【实战教程】使用Unsloth微调Llama3-Chinese-8B-Instruct：中文开源大模型 ...

微调Llama3-Chinese-8B-Instruct

   微调是指在大规模预练习的基础模型上,使用特定领域或使命数据集进行少量迭代练习,以调解模型参数,提拔其在特定使命上的表现。这种方法可以充分利用预练习模型的广泛知识,同时针对特定应用进行优化,达到更精准高效的效果。
  Llama-3-Chinese-8B-Instruct

   Llama-2已经表现的很精彩了,但其仅使用了2万亿Token进行练习。相比之下,Llama-3使用了高达15万亿Token进行练习,这必将大幅提拔实在力,令人高度期待。
    Llama-3-Chinese-Instruct是基于Meta Llama-3的中文开源大模型，其在原版Llama-3的基础上使用了大规模中文数据进行增量预练习，并且使用精选指令数据进行精调，进一步提拔了中文基础语义和指令理解能力，相比二代相关模型获得了显著性能提拔。
  GitHub：https://github.com/ymcui/Chinese-LLaMA-Alpaca-3
Unsloth

   Unsloth是一个开源的大模型练习加快项目，可以显著提拔大模型的练习速度（提高2-5 倍），淘汰显存占用（最大淘汰80%）
  特点如下：

1. 所有内核均采用OpenAI 的Triton语言编写
3. 模型训练的精度损失为零
5. 支持绝大多数主流的GPU设备
7. 支持对LoRA和QLoRA的训练加速和高效显存管理
9. 支持Flash Attention加速
11. 开源训练速度最高达5倍，Unsloth Pro最高达30倍的训练速度
13. Unsloth与HuggingFace生态兼容，可以很容易将其与transformers、peft、trl等代码库进行结合

复制代码

GitHub：https://github.com/unslothai/unsloth
文档：https://github.com/unslothai/unsloth/wiki

环境设置

创建虚拟环境

1. conda create --name unsloth_env python=3.10
3. conda activate unsloth_env

复制代码

安装相关依赖

1. !pip install "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"
2. !pip install --no-deps "xformers<0.0.26" trl peft accelerate bitsandbytes
3. !pip install modelscope

复制代码

下载预练习模型

支持的预置4位量化模型，可实现4倍更快的下载速度和无OOM。更多模型请查看https://huggingface.co/unsloth

1. fourbit_models = [
2.     "unsloth/mistral-7b-bnb-4bit",
3.     "unsloth/mistral-7b-instruct-v0.2-bnb-4bit",
4.     "unsloth/llama-2-7b-bnb-4bit",
5.     "unsloth/gemma-7b-bnb-4bit",
6.     "unsloth/gemma-7b-it-bnb-4bit", # Gemma 7b的Instruct版本
7.     "unsloth/gemma-2b-bnb-4bit",
8.     "unsloth/gemma-2b-it-bnb-4bit", # Gemma 2b的Instruct版本
9.     "unsloth/llama-3-8b-bnb-4bit", # 15万亿令牌的Llama-3
10. ]

复制代码

这里不使用预置4位量化模型，使用modelscope下载Llama3-Chinese-8B-Instruct中文开源大模型

1. from modelscope import snapshot_download
3. model_dir = snapshot_download('FlagAlpha/Llama3-Chinese-8B-Instruct',cache_dir="/root/models")

复制代码

加载model、tokenizer

1. from unsloth import FastLanguageModel
2. import torch
5. model, tokenizer = FastLanguageModel.from_pretrained(
6.     model_name = "/root/models/Llama3-Chinese-8B-Instruct", # 模型路径
7.     max_seq_length = 2048, # 可以设置为任何值内部做了自适应处理
8.     dtype = torch.float16, # 数据类型使用float16
9.     load_in_4bit = True, # 使用4bit量化来减少内存使用
10. )

复制代码

设置LoRA练习参数

LoRA (Low-Rank Adaptation)是一种大语言模型的低阶适配器技术,可在模型微调过程中,只更新整个模型参数的1%到10%左右,而不是全部参数。通过这种方式实现有效的模型微调和优化,提高了模型在特定使命上的性能。

1. model = FastLanguageModel.get_peft_model(
2.     model,
3.     r = 16, # 选择任何大于0的数字！建议使用8、16、32、64、128
4.     target_modules = ["q_proj", "k_proj", "v_proj", "o_proj",
5.                       "gate_proj", "up_proj", "down_proj",],
6.     lora_alpha = 16,
7.     lora_dropout = 0,  # 支持任何值，但等于0时经过优化
8.     bias = "none",    # 支持任何值，但等于"none"时经过优化
9.     # [NEW] "unsloth" 使用的VRAM减少30%，适用于2倍更大的批处理大小！
10.     use_gradient_checkpointing = "unsloth", # True或"unsloth"适用于非常长的上下文
11.     random_state = 3407,
12.     use_rslora = False,  # 支持排名稳定的LoRA
13.     loftq_config = None, # 和LoftQ
14. )

复制代码

准备数据集

   准备数据集实在就是指令集构建，LLM的微调一般指指令微调过程。所谓指令微调，就是使用指定的微调数据格式、情势。
    练习目标是让模型具有理解并遵循用户指令的能力。因此在指令集构建时，应该针对目标使命，针对性的构建使命指令集。
    这里使用alpaca格式的数据集，格式情势如下：

1. [
2.         {
3.           "instruction": "用户指令（必填）",
4.           "input": "用户输入（选填）",
5.           "output": "模型回答（必填）",
6.         },
7.     "system": "系统提示词（选填）",
8.     "history": [
9.       ["第一轮指令（选填）", "第一轮回答（选填）"],
10.       ["第二轮指令（选填）", "第二轮回答（选填）"]
11.     ]
12. ]

复制代码

1. instruction：用户指令，要求AI执行的任务或问题
3. input：用户输入，是完成用户指令所必须的输入内容，就是执行指令所需的具体信息或上下文
5. output：模型回答，根据给定的指令和输入生成答案

复制代码

这里根据企业私有文档数据，生成相关格式的练习数据集，大概格式如下：

1. [
2.   {
3.     "instruction": "内退条件是什么？",
4.     "input": "",
5.     "output": "内退条件包括与公司签订正式劳动合同并连续工作满20年及以上，以及距离法定退休年龄不足5年。特殊工种符合国家相关规定可提前退休的也可在退休前5年内提出内退申请。"
6.   },
7. ]

复制代码

数据处理

定义对数据处理的函数方法

1. alpaca_prompt = """下面是一项描述任务的说明，配有提供进一步背景信息的输入。写出一个适当完成请求的回应。
3. ### Instruction:
4. {}
6. ### Input:
7. {}
9. ### Response:
10. {}"""
12. EOS_TOKEN = tokenizer.eos_token # Must add EOS_TOKEN
13. def formatting_prompts_func(examples):
14.     instructions = examples["instruction"]
15.     inputs       = examples["input"]
16.     outputs      = examples["output"]
17.     texts = []
18.     for instruction, input, output in zip(instructions, inputs, outputs):
19.         # Must add EOS_TOKEN, otherwise your generation will go on forever!
20.         text = alpaca_prompt.format(instruction, input, output) + EOS_TOKEN
21.         texts.append(text)
22.     return { "text" : texts, }
23. pass

复制代码

加载数据集并进行映射处理操纵

1. from datasets import load_dataset
2. dataset = load_dataset("json", data_files="./train.json", split = "train")
3. dataset = dataset.map(formatting_prompts_func, batched = True,)

复制代码

1. print(dataset[0])

复制代码

经处理后的一条数据格式如下：

1. {'output': '输出内容',
2. 'input': '',
3. 'instruction': '指令内容',
4. 'text': '下面是一项描述任务的说明，配有提供进一步背景信息的输入。写出一个适当完成请求的回应。\n\n### Instruction:\n指令内容？\n\n### Input:\n\n\n### Response:\n输出内容。<|end_of_text|>'
5. }

复制代码

练习超参数配置

1. from transformers import TrainingArguments
3. training_args  = TrainingArguments(
4.         output_dir = "models/lora/llama", # 输出目录
5.         per_device_train_batch_size = 2, # 每个设备的训练批量大小
6.         gradient_accumulation_steps = 4, # 梯度累积步数
7.         warmup_steps = 5,
8.         max_steps = 60, # 最大训练步数，测试时设置
9.         # num_train_epochs= 5, # 训练轮数   
10.         logging_steps = 10,  # 日志记录频率
11.         save_strategy = "steps", # 模型保存策略
12.         save_steps = 100, # 模型保存步数
13.         learning_rate = 2e-4, # 学习率
14.         fp16 = not torch.cuda.is_bf16_supported(), # 是否使用float16训练
15.         bf16 = torch.cuda.is_bf16_supported(), # 是否使用bfloat16训练
16.         optim = "adamw_8bit",  # 优化器
17.         weight_decay = 0.01,  # 正则化技术，通过在损失函数中添加一个正则化项来减小权重的大小
18.         lr_scheduler_type = "linear",  # 学习率衰减策略
19.         seed = 3407, # 随机种子
20.     )

复制代码

开始练习

1. trainer = SFTTrainer(
2.         model=model, # 模型
3.         tokenizer=tokenizer, # 分词器
4.         args=training_args, # 训练参数
5.         train_dataset=dataset, # 训练数据集
6.         dataset_text_field="text", # 数据集文本字段名称
7.         max_seq_length=2048, # 最大序列长度
8.         dataset_num_proc=2, # 数据集处理进程数
9.         packing=False, # 可以让短序列的训练速度提高5倍
10. )

复制代码

显示当前内存状态

1. # 当前GPU信息
2. gpu_stats = torch.cuda.get_device_properties(0)
3. # 当前模型内存占用
4. start_gpu_memory = round(torch.cuda.max_memory_reserved() / 1024 / 1024 / 1024, 3)
5. # GPU最大内存
6. max_memory = round(gpu_stats.total_memory / 1024 / 1024 / 1024, 3)
8. print(f"GPU = {gpu_stats.name}. Max memory = {max_memory} GB.")
9. print(f"{start_gpu_memory} GB of memory reserved.")

复制代码

可以看出当前模型占用5.633G显存

执行练习

1. trainer_stats = trainer.train()

复制代码

显示最终内存和时间统计数据

1. # 计算总的GPU使用内存（单位：GB）
2. used_memory = round(torch.cuda.max_memory_reserved() / 1024 / 1024 / 1024, 3)
3. # 计算LoRA模型使用的GPU内存（单位：GB）
4. used_memory_for_lora = round(used_memory - start_gpu_memory, 3)
5. # 计算总的GPU内存使用百分比
6. used_percentage = round(used_memory / max_memory * 100, 3)
7. # 计算LoRA模型的GPU内存使用百分比
8. lora_percentage = round(used_memory_for_lora / max_memory * 100, 3)
10. print(f"{trainer_stats.metrics['train_runtime']} seconds used for training.")
11. print(f"{round(trainer_stats.metrics['train_runtime'] / 60, 2)} minutes used for training.")
12. print(f"Peak reserved memory = {used_memory} GB.")
13. print(f"Peak reserved memory for training = {used_memory_for_lora} GB.")
14. print(f"Peak reserved memory % of max memory = {used_percentage} %.")
15. print(f"Peak reserved memory for training % of max memory = {lora_percentage} %.")

复制代码

可以看出模型练习时显存增加了0.732G

模型推理

1. FastLanguageModel.for_inference(model) # 启用原生推理速度快2倍
2. inputs = tokenizer(
3. [
4.     alpaca_prompt.format(
5.         "内退条件是什么？", # instruction
6.         "", # input
7.         "", # output
8.     )
9. ], return_tensors = "pt").to("cuda")
11. outputs = model.generate(**inputs, max_new_tokens = 64, use_cache = True)
12. tokenizer.batch_decode(outputs)

复制代码

可以看出模型回答跟练习数据集中的数据意思根本一致。

生存LoRA模型

留意：这仅生存 LoRA 适配器，而不是完整模型

1. lora_model="models/llama_lora"
2. model.save_pretrained(lora_model)
3. tokenizer.save_pretrained(lora_model)
5. # 保存到huggingface
6. # model.push_to_hub("your_name/lora_model", token = "...")
7. # tokenizer.push_to_hub("your_name/lora_model", token = "...")

复制代码

加载模型

   留意：从新加载模型将额外占用显存，若GPU显存不足，需关闭、清除先前加载、练习模型的内存占用
  加载刚生存的LoRA适配器用于推断，他将主动加载整个模型及LoRA适配器。adapter_config.json定义了完整模型的路径。

1.     import torch
2.     from unsloth import FastLanguageModel
3.     model, tokenizer = FastLanguageModel.from_pretrained(
4.         model_name = "models/llama_lora",
5.         max_seq_length = 2048,
6.         dtype = torch.float16,
7.         load_in_4bit = True,
8.     )
9.     FastLanguageModel.for_inference(model)

复制代码

执行推理

1. alpaca_prompt = """
2. 下面是一项描述任务的说明，配有提供进一步背景信息的输入。写出一个适当完成请求的回应。
4. ### Instruction:
5. {}
7. ### Input:
8. {}
10. ### Response:
11. {}
12. """
14. inputs = tokenizer(
15. [
16.     alpaca_prompt.format(
17.         "内退条件是什么？", # instruction
18.         "", # input
19.         "", # output
20.     )
21. ], return_tensors = "pt").to("cuda")
23. outputs = model.generate(**inputs, max_new_tokens = 64, use_cache = True)
24. tokenizer.batch_decode(outputs)

复制代码

生存完整模型

1. # 合并到16bit 保存到本地 OR huggingface
2. model.save_pretrained_merged("models/Llama3", tokenizer, save_method = "merged_16bit",)
3. model.push_to_hub_merged("hf/model", tokenizer, save_method = "merged_16bit", token = "")
5. # 合并到4bit 保存到本地 OR huggingface
6. model.save_pretrained_merged("models/Llama3", tokenizer, save_method = "merged_4bit",)
7. model.push_to_hub_merged("hf/model", tokenizer, save_method = "merged_4bit", token = "")

复制代码

这里合并到16bit

生存为GGUF格式

将模型生存为GGUF格式

1. # 保存到 16bit GGUF 体积大
2. model.save_pretrained_gguf("model", tokenizer, quantization_method = "f16")
3. model.push_to_hub_gguf("hf/model", tokenizer, quantization_method = "f16", token = "")
5. # 保存到 8bit Q8_0 体积适中
6. model.save_pretrained_gguf("model", tokenizer,)
7. model.push_to_hub_gguf("hf/model", tokenizer, token = "")
9. # 保存到 q4_k_m GGUF 体积小
10. model.save_pretrained_gguf("model", tokenizer, quantization_method = "q4_k_m")
11. model.push_to_hub_gguf("hf/model", tokenizer, quantization_method = "q4_k_m", token = "")

复制代码

在执行转换过程中遇到如下问题

1. RuntimeError: Unsloth: Quantization failed! You might have to compile llama.cpp yourself, then run this again.
2. You do not need to close this Python program. Run the following commands in a new terminal:
3. You must run this in the same folder as you're saving your model.
4. git clone --recursive https://github.com/ggerganov/llama.cpp
5. cd llama.cpp && make clean && make all -j
6. Once that's done, redo the quantization.

复制代码

安装提示编译llama.cpp

1. git clone --recursive https://github.com/ggerganov/llama.cpp
2. cd llama.cpp && make clean && make all -j

复制代码

发现任然出现上述错误，截止现在，经查证，官方项目确实存在该Bug。因此使用手动方式进行转换操纵。
参考：llama.cpp 转换、量化和合并

1. !python ./models/llama.cpp/convert.py ./models/Llama3 --outtype f16   --vocab-type bpe --outfile ./models/Llama3-FP16.gguf

复制代码

AI大模型学习福利

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将紧张的AI大模型资料包罗AI大模型入门学习头脑导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

大模型&AI产物经理怎样学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。
1.学习路线图

第一阶段： 从大模型体系计划入手，教学大模型的主要方法；
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开辟借助阿里云PAI平台构建电商领域虚拟试衣体系；
第四阶段： 大模型知识库应用开辟以LangChain框架为例，构建物盛行业咨询智能问答体系；
第五阶段： 大模型微调开辟借助以大康健、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开辟为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
2.视频教程

网上虽然也有很多的学习资源，但根本上都残破不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频教学。

（都打包成一块的了，不能逐一展开，统共300多集）
因篇幅有限，仅展示部分资料，必要点击下方图片前往获取
3.技术文档和电子书

这里主要整理了大模型相关PDF书籍、行业陈诉、文档，有几百本，都是现在行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业现在最新的大模型面试题和各种大厂offer面经合集。