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。

1. 大模型应用向开发路径及一点个人思考
2. 大模型应用开发实用开源项目汇总
3. 大模型问答项目问答性能评估方法
4. 大模型数据侧总结
5. 大模型token等基本概念及参数和内存的关系
6. 大模型应用开发-华为大模型生态规划
7. 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。