从零开始的LLaMA-Factory的指令增量微调

大模型相关目录

大模型，包括部署微调prompt/Agent应用开发、知识库增强、数据库增强、知识图谱增强、自然语言处理、多模态等大模型应用开发内容
从0起步，扬帆起航。

大模型应用向开发路径及一点个人思考
大模型应用开发实用开源项目汇总
大模型问答项目问答性能评估方法
大模型数据侧总结
大模型token等基本概念及参数和内存的关系
大模型应用开发-华为大模型生态规划
从零开始的LLaMA-Factory的指令增量微调

文章目录

大模型相关目录
一、LLaMA-Factory简介
二、使用准备
二、单卡微调
- 测试集对微调模型性能评估
- 微调模型问答使用
- 微调模型增量模型导出
三、多卡微调
四、其他

一、LLaMA-Factory简介

LLaMA-Factory是开源的大模型微调框架，在模型微调方式、参数配置、数据集设置、模型保存、模型合并、模型测试以及模型试用上，提供了非常完备的开发接口。其框架使用形式分为指令与界面两种。

二、使用准备

1.拉取项目并部署相应环境（微调chatGLM3 6B很流畅，微调Qwen系列可能需要按错误提示对环境进行补包），并激活。

conda activate zwllama_factory

2.下载模型到本地

3.自行准备数据集
包括：

自我认知数据集（微调后可能效果也比较一般，需要多次微调，或者配合prompt。）
通用数据集（微调时用不用均可，可保持模型通用能力。且LLaMA-Factory的data文件夹下有alpaca_gpt4_data_zh等已经备好的数据集，不需要刻意定制。）
特定领域数据集
基本格式如下（alpaca，一种指令微调的格式。当然还有其他格式）：

 [
  {
    "instruction": "你好",
    "input": "",
    "output": "您好，我是XX大模型，一个由XXX开发的 AI 助手，很高兴认识您。请问我能为您做些什么？"
  },
  {
    "instruction": "你好",
    "input": "",
    "output": "您好，我是XX大模型，一个由XXX打造的人工智能助手，请问有什么可以帮助您的吗？"
  }
  ]

其中，instruction和input可以都填充进内容，如把问题作为input，把“回答问题这一要求”作为instruction。据说这种指令微调数据集的格式效果比较好。

准备数据及后，应上传所用到的数据集至项目路径下data文件夹
data文件夹下的数据集要想使用，还需在dataset_info.json下进行登记注册。

其中，file_sha1可通过如下代码计算获得，该字段要求并不严格，有即可，主要为了区分重复文件，作uuid使用。


import hashlib

def calculate_sha1(file_path):
    sha1 = hashlib.sha1()
    try:
        with open(file_path, 'rb') as file:
            while True:
                data = file.read(8192)  # Read in chunks to handle large files
                if not data:
                    break
                sha1.update(data)
        return sha1.hexdigest()
    except FileNotFoundError:
        return "File not found."

# 使用示例
file_path = r'C:\Users\12258\Desktop\xxx.json'  # 替换为您的文件路径
sha1_hash = calculate_sha1(file_path)
print("SHA-1 Hash:", sha1_hash)

二、单卡微调

单卡微调往往针对6B、7B等规模不大的大模型，因此界面化操作完全狗满足需求。
下述指令启动界面：

CUDA_VISIBLE_DEVICES=0 python src/train_web.py

如下图所示配置页面信息

可见界面微调的本质依旧是后端的指令。
点击开始，开始微调，界面无反应，后端开始加载

加载完毕后，前端界面出现训练所需时间和损失曲线。

注意，训练随时可以中断。

测试集对微调模型性能评估

微调模型问答使用

微调模型增量模型导出

三、多卡微调

新增config.yaml文件在README同级目录，内容如下：

compute_environment: LOCAL_MACHINE
debug: false
distributed_type: MULTI_GPU
downcast_bf16: 'no'
gpu_ids: all
machine_rank: 0
main_training_function: main
mixed_precision: fp16
num_machines: 1
num_processes: 2
rdzv_backend: static
same_network: true
tpu_env: []
tpu_use_cluster: false
tpu_use_sudo: false
use_cpu: false

运行如下命令即可微调：

accelerate launch --config_file config.yaml src/train_bash.py \
    --ddp_timeout 180000000 \
    --stage sft \
    --do_train True \
    --model_name_or_path /home/gputest/sgq/text-generation-webui/models/Qwen1.5-14B-Chat \
    --finetuning_type lora \
    --template default \
    --dataset_dir data \
    --dataset self_cognition_modified,approval_data_ls_300 \
    --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 \
    --output_dir saves/Qwen1.5-14B/lora/train_2024-03-21-02-22-33 \
    --fp16 True \
    --lora_rank 8 \
    --lora_alpha 16 \
    --lora_dropout 0.1 \
    --lora_target q_proj,v_proj \
    --plot_loss True

当然上述代码内容需要根据你的实际需求进行一定修改。

四、其他

更多信息可以访问开源项目进行了解。

原文链接：https://blog.csdn.net/qq_43128256/article/details/136738734