大模型微调lama-factory

简介

LLaMA-Factory是一个强大的工具，用于微调大型语言模型。本文将介绍如何使用LLaMA-Factory进行模型微调的简单操作流程，并提供代码记录。

操作流程

环境搭建

首先，需要克隆LLaMA-Factory仓库并安装必要的库：
复制代码
bash
```
!git clone https://github.com/hiyouga/LLaMA-Factory.git
%cd LLaMA-Factory
%ls
```

安装unsloth，xformers和bitsandbytes库：

复制代码

bash

!pip install "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"
!pip install --no-deps xformers==0.0.25
!pip install .[bitsandbytes]
!pip install 'urllib3<2'

数据集准备
- 将自定义数据集复制到data目录下，并修改data/dataset_info.json以注册数据集：
  复制代码
  json
```
{
  "adgen_local": {
    "file_name": "your_dataset.json"
  }
}
```

模型微调

使用LLaMA-Factory的命令行工具进行微调，以下是一个基于LoRA的微调示例命令：

复制代码

bash

CUDA_VISIBLE_DEVICES=0 llamafactory-cli train \
  --stage sft \
  --do_train \
  --model_name_or_path /path/to/your/model \
  --dataset adgen_local \
  --dataset_dir ./data \
  --template llama3 \
  --finetuning_type lora \
  --lora_target q_proj,v_proj \
  --output_dir ./saves/LLaMA3-8B/lora/sft \
  --overwrite_cache \
  --overwrite_output_dir \
  --cutoff_len 1024 \
  --preprocessing_num_workers 16 \
  --per_device_train_batch_size 2 \
  --gradient_accumulation_steps 8 \
  --lr_scheduler_type cosine \
  --logging_steps 50 \
  --warmup_steps 20 \
  --save_steps 100 \
  --eval_steps 50 \
  --evaluation_strategy steps \
  --load_best_model_at_end \
  --learning_rate 5e-5 \
  --num_train_epochs 5.0 \
  --max_samples 1000 \
  --val_size 0.1 \
  --plot_loss \
  --fp16

参数解释和更多命令可以通过llamafactory-cli train -h获取。

模型导出

微调完成后，使用以下命令合并LoRA权重到原始模型，并导出新模型：

复制代码

bash

modelPath=/path/to/your/model
adapterModelPath=./saves/lora/sft/
llamafactory-cli export \
  --model_name_or_path $modelPath \
  --adapter_name_or_path $adapterModelPath \
  --template qwen \
  --finetuning_type lora \
  --export_dir ./saves/lora/export/ \
  --export_size 2 \
  --export_device cpu \
  --export_legacy_format False

预测评估

使用微调后的模型进行预测，并评估模型性能：

复制代码

bash

modelPath=/path/to/your/model
llamafactory-cli train \
  --stage sft \
  --do_predict \
  --finetuning_type lora \
  --model_name_or_path $modelPath \
  --adapter_name_or_path ./saves/lora/sft \
  --template qwen \
  --dataset identity \
  --cutoff_len 4096 \
  --max_samples 20 \
  --overwrite_cache \
  --overwrite_output_dir \
  --per_device_eval_batch_size 1 \
  --preprocessing_num_workers 16 \
  --predict_with_generate