数据集问题。网络上有许多开源数据集，但是很多时候我们并不想用这些数据集微调模型，我们更希望使用某本书、某个作者的作品、我们自己的聊天记录、某个角色的对话来微调模型。

用于微调的数据通常是成千上万的问答对，如果手工搜集，需要花费大量时间。

文本将介绍一种方式，利用大模型来构造自己的数据集，并使用我们构造的数据集来微调大模型。

二、构造数据集

2.1 目的

数据集通常是问答对形式，比如alpaca数据集的形式如下：

  { 
     "instruction": "保持健康的三个提示。",    
     "input": "",    
     "output": "以下是保持健康的三个提示：\n\n1. 保持身体活动。每天做适当的身体运动，如散步、跑步或游泳，能促进心血管健康，增强肌肉力量，并有助于减少体重。\n\n2. 均衡饮食。每天食用新鲜的蔬菜、水果、全谷物和脂肪含量低的蛋白质食物，避免高糖、高脂肪和加工食品，以保持健康的饮食习惯。\n\n3. 睡眠充足。睡眠对人体健康至关重要，成年人每天应保证 7-8 小时的睡眠。良好的睡眠有助于减轻压力，促进身体恢复，并提高注意力和记忆力。"  
  }

但是实际上我们能拿到的数据通常是一大段文本的形式，比如：

    小时候，那时我还只有6岁，看到一本描写原始森林壮观景象的书，名叫真实的故事。书里有一幅很精彩的插画，画的是一条大蟒蛇正在吞食一只动物，下面就是那幅插画的复制品。    
    
    这本书上说：“大蟒蛇把它们的猎物不加咀嚼地整个吞下去，之后，就再也不动了，然后通过长达六个月的睡眠来消化掉这些食物。”	
      ...

现在我们要做的就是把大段文本形式的数据转换成alpaca的形式。

在以往我们只能通过人工的方式完成，而现在我们可以借助大模型的能力。大致思路就是让大模型根据文本，总结出对话、问答内容。这点可以通过Prompt工程实现。

2.2 Prompt设计

在系统Prompt中，我们需要强调根据上下文内容，让模型提取对话、问答等内容。比如：

在这里插入图片描述

这样就可以让模型自己提问，自己回答。然后我们需要规定输出的格式，我们希望得到字典数组，所以用户Prompt可以设置成：

在这里插入图片描述

根据问题不同，可以对上面的内容进行一些调整。下面可以开始编写代码。

2.3 处理文档

首先导入需要用到的模块：
在这里插入图片描述

在构建chain前，我们先完成文档处理的操作。我们希望传入的内容是文本数据，这里可以是txt等文件形式。我们这里以txt为例：

在这里插入图片描述

使用上面的函数，可以返回大段的文本片段。

2.4 构建chain

下面就是构建用于生成数据集的chain，包括Prompt、LLM、Outputparser三个部分内容分别如下：

2.4.1 Prompt

我们使用ChatPromptTemplate将上面的Prompt整合起来，代码如下：

在这里插入图片描述

在QA_PAIRS_HUMAN_PROMPT中我们添加了{text}占位，invoke时需要传入{“text”: “xxx”}。

2.4.2 LLM

大模型的选择非常多，一般的建议是选择长上下文、且能力比你要微调的模型强的模型。这里使用GPT-3.5-16k，代码如下：
在这里插入图片描述

2.4.3 OutputParser

最后是提取出结果，我们定义结果的Model：
在这里插入图片描述

最后将三者连接起来：

chain = prompt | llm | parser

我们把构建chain的操作写成create_chain函数：

在这里插入图片描述

下面我们可以来试一试效果：
在这里插入图片描述

我使用小王子的书作为测试，下面是生成的部分数据集：

在这里插入图片描述

我们可以收集同一作者的大量书籍，使用上面的方式构建数据集。在构建过程中，每次执行后，结果可能不一样，因此可以通过多次构建的方式生成更多样本。

三、微调模型

在准备好数据集后，我们就可以进行微调了，我们可以使用已有的项目进行微调，比如LLaMA-Factory就是一个不错的选择，链接如下：

https://github.com/hiyouga/LLaMA-Factory

具体的微调方式可以参考项目文档。

本文选择使用peft模块实现微调操作，其实其它项目也是使用这个项目来完成。先导入必要的模块：

from peft import LoraConfig, TaskType  
from transformers import Trainer  
from datasets import load_dataset  
from transformers import AutoModelForCausalLM, TrainingArguments, AutoTokenizer  
from peft import get_peft_model

3.1 加载模型和配置LoRA

首先需要加载模型以及配置微调模型，我们选择使用LoRA进行微调：

# 配置参数  
peft_config = LoraConfig(task_type=TaskType.SEQ_2_SEQ_LM, inference_mode=False, r=8, lora_alpha=32, lora_dropout=0.1)  
# 加载模型  
model = AutoModelForCausalLM.from_pretrained(
   	  "microsoft/Phi-3-mini-4k-instruct",  	
   	  trust_remote_code=True  
)  
tokenizer = AutoTokenizer.from_pretrained("microsoft/Phi-3-mini-4k-instruct")  
model = get_peft_model(model, peft_config)  
model.print_trainable_parameters()

关于LoRA的原理，可以参考：https://juejin.cn/post/7280436307914407976

3.2 加载数据集

接下来加载我们创建的数据集：
在这里插入图片描述

3.3 配置训练参数并训练

接下来配置训练参数开始训练：

在这里插入图片描述

我们可以根据硬件情况调整per_device_train_batch_size和per_device_eval_batch_size。现在只需要运行代码，等待片刻即可训练完成。

四、推理

接下来我们要做的就是推理了。LoRA是一个旁支网络，我们需要在原有的模型上，添加LoRA，添加方式如下：

model.load_adapter('outputs', adapter_name='lora01')  
model.set_adapter("lora01")

调用上面代码后，model的推理操作就是添加LoRA后的推理。推理的完整代码如下：

from transformers import AutoModelForCausalLM, AutoTokenizer    

model = AutoModelForCausalLM.from_pretrained("microsoft/Phi-3-mini-4k-instruct")  
tokenizer = AutoTokenizer.from_pretrained("microsoft/Phi-3-mini-4k-instruct")    

model = model.to("cuda")  
model.load_adapter('outputs', adapter_name='lora01')  
model.set_adapter("lora01")  
model.eval()  
inputs = tokenizer("作者小时候看了一本关于什么的书？", return_tensors="pt")    

outputs = model.generate(input_ids=inputs["input_ids"].to("cuda"), max_new_tokens=50)  
print(tokenizer.batch_decode(outputs.detach().cpu().numpy(), skip_special_tokens=True)[0])

最后我们可以和使用正常的AutoModelForCausalLM模型一样使用微调后的模型。

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。至于能学习到多少就看你的学习毅力和能力了。我已将重要的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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。

雪碧没气阿

关注

24
点赞
踩
19

收藏

觉得还不错? 一键收藏
0
评论
利用大模型构造数据集，并微调大模型

目前大模型的微调方法有很多，而且大多可以在消费级显卡上进行，每个人都可以在自己的电脑上微调自己的大模型。但是在微调时我们时常面对一个问题，就是数据集问题。网络上有许多开源数据集，但是很多时候我们并不想用这些数据集微调模型，我们更希望使用某本书、某个作者的作品、我们自己的聊天记录、某个角色的对话来微调模型。用于微调的数据通常是成千上万的问答对，如果手工搜集，需要花费大量时间。文本将介绍一种方式，利用大模型来构造自己的数据集，并使用我们构造的数据集来微调大模型。
复制链接

扫一扫