Llama-3.2-3B-Instruct PyTorch模子微调最佳实践

1 引言

Meta Llama 3.2多语言大型语言模子聚集（LM）是一个1B和3B巨细（文本输入/文本输出）的预训练和指令微调模子聚集。Llama 3.2指令调整的纯文本模子针对多语言对话用例进行了优化，包括智能检索和总结使命。它们在常见的行业基准上优于许多可用的开源和闭源谈天模子。
2 环境预备

2.1 安装Ascend CANN Toolkit和Kernels

安装方法请参考安装教程或利用以下下令。

1. # 请替换URL为CANN版本和设备型号对应的URL
2. # 安装CANN Toolkit
3. wget https://ascend-repo.obs.cn-east-2.myhuaweicloud.com/Milan-ASL/Milan-ASL%20V100R001C17SPC701/Ascend-cann-toolkit_8.0.RC1.alpha001_linux-"$(uname -i)".run
4. bash Ascend-cann-toolkit_8.0.RC1.alpha001_linux-"$(uname -i)".run --install
5. # 安装CANN Kernels
6. wget https://ascend-repo.obs.cn-east-2.myhuaweicloud.com/Milan-ASL/Milan-ASL%20V100R001C17SPC701/Ascend-cann-kernels-910b_8.0.RC1.alpha001_linux.run
7. bash Ascend-cann-kernels-910b_8.0.RC1.alpha001_linux.run --install
8. # 设置环境变量
9. source /usr/local/Ascend/ascend-toolkit/set_env.sh

复制代码

2.2 安装openMind Library以及openMind Hub Client

• 安装openMind Hub Client
  

1. pip install openmind_hub

复制代码

• 安装openMind Library，并安装PyTorch框架及其依靠。
  

1. pip install openmind[pt]

复制代码

更详细的安装信息请参考openMind官方的环境安装章节。
2.3 安装llama-factory

1. git clone https://github.com/hiyouga/LLaMA-Factory.git
2. cd LLaMA-Factory
3. pip install -e ".[torch-npu,metrics]"

复制代码

3 模子链接和下载

Llama-3.2-3B模子系列由社区开发者在魔乐社区贡献，包括：

• Llama-3.2-3B：modelers.cn/models/AI-R…
  
• Llama-3.2-3B-Instruct：modelers.cn/models/AI-R…
  

通过Git从魔乐社区下载模子的repo，以Llama-3.2-3B-Instruct为例：

1. # 首先保证已安装git-lfs（https://git-lfs.com）
2. git lfs install
3. git clone https://modelers.cn/AI-Research/Llama-3.2-3B-Instruct.git

复制代码

4 模子推理

用户可以利用openMind Library或者LLaMa Factory进行模子推理，以Llama-3.2-3B-Instruct为例，详细如下：

• 利用openMind Library进行模子推理
  

新建推理脚本inference_llama3.2_3b_chat.py，推理脚本内容为：

1. import argparse
2. import torch
3. from openmind import pipeline
4. from openmind_hub import snapshot_download
6. def parse_args():
7.     parser = argparse.ArgumentParser()
8.     parser.add_argument(
9.         "--model_name_or_path",
10.         type=str,
11.         help="Path to model",
12.         default=None,
13.     )
15.     args = parser.parse_args()
17.     return args
19. def main():
20.     args = parse_args()
21.     if args.model_name_or_path:
22.         model_path = args.model_name_or_path
23.     else:
24.         model_path = snapshot_download("AI-Research/Llama-3.2-3B-Instruct", revision="main", resume_download=True,
25.                                     ignore_patterns=["*.h5", "*.ot", "*.mspack"])
27.     pipe = pipeline(
28.         "text-generation",
29.         model=model_path,
30.         torch_dtype=torch.bfloat16,
31.         device_map="auto",
32.     )
33.     messages = [
34.         {"role": "system", "content": ""},
35.         {"role": "user", "content": "你是谁"},
36.     ]
37.     outputs = pipe(
38.         messages,
39.         max_new_tokens=256,
40.     )
41.     print(outputs[0]["generated_text"][-1])
43. if __name__ == "__main__":
44.     main()

复制代码

实行推理脚本：

1. python inference_llama3.2_3b_chat.py

复制代码

推理结果如下：

• 利用LLaMa Factory与模子交互
  

在LLaMa Factory路径下新建examples/inference/llama3.2_3b_chat.yaml推理设置文件，文件内容为：

1. model_name_or_path: xxx # 当前仅支持本地加载，填写Llama-3.2-3B-Instruct本地权重路径
2. template: llama3

复制代码

利用以下下令与模子进行交互：

1. llamafactory-cli examples/inference/llama3.2_3b_chat.yaml

复制代码

交互结果如下：

5 模子微调

5.1 数据集

利用Llama-Factory集成的identity数据集。
修改data/identity.json，将{{name}}替换为openmind，{{author}}替换为shengteng。
5.2 微调

新建examples/train_lora/llama3.2_3b_lora_sft.yaml 微调设置文件，微调设置文件如下：

1. ### model
2. model_name_or_path: xxx/xxx  # 预训练模型路径
4. ### method
5. stage: sft
6. do_train: true
7. finetuning_type: lora
8. lora_target: all
10. ### dataset
11. dataset: identity
12. template: llama3
13. cutoff_len: 1024
14. overwrite_cache: true
15. preprocessing_num_workers: 16
17. ### output
18. output_dir: ./saves/llama3.2-3b/lora/sft
19. logging_steps: 10
20. save_steps: 500
21. plot_loss: true
22. overwrite_output_dir: true
24. ### train
25. per_device_train_batch_size: 1
26. gradient_accumulation_steps: 8
27. learning_rate: 1.0e-4
28. num_train_epochs: 3.0
29. lr_scheduler_type: cosine
30. warmup_ratio: 0.1
31. bf16: true
32. ddp_timeout: 180000000
34. ### eval
35. val_size: 0.1
36. per_device_eval_batch_size: 1
37. eval_strategy: steps
38. eval_steps: 500

复制代码

利用以下下令进行微调：

1. llamafactory-cli train examples/train_lora/llama3.2_3b_lora_sft.yaml

复制代码

5.3 微调可视化

• 训练Loss可视化：
  

6 微调后推理

模子推理

修改examples/inference/llama3.2_3b_lora_sft.yaml推理设置文件，文件内容为：

1. model_name_or_path: xxx # 当前仅支持本地加载，填写Llama-3.2-3B-Instruct本地权重路径
2. adapter_name_or_path: ./saves/llama3.2-3b/lora/sft
3. template: llama3

复制代码

利用以下下令进行推理：

1. llamafactory-cli chat examples/inference/llama3.2_3b_lora_sft.yaml

复制代码

推理结果：

7 结语

应用使能套件openMind在华为全联接大会2024的展示吸引了我们的注意。通过专家们的分享，得以相识魔乐社区，也相识到openMind在其中发挥的技术能力和未来发展。
通过本次微调的实践，更能领会到openMind套件的魅力。它让微调过程变得更加高效和直观，希望每一位开发者都来尝试它，一起交换履历，更好地提升它的能力。
相干链接：
[1] openMind Library介绍： modelers.cn/docs/zh/ope…
[2] openMind Hub Client介绍： modelers.cn/docs/zh/ope…
​
怎样学习AI大模子？

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 。我已将重要的AI大模子资料包括AI大模子入门学习思维导图、精品AI大模子学习册本手册、视频教程、实战学习等录播视频免费分享出来。
这份完备版的大模子 AI 学习资料已经上传CSDN，朋侪们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、全套AGI大模子学习路线

AI大模子期间的学习之旅：从基础到前沿，把握人工智能的焦点技能！

二、640套AI大模子报告合集

这套包罗640份报告的合集，涵盖了AI大模子的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，照旧对AI大模子感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模子经典PDF籍

随着人工智能技术的飞速发展，AI大模子已经成为了当今科技范畴的一大热点。这些大型预训练模子，如GPT-3、BERT、XLNet等，以其强盛的语言明白和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模子贸易化落地方案

作为平凡人，入局大模子期间需要持续学习和实践，不停提高本身的技能和认知程度，同时也需要有责任感和伦理意识，为人工智能的康健发展贡献气力。

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。