LLaMA Factory是一款开源低代码大模型微调框架,集成了业界最广泛使用的微调技术,支持通过Web UI界面零代码微调大模型,目前已经成为开源社区内最受欢迎的微调框架。
?GPU推荐使用24GB显存的A10(ecs.gn7i-c8g1.2xlarge
)或更高配置
?镜像选择DSW官方镜像modelscope:1.14.0-pytorch2.1.2-gpu-py310-cu121-ubuntu22.04
我们来微调llama3-8B模型尝试一下
安装LLaMA Factory
?拉取LLaMA-Factory项目
git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
#
正克隆到 'LLaMA-Factory'...
remote: Enumerating objects: 298, done.
remote: Counting objects: 100% (298/298), done.
remote: Compressing objects: 100% (218/218), done.
remote: Total 298 (delta 76), reused 204 (delta 67), pack-reused 0 (from 0)
接收对象中: 100% (298/298), 7.85 MiB | 5.21 MiB/s, 完成.
处理 delta 中: 100% (76/76), 完成.
?然后安装LLaMA-Factory依赖环境。
pip uninstall -y vllm
pip install llamafactory[metrics]==0.7.1
pip install accelerate==0.30.1
安装后输入llamafactory-cli version检查一下是否安装成功:
llamafactory-cli version
#
----------------------------------------------------------
| Welcome to LLaMA Factory, version 0.7.1 |
| |
| Project page: https://github.com/hiyouga/LLaMA-Factory |
----------------------------------------------------------
LLaMA-Factory项目内置了丰富的数据集,放在了data
目录下,我们也可以准备自定义数据集,将数据处理为框架特定的格式,放在data
下,并且修改dataset_info.json
文件。
我们看一下官方给出的格式:
Alpaca 格式
[
{
"instruction": "人类指令(必填)",
"input": "人类输入(选填)",
"output": "模型回答(必填)",
"system": "系统提示词(选填)",
"history": [
["第一轮指令(选填)", "第一轮回答(选填)"],
["第二轮指令(选填)", "第二轮回答(选填)"]
]
}
]
?对于上述格式的数据,dataset_info.json
中的数据集描述应为:
"数据集名称": {
"file_name": "data.json",
"columns": {
"prompt": "instruction",
"query": "input",
"response": "output",
"system": "system",
"history": "history"
}
}
我们去官方寻找一份数据集来下载(notebook运行):
%cd LLaMA-Factory
!wget https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/tutorials/llama_factory/data.zip
!mv data rawdata && unzip data.zip -d data
数据:
[
{
"conversations": [
{
"from": "human",
"value": "模仿西游记的孙悟空的语气和我聊天。如果你把水冻住,你会得到什么?"
},
{
"from": "gpt",
"value": "哈哈,这问题还难倒俺老孙吗?把水冻住就是变成冰啦!不过若是在取经的路上用得着这冰来做啥,比如过火焰山时,那可就是解渴消暑的好东西了!你觉得呢?还有没有更有趣的问题让俺老孙来解答?"
},
{
"from": "human",
"value": "那怎么做才可以把水冻住"
},
{
"from": "gpt",
"value": "哈哈,对俺老孙来说,这可是轻而易举的事情!只需将水放在凉快的地方,或者使用法力,一吹仙气,水便能迅速结冰啦!当然,在你的世界里,把水放进冰箱的冷冻室里等一阵子,水就会变成冰块了。要是嫌慢,可以尝试用点干冰或液氮什么的,不过得小心使用哈!毕竟不像俺老孙有抗寒法力。"
}
]
}
]
模型微调
我们不光可以通过命令行进行微调,还可以启动一个webui来微调推理
!export USE_MODELSCOPE_HUB=1 && \
llamafactory-cli webui
USE_MODELSCOPE_HUB
设为1,表示模型来源是ModelScope
然后就进入到了web界面:
数据集使用上述下载的train.json,
点击「预览数据集」可以预览一下数据
设置学习率为1e-4,梯度累积为2,有利于模型拟合,其他的可以按需调整;
将输出目录修改为train_llama3
,训练后的LoRA权重将会保存在此目录中。点击「预览命令」可展示所有已配置的参数,点击「开始」启动模型微调!
选择「Evaluate&Predict」栏,在数据集下拉列表中选择「eval」(验证集)评估模型。
点击开始然后开始评估模型,大概三分钟,这里跳过。。。
选择「Chat」栏,确保适配器路径是train_llama3
,点击「加载模型」即可在Web UI中和微调模型进行对话。
模型微调之前的对话:
微调之后:
总结
**LLaMA Factory开源低代码大模型微调框架亮点总结****框架简介**:
LLaMA Factory是一款流行的开源低代码大模型微调框架,集成了业界广泛应用的微调技术,支持通过Web UI界面零代码微调大模型,已成为开源社区内最受欢迎的微调解决方案。
**推荐硬件配置**:
- **GPU**:建议使用拥有24GB或以上显存的A10(`ecs.gn7i-c8g1.2xlarge`)或更高级别配置。
- **镜像**:官方推荐DSW镜像 `modelscope:1.14.0-pytorch2.1.2-gpu-py310-cu121-ubuntu22.04` 以优化体验。
**使用指南:**
1. **安装LLaMA Factory**:
- 通过Git拉取项目并安装必要的依赖环境,包括`pip`命令安装`llamafactory[metrics]`和`accelerate`等包。
- 使用`llamafactory-cli version`命令检查安装是否成功。
2. **准备数据集**:
- LLaMA-Factory内置丰富数据集,用户可将自定义数据处理为特定格式放置于`data`文件夹下,并修改`dataset_info.json`文件以描述数据集。
- 官方给出了包括`instruction`(指令)、`input`(输入)、`output`(输出)等字段的Alpaca格式示例。
3. **下载官方数据集**:
- 提供命令行方式下载并解压官方数据集,便于快速开始模型微调。
4. **模型微调**:
- 除了通过命令行操作,还支持通过启动webui界面进行更直观的模型微调与推理。
- 在webui中,上传或选择已准备好的数据集,调整学习率、梯度累积等参数以适应不同微调需求。
- 开始微调后,所有LoRA权重将保存在指定目录中,用户可评估模型训练结果并进行验证。
5. **模型应用**:
- 完成微调后,通过webui界面中的“Chat”功能加载微调后的模型进行实时对话测试,检验微调效果。
**总结**:
LLaMA Factory凭借其低代码、易上手的特点,以及丰富的数据集支持和强大的模型微调能力,为用户提供了从数据准备到模型部署的一站式解决方案,是进行大语言模型微调研究和应用的理想选择。无论是研究人员还是开发者,都能通过这一框架快速实现模型的优化与应用。