Unsloth 教程 - 如何微调 Llama-3并导出到 Ollama

本文翻译整理自：🦙 How to Finetune Llama-3 and Export to Ollama
https://docs.unsloth.ai/tutorials/how-to-finetune-llama-3-and-export-to-ollama

文章目录

创建自定义个人助理（如ChatGPT）以在Ollama上本地运行的初学者指南

在本教程结束时，您将通过微调Llama-3和Unsloth 免费创建一个自定义聊天机器人。
它可以通过PC上的Ollama在本地运行，也可以通过Google Colab在免费的GPU实例中运行。
您将能够像下面这样与聊天机器人交互：

Unsloth使微调变得更加容易，并且可以通过集成的自动Modelfile 创建自动将微调模型 导出到Ollama！

如果您需要帮助，您可以加入我们的 discord ：https://discord.com/invite/unsloth

1、什么是Unsloth？

Unsloth使Llama-3、Mistral、Phi-3和Gemma等微调LLM的速度提高了2倍，使用的内存减少了70%，并且精度没有下降！在本教程中，我们将使用提供免费GPU的Google Colab。
您可以访问下面的免费笔记本：

您还需要登录您的Google帐户！

2、什么是Ollama？

Ollama允许您以快速简单的方式从自己的计算机运行语言模型！它悄悄地启动了一个程序，可以在后台运行语言模型，如Llama-3。
如果你突然想问语言模型一个问题，你可以简单地向Ollama提交一个请求，它会很快把结果返回给你！我们将使用Ollama作为我们的推理引擎！

3、安装Unsloth

如果您从未使用过Colab笔记本，请快速了解笔记本本身：

1、每个“单元格”上的播放按钮。单击此按钮可运行该单元格的代码。
您不得跳过任何单元格，并且必须按时间顺序运行每个单元格。
如果遇到任何错误，只需重新运行之前未运行的单元格。
如果您不想单击播放按钮，另一种选择是单击CTRL+ENTER。

2、顶部工具栏中的运行时按钮。
您也可以使用此按钮并点击“全部运行”一次运行整个笔记本。
这将跳过所有自定义步骤，并且可以是一个很好的首次尝试。

3、连接/重新连接T4按钮。
您可以单击此处获取更高级的系统统计信息。

第一个安装单元格如下所示：记得点击括号[]中的PLAY按钮。
我们获取我们的开源Github包，并安装其他一些包。

4、选择要微调的模型

现在让我们选择一个模型进行微调！我们默认使用 Meta/Facebook的 Llama-3，它被训练在一个巨大的15万亿“令牌”上。

假设一个令牌就像一个英语单词。这大约相当于35万厚的百科全书！

其他流行的模型包括米斯特拉尔、Phi-3（使用GPT-4输出训练）和谷歌的 Gemma（13万亿令牌！）。

Unsloth支持这些模型以及更多！事实上，只需从HugingFace model hub 中键入一个模型，看看它是否有效！如果它不起作用，我们会出错。

您可以切换其他3个设置：

max_seq_length = 2048

这决定了模型的上下文长度。
例如，双子座有超过100万的上下文长度，而骆驼-3有8192个上下文长度。
我们允许您选择任何数字——但我们建议将其设置为2048以供测试。
Unsloth还支持非常长的上下文微调，我们展示了我们可以提供比最好的上下文长度长4倍的上下文长度。

dtype = None

将其保持为无，但您可以为较新的GPU选择torch. float16或torch.bfloat16。

load_in_4bit = True

我们在4位量化中进行微调。
这将内存使用量减少了4倍，使我们能够在免费的16GB内存GPU中进行微调。
4位量化本质上是将权重转换为一组有限的数字，以减少内存使用。
这样做的一个缺点是精度下降了1-2%。
如果您想要微小的额外精度，请在H100s等更大的GPU上将其设置为False。

如果您运行单元格，您将获得一些Unsloth版本的打印输出、您使用的模型、您的GPU有多少内存以及一些其他统计信息。
暂时忽略这个。

5、微调参数

现在要自定义您的finetune，您可以编辑上面的数字，但您可以忽略它，因为我们已经选择了相当合理的数字。

目标是改变这些数字以提高准确性，但也抵消过度拟合。
过度拟合是指你让语言模型记住一个数据集，而不能回答新的问题。
我们想要一个最终的模型来回答看不见的问题，而不是记忆。

r = 16, # Choose any number > 0 ! Suggested 8, 16, 32, 64, 128

微调过程的等级。
较大的数字会使用更多的内存，并且会更慢，但可以提高更困难任务的准确性。
我们通常建议使用8（用于快速微调）和128这样的数字。
太大的数字会导致过度拟合，损害模型的质量。

target_modules = ["q_proj", "k_proj", "v_proj", "o_proj",
                  "gate_proj", "up_proj", "down_proj",],

我们选择所有模块进行微调。
您可以删除一些以减少内存使用并加快训练速度，但我们强烈不建议这样做。
只需在所有模块上进行训练！

lora_alpha = 16,

微调的缩放因子。
较大的数字将使微调了解更多关于您的数据集，但可能会促进过度拟合。
我们建议这等于秩r，或者加倍。

lora_dropout = 0, # Supports any, but = 0 is optimized

将此保留为0以进行更快的训练！可以减少过度拟合，但没那么多。

bias = "none",    # Supports any, but = "none" is optimized

将此保留为0，以获得更快、更少的过度健身训练！

use_gradient_checkpointing = "unsloth", # True or "unsloth" for very long context

选项包括True、False 和"unsloth"。
我们建议"unsloth"，因为我们额外减少了30%的内存使用，并支持极长的上下文finetunes.You可以在这里阅读：https://unsloth.ai/blog/long-context了解更多细节。

random_state = 3407,

确定确定性运行的数字。
训练和微调需要随机数，因此设置这个数字可以使实验重现。

use_rslora = False,  # We support rank stabilized LoRA

自动设置lora_alpha = 16的高级功能。
如果你愿意，你可以使用这个！

loftq_config = None, # And LoftQ

将LoRA矩阵初始化为权重的前r个奇异向量的高级功能。
可以在一定程度上提高准确性，但会使内存使用在开始时爆炸式增长。

6、Alpaca 数据集

我们现在将使用通过调用GPT-4本身创建的 Alpaca 数据集。
这是一个包含52,000条指令和输出的列表，在Llama-1发布时非常流行，因为它使微调基本LLM与ChatGPT本身具有竞争力。

您可以在此处访问GPT4版本的 Alpaca 数据集：https://huggingface.co/datasets/vicgalle/alpaca-gpt4。
该数据集的旧第一个版本在此处：https://github.com/tatsu-lab/stanford_alpaca。
下面显示了该数据集的一些示例：

你可以看到每行有3列——一条指令，输入和输出。
我们基本上把每一行组合成一个大提示符，如下所示。
然后我们用它来微调语言模型，这使得它非常类似于ChatGPT。
我们称之为监督指令微调。

7、多列微调

但是一个大问题是对于ChatGPT风格的助手，我们只允许1个指令/1个提示，而不是多个列/输入。
例如在ChatGPT中，您可以看到我们必须提交1个提示，而不是多个提示。

这本质上意味着我们必须将多个列“合并”成一个大提示，以便微调才能真正发挥作用！

例如，非常著名的泰坦尼克号数据集有许多列。
你的工作是根据乘客的年龄、乘客等级、票价等来预测乘客是幸存还是死亡。
我们不能简单地将其传递到ChatGPT，而是必须将这些信息“合并”到一个大提示中。

例如，如果我们用包含该乘客所有信息的“合并”单一提示询问ChatGPT，我们可以要求它猜测或预测该乘客是死亡还是幸存。

其他微调库要求您通过将所有列合并到1个提示符中来手动准备微调数据集。
在Unsloth中，我们简单地提供了名为to_sharegpt的函数，它可以一次完成！

要访问泰坦尼克号微调笔记本，或者如果您想上传CSV或Excel文件，请访问此处：https://colab.research.google.com/drive/1VYkncZMfGFkeCEgN2IzbZIKEDkyQuJAS?usp=sharing

现在这有点复杂，因为我们允许很多定制，但有几点：

必须将所有列用花括号{}括起来。
这些是实际CSV/Excel文件中的列名。

可选的文本组件必须括在[[]]中。
例如，如果列“输入”为空，合并函数将不显示文本并跳过此。
这对于缺失值的数据集很有用。

选择output_column_name中的输出或目标/预测列。
对于 Alpaca 数据集，这将是output。

例如，在Titanic数据集中，我们可以创建一个大型合并提示格式，如下所示，其中每一列/一段文本都是可选的。

例如，假设数据集看起来像这样，有很多缺失的数据：

那么，我们不希望结果是：

1、The passenger embarked from S. Their age is 23. Their fare is EMPTY.

2、The passenger embarked from EMPTY. Their age is 18. Their fare is $7.25.

相反，通过使用[[]]可选地包围列，我们可以完全排除此信息。

1、[[The passenger embarked from S.]] [[Their age is 23.]] [[Their fare is EMPTY.]]

2、[[[The passenger embarked from EMPTY.]] [[Their age is 18.]] [[Their fare is $7.25.]]

变成：

1、The passenger embarked from S. Their age is 23.

2、Their age is 18. Their fare is $7.25.

8、多轮对话

如果你没有注意到，一个小问题是 Alpaca 数据集是单轮的，而记住使用ChatGPT是交互式的，你可以多轮与之交谈。
例如，左边是我们想要的，但是右边是 Alpaca 数据集，只提供单数对话。
我们希望微调语言模型以某种方式学习如何像ChatGPT一样进行多轮对话。

所以我们引入了conversation_extension参数，它本质上是在你的单回合数据集中选择一些随机行，并将它们合并成1个对话！

例如，如果你设置为3，我们随机选择3行并将它们合并成1！

设置太长会使训练变慢，但会使你的聊天机器人和最终的微调变得更好！

然后将output_column_name设置为预测/输出列。对于 Alpaca 数据集，它将是输出列。

然后我们使用standardize_sharegpt函数使数据集以正确的格式进行微调！总是这样称呼！

9、可定制的聊天模板

我们现在可以指定聊天模板来微调自己。
非常著名的 Alpaca 格式如下：

但还记得我们说过这是一个坏主意，因为ChatGPT样式的finetunes只需要1个提示吗？

由于我们成功地将所有数据集列合并为1个，因此我们基本上可以创建以下样式的聊天模板，其中包含1个输入列（指令）和1个输出：

我们只要求您必须为指令输入{INPUT}字段，为模型输出字段输入{OUTPUT}字段。
事实上，我们还允许一个可选的{SYSTEM}字段，这对于自定义系统提示很有用，就像ChatGPT中一样。
例如，下面是一些很酷的例子，您可以将聊天模板自定义为：

对于OpenAI模型中使用的ChatML格式：

或者您可以使用Llama-3模板本身（它仅通过使用Llama-3的说明版本来运行）：我们实际上还允许一个可选的{SYSTEM}字段，这对于自定义系统提示很有用，就像在ChatGPT中一样。

或者在泰坦尼克号预测任务中，您必须在这个Colab笔记本中预测乘客是否死亡或幸存，其中包括CSV和Excel上传：https://colab.research.google.com/drive/1VYkncZMfGFkeCEgN2IzbZIKEDkyQuJAS?usp=sharing

10、训练模型

让我们现在训练模型！我们通常建议人们不要编辑下面的内容，除非您想微调更长的步骤或想在大批量上进行训练。

我们通常不建议更改上述参数，但对其中一些进行详细说明：

per_device_train_batch_size = 2,

如果您想更多地利用GPU的内存，请增加批处理大小。
还要增加批处理大小，以使训练更加流畅，并使过程不会过度拟合。
我们通常不建议这样做，因为由于填充问题，这可能会使训练实际上变慢。
我们通常会要求您增加gradient_accumulation_steps，这只会对数据集进行更多的传递。

gradient_accumulation_steps = 4,

相当于增加批处理大小，但不会影响内存消耗！如果您想要更平滑的训练损失曲线，我们通常建议人们增加这一点。

max_steps = 60, # num_train_epochs = 1,

我们将步骤设置为60以加快训练速度。
对于可能需要数小时的完整训练运行，请将其注释掉max_steps，并将其替换为num_train_epochs = 1。
将其设置为1意味着在您的数据集上进行1次完整通过。
我们通常建议1到3次通过，不能更多，否则您将过度拟合您的finetune。

learning_rate = 2e-4,

如果您想使微调过程变慢，但也很可能收敛到更高精度的结果，请降低学习率。
我们通常建议2e-4、1e-4、5e-5、2e-5作为尝试的数字。

你会看到一些数字的日志！这是训练损失，你的工作是设置参数，使其尽可能接近0.5！如果你的微调没有达到1、0.8或0.5，你可能不得不调整一些数字。
如果你的损失为0，这可能也不是一个好兆头！

11、推理/运行模型

现在让我们在完成训练过程后运行模型！您可以编辑黄色下划线部分！

事实上，因为我们创建了一个多圈聊天机器人，我们现在也可以调用模型，就好像它看到了过去的一些对话，如下所示：

提醒Unsloth本身也提供了2倍更快的推理，所以永远不要忘记调用 FastLanguageModel.for_inference(model) 。
如果您希望模型输出更长的响应，请将max_new_tokens = 128设置为更大的数字，如256或1024。
请注意，您也必须等待更长的结果！

12、保存模型

我们现在可以将微调模型保存为一个100MB的小文件，称为 LoRA adapter ，如下所示。
如果你想上传你的模型，你也可以推送到 Hugging Face 中心！记得通过 https://huggingface.co/settings/tokens 获取 Hugging Face 令牌并添加你的令牌！

保存模型后，我们可以再次使用Unsloth运行模型本身！再次使用FastLanguageModel调用它进行推理！

13、导出到 Ollama

最后，我们可以将微调模型导出到Ollama本身！首先，我们必须在Colab笔记本中安装Ollama：

然后我们将我们必须的finetuned模型 导出为 llama. cpp 的GGUF格式，如下所示：

提醒1行要将False转换为True，不要将每一行都更改为True，否则您将等待很长时间！我们通常建议将第一行设置为True，因此我们可以将finetuned模型快速导出为Q8_0格式（8位量化）。
我们还允许您导出到整个量化方法列表，其中一个流行的是q4_k_m。

前往 https://github.com/ggerganov/llama.cpp了解更多关于GGUF的信息。
如果您愿意，我们还有一些关于如何导出到GGUF的手动说明：https://github.com/unslothai/unsloth/wiki#manually-saving-to-gguf

您将看到一长串如下所示的文本-请等待5到10分钟！！

最后在最后，它看起来像下面：

然后，我们必须在后台运行Ollama本身。
我们使用subprocess，因为Colab不喜欢异步调用，但通常只需在终端/命令提示符下运行ollama serve。

14、自动创建Modelfile

Unsloth提供的技巧是我们自动创建Ollama需要的Modelfile！

这只是一个设置列表，包括我们用于finetune过程的聊天模板！您还可以打印生成的Modelfile，如下所示：

然后我们要求Ollama创建一个与Ollama兼容的模型，通过使用Modelfile

15、Ollama 推理

如果您想调用在您自己的本地机器上运行的Ollama服务器本身/在后台的免费Colab笔记本中，我们现在可以调用模型进行推理。
请记住，您可以编辑黄色下划线部分。

16、交互式ChatGPT风格

但是要像ChatGPT一样运行finetuned模型，我们必须做得更多！首先单击终端图，然后会弹出一个终端。它在左侧边栏上。

然后，您可能需要按两次ENTER来删除终端窗口中的一些奇怪输出。
等待几秒钟，键入ollama run unsloth_model然后按ENTER。

最后，您可以像实际ChatGPT一样与微调模型交互！点击 CTRL+D 退出系统，点击ENTER与聊天机器人交谈！

你做到了！

您已经成功微调了一个语言模型并将其导出到Ollama，速度提高了2倍，VRAM减少了70%！所有这些都在Google Colab笔记本中免费提供！

如果你想学习如何做奖励建模、继续预训练、导出到vLLM或GGUF、完成文本或了解更多关于微调技巧和窍门的信息，请访问我们的Github。

如果您在微调方面需要任何帮助，您也可以在这里加入我们的Discordserver。
如果您需要Ollama方面的帮助，您也可以在这里加入他们的服务器。

最后，我们要感谢您阅读并关注到这里！我们希望这让您理解了微调语言模型背后的一些细节，我们希望这是有用的！

要访问我们的 Alpaca 数据集示例，请单击此处，我们的CSV/Excel微调指南就在这里。

2024-08-24（六）

总结