AI智能体研发之路-模型篇（一）：大模型练习框架LLaMA-Factory在国内网络环
博客导读：
《AI—工程篇》
AI智能体研发之路-工程篇（一）：Docker助力AI智能体开发提效
AI智能体研发之路-工程篇（二）：Dify智能体开发平台一键摆设
AI智能体研发之路-工程篇（三）：大模型推理服务框架Ollama一键摆设
AI智能体研发之路-工程篇（四）：大模型推理服务框架Xinference一键摆设
AI智能体研发之路-工程篇（五）：大模型推理服务框架LocalAI一键摆设
《AI—模型篇》
AI智能体研发之路-模型篇（一）：大模型练习框架LLaMA-Factory在国内网络环境下的安装、摆设及使用
AI智能体研发之路-模型篇（二）：DeepSeek-V2-Chat 练习与推理实战
目录
一、弁言
二、LLaMA-Factory项目介绍
2.1 项目特色
2.2性能指标
2.3支持模型
2.4练习方法
2.5硬件依赖
三、LLaMA-Factory项目安装、摆设
3.1 拉取项目代码
3.2 项目目录结构
3.3 Dockerfile适配国内网络环境
3.4 docker-compose.yml适配国内网络环境
3.5 docker compose方式启动
四、LLaMA-Factory项目微调练习
4.1 大模型微调练习-Train（练习）
4.2 大模型微调练习-Evaluate&Predict（评估&预测）
4.3 大模型微调练习-Chat（对话）
4.4 大模型微调练习-Export（导出）
五、总结
一、弁言
贫富差距的产生是信息差，技能贫富差距的产生亦云云。如果可以自我发现或者在别人的指导下发现优秀的开源项目，学习或工作服从真的可以事半功倍。
本日力荐的项目是LLaMA-Factory，我在客岁8月份就开始使用这个项目举行模型摆设和微调练习（fine tune），当时各家大模型仅限于推理测试，OpenAI还没有对外提供微调服务，加上这个项目摆设丝滑（更新及时，不会出现环境依赖问题，代码逻辑上几乎无错误），觉得好牛啊。现在来看项目已经达到22K星，果然酒深不怕巷子香。
本文的焦点价值在于适配国内网络环境：官方文档是以国际hugging face库为示例，本篇文章以国内modelscope库为示例。让国内网络环境用户举行大模型微调练习更加丝滑。
二、LLaMA-Factory项目介绍
2.1 项目特色
[*]多种模型：LLaMA、LLaVA、Mistral、Mixtral-MoE、Qwen、Yi、Gemma、Baichuan、ChatGLM、Phi 等等。
[*]集成方法：（增量）预练习、（多模态）指令监督微调、夸奖模型练习、PPO 练习、DPO 练习和 ORPO 练习。
[*]多种精度：32 比特全参数微调、16 比特冻结微调、16 比特 LoRA 微调和基于 AQLM/AWQ/GPTQ/LLM.int8 的 2/4/8 比特 QLoRA 微调。
[*]先辈算法：GaLore、BAdam、DoRA、LongLoRA、LLaMA Pro、Mixture-of-Depths、LoRA+、LoftQ 和 Agent 微调。
[*]实用本领：FlashAttention-2、Unsloth、RoPE scaling、NEFTune 和 rsLoRA。
[*]实验监控：LlamaBoard、TensorBoard、Wandb、MLflow 等等。
[*]极速推理：基于 vLLM 的 OpenAI 风格 API、欣赏器界面和命令行接口。
2.2性能指标
与 ChatGLM 官方的 P-Tuning 微调相比，LLaMA Factory 的 LoRA 微调提供了 3.7 倍的加速比，同时在广告文案生成任务上取得了更高的 Rouge 分数。结合 4 比特量化技能，LLaMA Factory 的 QLoRA 微调进一步降低了 GPU 显存消耗。
https://img-blog.csdnimg.cn/direct/626c9d9f7aaf42c09da4984cda237aff.png
[*]Training Speed: 练习阶段每秒处理的样本数目。（批处理大小=4，截断长度=1024）
[*]Rouge Score: 广告文案生成任务验证集上的 Rouge-2 分数。（批处理大小=4，截断长度=1024）
[*]GPU Memory: 4 比特量化练习的 GPU 显存峰值。（批处理大小=1，截断长度=1024）
[*]我们在 ChatGLM 的 P-Tuning 中采用 pre_seq_len=128，在 LLaMA Factory 的 LoRA 微调中采用 lora_rank=32。
2.3支持模型
https://img-blog.csdnimg.cn/direct/0419a5cc158a4ef88093cb5a518342fe.png
[*]默认模块应作为 --lora_target 参数的默认值，可使用 --lora_target all 参数指定全部模块以取得更好的结果。
[*]对于全部“基座”（Base）模型，--template 参数可以是 default, alpaca, vicuna 等恣意值。但“对话”（Instruct/Chat）模型请务必使用对应的模板。
[*]请务必在练习和推理时使用完全一致的模板。
2.4练习方法
这里特别说一下，本框架不仅支持预练习（Pre-Training）、指令监督微调练习（Supervised Fine-Tuning），照旧支持夸奖模型练习（Reward Modeling）、PPO、DPO、ORPO等强化学习练习https://img-blog.csdnimg.cn/direct/70fe38b2be784f7c96455042a114a84c.png
各练习阶段的含义参考此图：
https://img-blog.csdnimg.cn/direct/6103efbb668d4adcac7bf66a8a121e01.jpeg
2.5硬件依赖
差别尺寸的模型，差别练习方式，所需GPU显存见下表，在工作中经常被问到需要多少资源，建议收藏 https://img-blog.csdnimg.cn/direct/77fed528175f4357bdef99654c698928.png
三、LLaMA-Factory项目安装、摆设
这里建议使用docker compose摆设，conda及docker摆设方式见项目文档。
3.1 拉取项目代码
git clone https://github.com/hiyouga/LLaMA-Factory.git 3.2 项目目录结构
# tree -d
.
├── assets
├── data //训练数据放在这，里面有配置文件可以新增自己的数据
│ ├── belle_multiturn
│ ├── example_dataset
│ ├── hh_rlhf_en
│ ├── mllm_demo_data
│ └── ultra_chat
├── evaluation//评测脚本在这里
│ ├── ceval
│ ├── cmmlu
│ └── mmlu
├── examples //各种推理、训练的配置文件在这里（以前还是shell脚本，现在是配置文件了）
│ ├── accelerate
│ ├── deepspeed
│ ├── extras
│ │ ├── badam
│ │ ├── fsdp_qlora
│ │ ├── galore
│ │ ├── llama_pro
│ │ ├── loraplus
│ │ └── mod
│ ├── full_multi_gpu
│ ├── inference
│ ├── lora_multi_gpu
│ ├── lora_single_gpu
│ ├── merge_lora
│ └── qlora_single_gpu
├── hf_cache //docker镜像中关联的huggingface目录，存储从hf库下载的模型，本文不用
├── ms_cache //docker镜像中关联的modelscope目录，存储从ms库下载的模型，本文用这个
│ └── hub
│ ├── baichuan-inc
│ │ └── Baichuan2-7B-Chat//现在了百川2-7B举例
│ └── temp
├── output//训练输出的ckpt模型数据在这里
├── scripts//训练代码依赖的脚本
├── src //核心目录，源代码在这里
│ └── llmtuner
│ ├── api
│ ├── chat
│ ├── data
│ ├── eval
│ ├── extras
│ ├── hparams
│ ├── model
│ │ └── utils
│ ├── train
│ │ ├── dpo
│ │ ├── orpo
│ │ ├── ppo
│ │ ├── pt
│ │ ├── rm
│ │ └── sft
│ └── webui
│ └── components
└── tests //测试代码
55 directories
3.3 Dockerfile适配国内网络环境
# vim Dockerfile
FROM nvcr.io/nvidia/pytorch:24.01-py3
WORKDIR /app
COPY requirements.txt /app/
RUN pip install -r requirements.txt -i https://mirrors.cloud.tencent.com/pypi/simple
#修改点1：在官方代码中加入腾讯pip镜像，否则默认镜像拉取依赖包极慢
COPY . /app/
RUN pip install -e . -i https://mirrors.cloud.tencent.com/pypi/simple
#修改点2：同上，在官方代码中加入腾讯pip镜像，否则默认镜像拉取依赖包极慢
#修改点3：在可选依赖包内加入modelscope，这样就可以下载modelscope的模型了
VOLUME [ "/root/.cache/modelscope/", "/app/data", "/app/output" ]
#修改点4：匿名卷中，将/root/.cache/huggingface/改为/root/.cache/modelscope/
#小知识：docker run -v与Dockerfile中VOLUME的区别：
#VOLUME主要用于具有数据存储需求的Dockerfile中，以免用户docker run忘记指定-v导致容器删除后，造成的数据丢失，这个项目要存储模型、训练数据、训练输出的模型数据，所以分别建立这3个匿名卷
#如果没有-v指定，默认存储在/var/lib/docker/volumes/{容器ID}中，如果-v指定，则存储在指定目录中
EXPOSE 7860
#默认指定监听的端口
CMD [ "llamafactory-cli", "webui" ]
#镜像模型启动模型为webui,我觉得也可以改为train、chat、expose、api，还没试。 3.4 docker-compose.yml适配国内网络环境
# vim docker-compose.yml
version: '3.8'
services:
llama-factory:
build:
dockerfile: Dockerfile
context: .
container_name: llama_factory
volumes:
- ./ms_cache:/root/.cache/modelscope/
#修改点1：将./ms_cache:/root/.cache/huggingface/修改为./ms_cache:/root/.cache/modelscope/，使用Dockerfile里建立的modelscope挂载点
- ./data:/app/data
- ./output:/app/output
environment:
- CUDA_VISIBLE_DEVICES=1
#修改点2：nvidia-smi看看服务器哪张卡显存充足，指定为对应的显卡，目前webui仅支持单卡，多卡训练请使用命令行。
- USE_MODELSCOPE_HUB=1
#修改点3：环境变量中加入USE_MODELSCOPE_HUB=1，采用从modelscope库中下载模型
ports:
- "7860:7860"
ipc: host
deploy:
resources:
reservations:
devices:
- driver: nvidia
count: "all"
capabilities:
restart: unless-stopped 3.5 docker compose方式启动
修改完Dockerfile和docker-compose.yml之后，就可以打本地镜像启动啦，期待您一遍过～
docker compose -f ./docker-compose.yml up -d
# -f 指定docker-compose.yml
# -d 后台运行，可以使用docker logs llama_factory -f --tail 100查看启动日志 如果启动没问题，在欣赏器输入宿主机ip+7860（如123.123.123.123:7860）进入webui界面，恭喜！
https://img-blog.csdnimg.cn/direct/5eeb4d13aa1346ea8eaa4576cc67e218.png
四、LLaMA-Factory项目微调练习
终于来到我们最喜欢的炼丹环节！开发工作中，搭环境永远是最贫苦的，雨过天晴，让我们一起练习大模型吧！
4.1 大模型微调练习-Train（练习）
根据WebUI逐个勾选参数，点击预览命令便会生成背景实行的命令，这个命令可以保存下来，以命令行方式运行也是可以的，点击开始举行练习，下面参照命令说明每个参数的意义。
https://img-blog.csdnimg.cn/direct/92d811138ea348e98b5e90e5055f4411.png
CUDA_VISIBLE_DEVICES=1 llamafactory-cli train \
--stage sft \ #指定sft微调训练，可选rm，dpo等
--do_train True \#训练是do_train，预测是do_predict
--model_name_or_path baichuan-inc/Baichuan2-7B-Chat \#模型目录，如果网络不行，可以配置本地目录，但今天的modelscope教程已经解决这个问题
--finetuning_type lora \ #训练类型为lora，也可以进行full和freeze训练
--quantization_bit 4 \ #量化精度，4bit，可选8bit和none不量化
--template baichuan2 \ #模版，每个模型要选对应的模版，对应关系见上文
--flash_attn auto \ #flash attention，闪光注意力机制，一种加速注意力计算的方法，后面会专门写一篇，baichuan2暂不支持，这里选auto，对于支持的模型可以选择fa2
--dataset_dir data \ #数据目录
--dataset oaast_sft_zh \ #数据集，可以通过更改dataset_info.json文件配置自己的数据集
--cutoff_len 1024 \ #截断长度
--learning_rate 5e-05 \ #学习率，AdamW优化器的初始学习率
--num_train_epochs 20.0 \ #训练轮数，需要执行的训练总轮数
--max_samples 100000 \ #最大样本数，每个数据集的最大样本数
--per_device_train_batch_size 1 \ #批处理大小，每个GPU处理的样本数量，推荐为1
--gradient_accumulation_steps 1 \ #梯度累积，梯度累积的步数,推荐为1
--lr_scheduler_type cosine \ #学习率调节器,可选line,constant等多种
--max_grad_norm 1.0 \ #最大梯度范数,用于梯度裁剪的范数
--logging_steps 100 \ #日志间隔，每两次日志输出间的更新步数
--save_steps 5000 \ #保存间隔，每两次断点保存间的更新步数。
--warmup_steps 0.1 \ #预热步数，学习率预热采用的步数。
--optim adamw_torch \ #优化器，使用的优化器：adamw_torch、adamw_8bit 或 adafactor
--packing False \
--report_to none \
--output_dir saves/Baichuan2-7B-Chat/lora/train_2024-05-13-06-18-23 \ #数据目录
--fp16 True \ #计算类型，可以fp16、bf16等
--lora_rank 32 \ #LoRA秩，LoRA矩阵的秩大小，越大精度越高，推荐32
--lora_alpha 16 \ #LoRA 缩放系数
--lora_dropout 0 \
--lora_target W_pack \ #模型对应的模块，具体对应关系见上文
--val_size 0.1 \
--evaluation_strategy steps \
--eval_steps 5000 \
--per_device_eval_batch_size 1 \
--load_best_model_at_end True \
--plot_loss True 项目经过长时间的积淀，支持的功能非常全面，写了一些Lora的参数说明，后面另有RLHF、GeLore参数说明，BAdam参数说明，文章会渐渐补全，对于重点微调技能，后面会单独开文章讲解。
4.2 大模型微调练习-Evaluate&Predict（评估&预测）
评估&预测模块，针对微调完成的模型举行评估。https://img-blog.csdnimg.cn/direct/96b7f9d39c954d20a8ac122849ce1859.png
根据勾选参数预测&评估的命令如下，多数都好理解，不再赘述
CUDA_VISIBLE_DEVICES=1 llamafactory-cli train \
--stage sft \
--model_name_or_path baichuan-inc/Baichuan2-7B-Chat \
--finetuning_type lora \
--quantization_bit 4 \
--template baichuan2 \
--flash_attn auto \
--dataset_dir data \
--dataset oaast_sft_zh \
--cutoff_len 1024 \
--max_samples 100000 \
--per_device_eval_batch_size 2 \
--predict_with_generate True \
--max_new_tokens 512 \
--top_p 0.7 \
--temperature 0.95 \
--output_dir saves/Baichuan2-7B-Chat/lora/eval_2024-05-13-06-18-23 \
--do_predict True 实行成功后，可以看到进度条。https://img-blog.csdnimg.cn/direct/80c05c3a68d4486e92256b4b0372b9cf.png
4.3 大模型微调练习-Chat（对话）
在练习、评估之后，可以举行Chat测试，如果配置了微调后的适配器路径，就会将基座模型与微调模型归并在一起举行测试，如果不配置适配器路径，只对基座模型举行测试。 https://img-blog.csdnimg.cn/direct/c24bbc3b649f4733b0e89a7693611937.png
推理引擎默以为huggingface，可以选择vllm举行加速。
4.4 大模型微调练习-Export（导出）
模型导出，可将基座模型与微调后的模型归并到出，一键完成。
https://img-blog.csdnimg.cn/direct/4264242dede844ecb4dceb21be92aaec.png
五、总结
本文先对LLaMA-Factory项目举行介绍，之后逐行具体介绍了该项目在国内网络环境下如何安装、摆设，末了以Baichuan2-7B为例，通过讲解练习参数的方式具体介绍了基于LLaMA-Factory WebUI的大模型微调练习。篇幅有限，专栏内会持续更新，具体介绍大模型微调练习方法。如果觉得对你有资助，期待您的关注，点赞、收藏或评论，您的支持是我持续码字的动力。
如果不外瘾，还可以接着看看我的其他文章：
《AI—工程篇》
AI智能体研发之路-工程篇（一）：Docker助力AI智能体开发提效
AI智能体研发之路-工程篇（二）：Dify智能体开发平台一键摆设
AI智能体研发之路-工程篇（三）：大模型推理服务框架Ollama一键摆设
AI智能体研发之路-工程篇（四）：大模型推理服务框架Xinference一键摆设
AI智能体研发之路-工程篇（五）：大模型推理服务框架LocalAI一键摆设
《AI—模型篇》
AI智能体研发之路-模型篇（一）：大模型练习框架LLaMA-Factory在国内网络环境下的安装、摆设及使用
AI智能体研发之路-模型篇（二）：DeepSeek-V2-Chat 练习与推理实战
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]