LLaMA Factory微调Llama3模型

LLaMA Factory是一款开源低代码大模型微调框架，集成了业界最广泛使用的微调技术，支持通过Web UI界面零代码微调大模型，目前已经成为开源社区内最受欢迎的微调框架。

💥GPU推荐使用24GB显存的A10（ecs.gn7i-c8g1.2xlarge）或更高配置
💥镜像选择DSW官方镜像modelscope:1.14.0-pytorch2.1.2-gpu-py310-cu121-ubuntu22.04

我们来微调llama3-8B模型尝试一下

安装LLaMA Factory

💢拉取LLaMA-Factory项目

python 复制代码

git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git

#
正克隆到 'LLaMA-Factory'...
remote: Enumerating objects: 298, done.
remote: Counting objects: 100% (298/298), done.
remote: Compressing objects: 100% (218/218), done.
remote: Total 298 (delta 76), reused 204 (delta 67), pack-reused 0 (from 0)
接收对象中: 100% (298/298), 7.85 MiB | 5.21 MiB/s, 完成.
处理 delta 中: 100% (76/76), 完成.

💢然后安装LLaMA-Factory依赖环境。

python 复制代码

pip uninstall -y vllm
pip install llamafactory[metrics]==0.7.1
pip install accelerate==0.30.1

安装后输入llamafactory-cli version检查一下是否安装成功：

python 复制代码

llamafactory-cli version
#
----------------------------------------------------------
| Welcome to LLaMA Factory, version 0.7.1                |
|                                                        |
| Project page: https://github.com/hiyouga/LLaMA-Factory |
----------------------------------------------------------

LLaMA-Factory项目内置了丰富的数据集，放在了data目录下，我们也可以准备自定义数据集，将数据处理为框架特定的格式，放在data下，并且修改dataset_info.json文件。

我们看一下官方给出的格式：

Alpaca 格式

python 复制代码

[
  {
    "instruction": "人类指令（必填）",
    "input": "人类输入（选填）",
    "output": "模型回答（必填）",
    "system": "系统提示词（选填）",
    "history": [
      ["第一轮指令（选填）", "第一轮回答（选填）"],
      ["第二轮指令（选填）", "第二轮回答（选填）"]
    ]
  }
]

💫对于上述格式的数据，dataset_info.json 中的数据集描述应为：

python 复制代码

"数据集名称": {
  "file_name": "data.json",
  "columns": {
    "prompt": "instruction",
    "query": "input",
    "response": "output",
    "system": "system",
    "history": "history"
  }
}

我们去官方寻找一份数据集来下载（notebook运行）：

python 复制代码

%cd LLaMA-Factory
!wget https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/tutorials/llama_factory/data.zip
!mv data rawdata && unzip data.zip -d data

数据：

python 复制代码

[
{
    "conversations": [
      {
        "from": "human",
        "value": "模仿西游记的孙悟空的语气和我聊天。如果你把水冻住，你会得到什么？"
      },
      {
        "from": "gpt",
        "value": "哈哈，这问题还难倒俺老孙吗？把水冻住就是变成冰啦！不过若是在取经的路上用得着这冰来做啥，比如过火焰山时，那可就是解渴消暑的好东西了！你觉得呢？还有没有更有趣的问题让俺老孙来解答？"
      },
      {
        "from": "human",
        "value": "那怎么做才可以把水冻住"
      },
      {
        "from": "gpt",
        "value": "哈哈，对俺老孙来说，这可是轻而易举的事情！只需将水放在凉快的地方，或者使用法力，一吹仙气，水便能迅速结冰啦！当然，在你的世界里，把水放进冰箱的冷冻室里等一阵子，水就会变成冰块了。要是嫌慢，可以尝试用点干冰或液氮什么的，不过得小心使用哈！毕竟不像俺老孙有抗寒法力。"
      }
    ]
}
]

模型微调

我们不光可以通过命令行进行微调，还可以启动一个webui来微调推理

python 复制代码

!export USE_MODELSCOPE_HUB=1 && \
llamafactory-cli webui

USE_MODELSCOPE_HUB设为1，表示模型来源是ModelScope

然后就进入到了web界面：

数据集使用上述下载的train.json，点击「预览数据集」可以预览一下数据

设置学习率为1e-4，梯度累积为2，有利于模型拟合，其他的可以按需调整；

将输出目录修改为train_llama3，训练后的LoRA权重将会保存在此目录中。点击「预览命令」可展示所有已配置的参数，点击「开始」启动模型微调！

选择「Evaluate&Predict」栏，在数据集下拉列表中选择「eval」（验证集）评估模型。

点击开始然后开始评估模型，大概三分钟，这里跳过。。。

选择「Chat」栏，确保适配器路径是train_llama3，点击「加载模型」即可在Web UI中和微调模型进行对话。

模型微调之前的对话：

微调之后：