llama_factory Qlora微调异常 No package metadata was found for The ‘autoawq‘

importlib.metadata.PackageNotFoundError: No package metadata was found for The 'autoawq' distribution was not found and is required by this application.

To fix: pip install autoawq

其实问题比较简单 直接安装autoawq 即可

但是对应会有版本问题:

查看当前llama factory版本

llamafactory-cli version

torch 版本

import torch
print(torch.__version__)
print(torch.version.cuda)
print(torch.backends.cudnn.version())

安装 autoawq 去Git上看大部分都支持CUDA 12.1 选择一个版本安装即可

pip install autoawq==0.2.2 -i https://pypi.tuna.tsinghua.edu.cn/simple

当前环境报错:

因为autoawq 内置 torch 为2.3.1 所以会与本地torch 2.2.2版本不兼容

直接进行升级即可注意匹配CUDA (当前为12.1)版本

pip install torch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 --index-url https://download.pytorch.org/whl/cu121

(小编尝试过版本降级,但总有其他依赖报错,进行放弃,升级)

查看安装是否成功:

pip show torch
conda list torch

torch 安装成功!

重新安装autoawq

pip install autoawq==0.2.2 -i https://pypi.tuna.tsinghua.edu.cn/simple

问题解决!

后记:大模型微调lora与Qlora 区别还是挺大的,Qlora 微调起来相对麻烦一些对应处理依赖也会更多一些!

主要区别总结
适用范围 :LoRA 可以应用于任何未量化的模型,而 QLoRA 则专门用于已经量化的模型。
内存占用 :QLoRA 通常会比 LoRA 占用更少的内存,因为它可以利用量化带来的内存节省效果。
实现复杂度 :QLoRA 的实现可能比 LoRA 更加复杂,因为它需要处理量化模型特有的问题。
性能优化:QLoRA 通过使用 4-bit 量化和可学习的低秩适配器,能够在保持性能的同时显著减少内存使用

相关推荐
爱喝白开水a9 分钟前
Sentence-BERT实现文本匹配【分类目标函数】
人工智能·深度学习·机器学习·自然语言处理·分类·bert·大模型微调
Donvink3 小时前
多模态大语言模型——《动手学大模型》实践教程第六章
人工智能·深度学习·语言模型·自然语言处理·llama
Donvink6 小时前
大模型安全和越狱攻击——《动手学大模型》实践教程第五章
深度学习·安全·语言模型·llama
Donvink6 小时前
大模型智能体安全——《动手学大模型》实践教程第七章
深度学习·安全·语言模型·prompt·llama
慢热型网友.13 小时前
【项目实战】基于 LLaMA-Factory 通过 LoRA 微调 Qwen2
llama
机器学习是魔鬼13 小时前
LLaMA-Factory 上手即用教程
llama·模型训练·ai功能岛·矩池云
Galeoto13 小时前
fine tuning with llama-factory
llama
Struart_R1 天前
LLaMA-Mesh: Unifying 3D Mesh Generation with Language Models 论文解读
语言模型·llama·多模态·三维生成·自回归
vivid_blog1 天前
【大模型】LLaMA: Open and Efficient Foundation Language Models
人工智能·语言模型·llama
强哥之神2 天前
向量搜索工具之 Milvus vs. Elastic
人工智能·机器学习·语言模型·llama·milvus·向量搜索·搜索数据库