在本日的科技专栏中,我们将深入探讨怎样微调Llama 3.1模型,以使其更好地适应您的特定领域数据。微调大型语言模型(如Llama)的重要目的是为了在特定领域的数据上体现更好,从而生成更符合您需求的输出。以下是我们将要先容的五个重要步调:
- 安装须要的软件包
- 准备数据集
- 练习模型
- 举行推理
- 生存模型
第一步:安装须要的软件包
起首,我们需要安装一些须要的软件包unsloth和torch,我们将使用它来练习模型,以及accelerate和bitsandbytes等其他工具。值得一提的是,我们使用的是Google Colab提供的免费T4 GPU,这意味着您可以在无需花费任何费用的情况下练习您的模型,这无疑是一个很棒的功能。
- !pip install "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"
- !pip install --no-deps "trl<0.9.0" peft accelerate bitsandbytes
复制代码 第二步:准备数据集
在这一部分,我们将加载并准备我们的Llama 3.1模型。起首,我们需要导入须要的软件包,如UNS sloth和torch,并设置最大序列长度、数据类型等参数。
- import unsloth import FastLanguageModel
- import torch
- max_sequence_length = 2048
- dtype = None
- load_in_4bit = True
复制代码 接下来,我们将从UNS sloth加载模型,并使用Laura技能来只更新1%到10%的参数。这样做的好处是可以或许更高效地举行练习。
- model,tokenizer = FastLanguageModel.from_pretrained(
- model_name="unsloth/Meta-Llama-3.1-8B",
- max_seq_length = max_sequence_length ,
- dtype = dtype,
- load_in_4bit = load_in_4bit
- )
复制代码 第三步:练习模型
如今我们已经准备好了数据集,可以开始练习模型了。在这一步中,我们将配置练习参数,并使用Alpaca数据集来举行练习。
- from datasets import load_dataset
- data = load_dataset('alpaca', split='train')
- data = data.rename_column('output', 'response')
复制代码 接下来,我们将配置练习参数,并开始练习模型。
- from transformers import Trainer, TrainingArguments
- training_args = TrainingArguments(
- output_dir='./results',
- num_train_epochs=3,
- per_device_train_batch_size=8,
- save_steps=10_000,
- save_total_limit=2,
- )
- trainer = Trainer(
- model=model,
- args=training_args,
- train_dataset=data,
- )
- trainer.train()
复制代码 练习完成后,我们可以查看练习的内存和时间统计信息。
- print(trainer.state.log_history)
复制代码 第四步:举行推理
练习完成后,我们可以举行推理。起首,我们需要加载模型并对输入举行标记化处理。然后,我们将生成模型的输出。
- from transformers import pipeline
- inference_pipeline = pipeline('text-generation', model=model)
- input_text = "请介绍一下Llama 3.1模型的应用场景。"
- outputs = inference_pipeline(input_text)
- for i, output in enumerate(outputs):
- print(f"Output {i+1}: {output['generated_text']}")
复制代码 此外,我们还可以使用Hugging Face的新功能——TextStreamer举行实时流式输出,这样我们就无需等候最闭幕果。
- from transformers import TextStreamer
- streamer = TextStreamer(model=model)
- input_text = "请介绍一下Llama 3.1模型的应用场景。"
- streamer(input_text)
复制代码 第五步:生存模型
末了,我们需要生存已经练习好的模型。最好的方法是将其推送到Hugging Face Hub,这样就可以随时访问和使用模型。
- model.save_pretrained('path_to_your_model')
- tokenizer.save_pretrained('path_to_your_tokenizer')
- from huggingface_hub import HfApi
- api = HfApi()
- api.upload_folder(
- folder_path='path_to_your_model',
- path_in_repo='your_repo_name',
- repo_id='your_username/your_repo_name',
- token='your_huggingface_token'
复制代码 如果您盼望以不同的格式(如16位、4位或更低的适配器)生存模型,也可以举行相应的配置。
总结
通过以上五个步调,我们已经完成了Llama 3.1模型的微调。从安装须要的软件包到准备数据集,再到练习模型、举行推理,末了是生存模型,每一步都至关紧张。
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。 |