大家好啊!今天咱们来聊聊怎么给大语言模型"调教"一下，让它在文本分类这个任务上玩得更溜。具体来说，我们要用Qwen1.5这个模型来做文章。别看这活儿听着高大上，其实做起来也没那么难。跟着我来，保证让你轻松上手!
咱们这次要用到的工具有：swanlab、modelscope、transformers还有datasets。从准备数据到可视化训练过程,我们都会用上它们。我琢磨了一下,发现网上能直接用的大模型微调教程不多，所以就想着写这么一篇，希望能给大家一点帮助。
准备工作
首先,咱们得把"武器"准备齐全。你需要安装这几个Python库：
bash
代码解读
pip install swanlab modelscope transformers datasets peft accelerate
这些库各有各的用处:
- transformers: 这是咱们的主力军,用来加载模型、训练和推理
- datasets: 数据集的好帮手,帮我们下载和整理数据
- peft: 专门用来做模型微调的,特别是用LoRA这种省钱省力的方法
- accelerate: 让咱们的训练跑得更快
- modelscope: 在国内下载模型特别方便
- swanlab: 可以帮我们记录训练过程,还能画些漂亮的图表
数据准备
下载数据集
咱们先用ModelScope把数据集弄下来：
python
代码解读
from modelscope import MsDataset
dataset = MsDataset.load('huangjintao/zh_cls_fudan-news', split='train')
test_dataset = MsDataset.load('huangjintao/zh_cls_fudan-news', subset_name='test', split='test')
print(dataset)
print(test_dataset)
要是担心数据集有变动，我这儿有个备份，你可以从百度云上下载。
数据集改造
接下来，我们要把数据集改造成一种特殊的格式，这样大模型才能更好地理解和学习:
python
代码解读
import json
def construct_instruction_dataset(input_file, output_file):
messages = []
with open(input_file, 'r') as file:
for line in file:
data = json.loads(line)
context = data["text"]
category = data["category"]
label = data["output"]
message = {
"instruction": "作为文本分类专家,请根据给定的文本和分类选项,确定正确的文本类型。",
"input": f"文本: {context}\n分类选项: {category}",
"output": label
}
messages.append(message)
with open(output_file, 'w', encoding='utf-8') as file:
for message in messages:
file.write(json.dumps(message, ensure_ascii=False) + '\n')
construct_instruction_dataset('original_dataset.jsonl', 'instruction_dataset.jsonl')
这段代码看着可能有点懵，但其实就是把原来的数据整理成"指令-输入-输出"这样的格式。这么做是为了让模型更好地理解我们的任务。
数据集加载
现在我们把处理好的数据加载进来:
python
代码解读
from datasets import Dataset
import pandas as pd
df = pd.read_json('./instruction_dataset.jsonl', lines=True)
ds = Dataset.from_pandas(df)
数据预处理
接下来是一个重要的步骤，我们要把文本转换成模型能理解的格式:
python
代码解读
def preprocess_function(example):
MAX_LENGTH = 384
prompt = f"<|im_start|>system\n{example['instruction']}<|im_end|>\n<|im_start|>user\n{example['input']}<|im_end|>\n<|im_start|>assistant\n"
inputs = tokenizer(prompt, add_special_tokens=False)
outputs = tokenizer(f"{example['output']}", add_special_tokens=False)
input_ids = inputs["input_ids"] + outputs["input_ids"] + [tokenizer.eos_token_id]
attention_mask = inputs["attention_mask"] + outputs["attention_mask"] + [1]
labels = [-100] * len(inputs["input_ids"]) + outputs["input_ids"] + [tokenizer.eos_token_id]
if len(input_ids) > MAX_LENGTH:
input_ids = input_ids[:MAX_LENGTH]
attention_mask = attention_mask[:MAX_LENGTH]
labels = labels[:MAX_LENGTH]
return {
"input_ids": input_ids,
"attention_mask": attention_mask,
"labels": labels
}
tokenized_dataset = ds.map(preprocess_function, remove_columns=ds.column_names)
这段代码看着挺复杂，但其实就是把我们的文本转换成一串数字，因为模型只认识数字，不认识文字。
模型准备
下载模型
首先，我们要把Qwen1.5模型下载下来：
python
代码解读
import torch
from modelscope import snapshot_download
model_dir = snapshot_download('qwen/Qwen1.5-7B-Chat', cache_dir='./', revision='master')
加载模型
然后，我们把模型加载到内存中：
python
代码解读
from transformers import AutoModelForCausalLM, AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained('./qwen/Qwen1___5-7B-Chat/', use_fast=False, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained('./qwen/Qwen1___5-7B-Chat/', device_map="auto", torch_dtype=torch.bfloat16)
model.enable_input_require_grads()
这里我们用了一个叫"半精度"的技巧，可以让模型占用的内存少一点，跑得更快。
设置LoRA参数
接下来，我们要设置一下LoRA的参数。LoRA是一种很厉害的微调方法，可以让我们用很少的显存就能微调大模型:
python
代码解读
from peft import LoraConfig, TaskType
lora_config = LoraConfig(
task_type=TaskType.CAUSAL_LM,
target_modules=["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj"],
inference_mode=False,
r=8,
lora_alpha=32,
lora_dropout=0.1
)
这些参数看着眼花缭乱？别担心，你只需要知道这是在告诉LoRA怎么工作就行了。
应用LoRA配置
现在，我们把LoRA配置应用到模型上：
python
代码解读
from peft import get_peft_model
model = get_peft_model(model, lora_config)
开始训练
设置训练参数
训练之前《我们要先设置一些训练的参数：
python
代码解读
from transformers import TrainingArguments
training_args = TrainingArguments(
output_dir="./output/Qwen1.5",
per_device_train_batch_size=4,
gradient_accumulation_steps=4,
logging_steps=10,
num_train_epochs=3,
save_steps=100,
learning_rate=1e-4,
save_on_each_node=True,
gradient_checkpointing=True
)
这些参数决定了我们的模型怎么学习,学多久,学习过程中多久保存一次等等。
使用SwanLab监控训练
为了更好地了解训练过程，我们用SwanLab来记录和可视化训练：
python
代码解读
from swanlab.integration.huggingface import SwanLabCallback
swanlab_callback = SwanLabCallback(project="Qwen1.5-Finetune")
开始训练
终于到了激动人心的时刻，我们要开始训练了：
python
代码解读
from transformers import Trainer, DataCollatorForSeq2Seq
trainer = Trainer(
model=model,
args=training_args,
train_dataset=tokenized_dataset,
data_collator=DataCollatorForSeq2Seq(tokenizer=tokenizer, padding=True),
callbacks=[swanlab_callback],
)
trainer.train()
这段代码就是在告诉电脑："好了，现在开始学习吧！"
模型测试
训练完成后，我们当然要看看模型学得怎么样：
python
代码解读
from peft import PeftModel
lora_path = 'output/Qwen1.5/checkpoint-700'
model = PeftModel.from_pretrained(model, model_id=lora_path)
def predict(text, category_options):
prompt = f"文本:{text},类型选项:{category_options}"
messages = [
{"role": "system", "content": "你是一个文本分类领域的专家，请根据给定的文本和分类选项，确定正确的文本类型。"},
{"role": "user", "content": prompt}
]
input_text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer([input_text], return_tensors="pt").to('cuda')
with torch.no_grad():
outputs = model.generate(
inputs.input_ids,
max_new_tokens=512
)
response = tokenizer.decode(outputs[0][len(inputs.input_ids[0]):], skip_special_tokens=True)
return response.strip()
# 使用示例
test_text = "这是一段测试文本。"
test_categories = "体育,科技,娱乐,政治"
result = predict(test_text, test_categories)
print(f"预测结果: {result}")
这段代码就是在问模型："嘿，这段文本是什么类型的？"
小结
好了，到这里我们就完成了Qwen1.5模型的文本分类微调任务。看起来步骤不少，但其实逻辑很清晰:准备数据、加载模型、设置参数、开始训练、最后测试。每一步我们都用了一些小技巧，让整个过程更高效。
希望这篇教程能帮你理解大模型微调的基本流程。记住，实践出真知，多动手试试，你会发现这个过程其实挺有意思的。如果遇到问题，别灰心，这很正常。查查资料，问问同学，相信你一定能搞定！
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 "AI会取代那些行业？""谁的饭碗又将不保了？"等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑......
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码 领取🆓**↓↓↓**
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
-
目标：了解AI大模型的基本概念、发展历程和核心原理。
-
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
-
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
-
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
-
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
-
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
-
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
-
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码 领取🆓**↓↓↓**