接上一篇博客。现在开始准备数据,进行Qwen模型的LoRA微调。
准备微调环境及微调数据
准备微调环境
Qwen微调环境要求为:
降级pydantic为2.0以下
先查看版本:
pip show pydantic
可以通过试错的方式验证当前这个包有哪些版本:
pip install pydantic==
这里选择1.10.10的版本:
pip install pydantic==1.10.10
安装合适版本的deepspeed(采用多GPU的需要,实现了多卡的并行加速,负载均衡等)
pip install deepspeed==0.10.0
同样的方式安装peft:
查看有哪些版本:
pip install peft==
选择0.6.2
pip install peft==0.6.2
微调数据准备
Qwen模型微调数据格式:
我们选择一个开源中文医疗问答数据集:
网址:wjjingtian/cMQA: 中文医疗问答数据集 (github.com)
直接git clone:
git clone https://github.com/wjjingtian/cMQA
多尝试几次就能下载成功:
解压文件:
unzip questions.zip
我们可以查看一下下载的数据:
问题:
import pandas as pd
question_file_path = './cMQA/questions.csv'
question_df = pd.read_csv(question_file_path)
print(question_df.head(10))
答案:
ans_file_path = './cMQA/answers.csv'
ans_df = pd.read_csv(ans_file_path)
print(ans_df.head(10))
可以看到该数据集是根据question_id和ans_id一一对应的。
我们需要将其转换为Qwen模型可以进行训练的格式:
采用pd的DataFrame
# 合并问题和答案 DataFrame
merged_df = pd.merge(question_df, ans_df, on='question_id', suffixes=('_question', '_answer'))
# 查看合并后的dataFrame
merged_df.head(10)
我们定义一个完整的函数进行转换:
import json
def export_conversations_to_json(df, num_records, file_name):
"""
将对话数据导出到JSON文件。
:param df: 包含对话数据的 DataFrame
:param num_records: 要导出的记录数
:param file_name: 输出 JSON文件的名称
"""
output = []
# 遍历DataFrame并构建所需的数据结构
for i, row in df.head(num_records).iterrows():
identity = f"identity_{i}"
conversation = [
{"from": "user",
"value": row['content_question']},
{"from": "assistant",
"value": row['content_answer']}
]
output.append({"id": identity,
"conversations": conversation})
# 将列表转换为JSON格式并保存为文件
with open(file_name, 'w', encoding='utf-8') as f:
json.dump(output, f, ensure_ascii=False, indent=2)
实施转换:
# 使用示例
export_conversations_to_json(merged_df, 20000, 'medical_treatment.json')
再查看一下转换后的数据:
import pandas as pd
# 假设df是你的DataFrame
df = pd.read_json('medical_treatment.json')
# 查看前两条数据
df.head(2)
也可以到pycharm或者jupyterlab中查看,转换后的数据格式:
到这里数据准备妥当了,开始修改微调的配置文件,启动微调。
启动LoRA微调
修改微调脚本
我是单GPU,因此选择的是finetune_lora_single_gpu.sh:
修改对应的路径:
注意,这里都需要使用绝对路径。
还有两处修改:
也可以调整每批次的训练数据,来最大化利用显存:
启动微调脚本
在终端上输入:
bash finetune_lora_single_gpu.sh
看一下显存占用
1.8B模型的LoRA微调,占用也就8GB显存
这个太久了,把参数修改一下:
接下来等待一个小时,发现已经微调完毕了:
在finetune文件夹下多出一个文件夹:
里面有相应的参数,以及checkpoint文件夹。我这里发现最后一步1250的checkpoint未保存,因为我设置的是每500次迭代保存一次。
启动LoRA微调后的模型
检查peft版本
pip show peft
如果peft版本大于多等于0.8.0,要进行版本降级:
pip install peft==0.6.2
通过peft加载微调后的模型:
from peft import AutoPeftModelForCausalLM
# 设置LoRA微调后的模型存储路径(checkpoint)
model = AutoPeftModelForCausalLM.from_pretrained("/home/renjintao/nlp/Qwen/finetune/output_qwen_medical/checkpoint-1000/", device_map='auto',trust_remote_code=True).eval()
from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("/home/renjintao/nlp/Qwen/model/qwen/Qwen-1_8B-Chat", trust_remote_code=True)
启动对话:
# 第一轮对话
response, history = model.chat(tokenizer, "我月经已经超过20天没来了用试纸检查没有怀孕,我刚刚参加工作会不会是工作压力导致的", history =None)
print(response)
回答:
如果不采用微调模型的回答:
其实从该回答上来看已经与未经过微调的模型有很大的区别了,LoRA微调已经使得模型在回答医疗相关的问题上有很大的改变。
下一篇将描述微调模型的保存,合并,以及对微调前后的模型进行对比。