LLaMA-Factory：简单的微调Llama
LLaMA-Factory 简介https://img-blog.csdnimg.cn/img_convert/30e405e790715c0e978a7d0e61690afc.png
LLaMA-Factory 是一个开源项目，它提供了一套全面的工具和脚本，用于微调、提供 LLaMA 模子并对其进行基准测试。LLaMA(大型语言模子适应)是由 Meta AI 开辟的基础语言模子的聚集，在各种自然语言使命中体现出强盛的性能。
项目地址: https://gitcode.com/gh_mirrors/ll/LLaMA-Factory
LLaMA-Factory 存储库通过提供以下内容，使 LLaMA 模子入门变得容易：
[*]用于数据预处理和分词化的脚本
[*]用于微调 LLaMA 模子的训练管道
[*]用于使用颠末训练的模子生成文本的推理脚本
[*]用于评估模子性能的基准测试工具
[*]用于交互式测试的 Gradio Web UI
LLaMA-Factory安装步骤
准备工作
操纵系统: 支持 Linux 和 macOS，建议使用 Ubuntu 20.04 或更高版本。
Python 环境: 建议使用 Python 3.8 或更高版本。
CUDA 支持: 假如使用 GPU 进行训练，确保已安装 CUDA 11.x 或更高版本。
Git: 用于克隆项目代码。
详细安装步骤
步骤 1: 克隆项目代码
首先，使用 Git 克隆 LLaMA-Factory 项目到当地：
登录后复制 git clone https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
[*]1.
[*]2.
步骤 2: 创建虚拟环境
建议在虚拟环境中安装项目依赖，以制止与其他项目冲突：
登录后复制 python3 -m venv llama_env
source llama_env/bin/activate
[*]1.
[*]2.
步骤 3: 安装依赖
使用 pip 安装项目所需的依赖包：
登录后复制 pip install -r requirements.txt
[*]1.
步骤 4: 设置环境变量
根据须要设置环境变量，例如 CUDA 路径等。可以在 .env 文件中设置：
登录后复制 echo "CUDA_HOME=/usr/local/cuda" >> .env
[*]1.
步骤 5: 启动 WebUI
安装完成后，可以通过以下命令启动 WebUI：
登录后复制 python train_web.py
[*]1.
启动后，打开欣赏器访问 http://localhost:7860，即可进入 LLaMA-Factory 的 WebUI 界面。
如何设置 LLaMA-Factory
要开始使用，您须要使用所需的依赖项设置 Python 环境。建议使用虚拟环境来隔离包。
登录后复制 #创建并激活虚拟环境
python -m venv llama-env
source llama-env/bin/activate
#安装所需的软件包
pip install -r requirements.txt
[*]1.
[*]2.
[*]3.
[*]4.
[*]5.
[*]6.
LLaMA Factory仓库中的requirements.txt文件指定了须要的Python包，包括PyTorch、Transformers、Datasets等。
您还须要访问预训练的LLaMA模子权重。权重不公开，但可以向Meta索取用于研究目标。将模子权重放置在llama_hecks目次中。
LLaMA-Factory的数据准备
下一步是准备数据集进行微调。LLaMA Factory希望训练数据采用特定的JSON格式：
登录后复制 [
{
"instruction": "What is the capital of France?",
"input": "",
"output": "Paris is the capital of France."
},
...
]
[*]1.
[*]2.
[*]3.
[*]4.
[*]5.
[*]6.
[*]7.
[*]8.
每个JSON对象代表一个训练示例，此中包罗以下字段：
指令：使命指令或提示
输入：使命的附加上下文(可以为空)
输出：目标完成或相应
您可以以这种格式准备自己的数据集，也可以使用数据目次中提供的示例数据集之一，如羊驼数据集。
要标记和处理数据集，请运行：
登录后复制 python data_preprocess.py \
--data_path data/alpaca_data.json \
--save_path data/alpaca_data_tokenized.json
[*]1.
[*]2.
[*]3.
这将加载JSON数据集，对文本字段进行标记，并将标记后的数据保存到磁盘。使用的标记器是Transformers库中的LlamaTokenizer。
LLaMA-Factory微调Llama
准备好数据后，您如今可以使用finetune.py脚本启动微调运行：
登录后复制 python finetune.py \
--model_name llama-7b \
--data_path data/alpaca_data_tokenized.json \
--output_dir output/llama-7b-alpaca \
--num_train_epochs 3 \
--batch_size 128 \
--learning_rate 2e-5 \
--fp16
[*]1.
[*]2.
[*]3.
[*]4.
[*]5.
[*]6.
[*]7.
[*]8.
关键论点是：
model_name：要微调的根本LLaMA模子，例如LLaMA-7b
data_path：标记化数据集的路径
output_dir：保存微调模子的目次
num_train_epochs：训练周期数
batch_size：训练的批量大小
learning_rate：优化器的学习率
fp16：使用fp16混合精度来减少内存使用
该脚本将加载预训练的LLaMA模子，为训练准备数据集，并使用指定的超参数运行微调过程。微调后的模子检查点将保存在output_dir中。
LLaMA-Factory推理
一旦你有了一个颠末微调的LLaMA模子，你就可以在给出提示的情况下使用它来生成文本补全。generate.py脚本提供了一个如何加载模子和实行推理的示例：
登录后复制 python generate.py \
--model_path output/llama-7b-alpaca \
--prompt "What is the capital of France?"
[*]1.
[*]2.
[*]3.
这将从model_path加载微调后的模子，对提供的提示进行标记，并使用模子的generate()方法生成文本补全。您可以自界说生成参数，如max_length、num_beams、temperature等。
Web UI
为了进行交互式测试和演示，LLaMA Factory还提供了Gradio web UI。要启动UI，请运行：
登录后复制 python web_ui.py --model_path output/llama-7b-alpaca
[*]1.
这将启动当地web服务器并在欣赏器中打开UI。您可以输入提示，并实时从微调后的模子生成补全。
web_UI.py中的web UI代码展示了如何将模子与Gradio集成以构建交互式演示。您可以针对特定用例扩展和自界说UI。
用LLaMA-Factory进行基准测试
末了，LLaMA Factory用于在各种评估数据集上对微调模子的性能进行基准测试的脚本。benchmark.py脚本提供了一个示例：
登录后复制 python benchmark.py \
--model_path output/llama-7b-alpaca \
--benchmark_datasets alpaca,hellaswag
[*]1.
[*]2.
[*]3.
这将加载微调后的模子，并在指定的benchmark_datasets上评估其性能。该脚本陈诉了正确性、狐疑度和F1分数等指标。
您可以通过实现DatasetBuilder类并将其注册到基准脚本中来添加自己的评估数据集。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]