微调 Llama 3.2：让 AI 更好地读取医学图像

您是否想知道人工智能模型如何学习理解医学图像？今天，我将带您完成一个令人兴奋的项目：微调 Meta 的 Llama 3.2 Vision 模型来分析放射线图像。如果您不是技术专家，也不要担心 - 我会用简单的术语来解释。

它是如何运作的？

想象一下，有一个人工智能助手可以查看 X 射线并提供详细的医学描述。这正是我们在这里构建的。我们正在采用 Meta 强大的 Llama 3.2 Vision 模型（一个 110 亿参数的 AI）并教它更好地理解医学图像。这就是有趣的地方：在训练之前，模型给出了医学图像的通用的、有些模糊的描述。但经过我们的微调过程后，它变得更加精确和专业，说话更像一个专业的放射技师。

这个过程就像通过例子来教学生一样。我们使用名为"Radiology_mini"的数据集，其中包含与专家描述配对的 X 射线图像。我们反复向模型展示这些内容，它学会了：

识别特定的医疗特征
使用正确的医学术语
像专业放射技师一样构建其响应

我们正在使用一种名为 LoRA（低秩适应）的巧妙技术，即使在单个 GPU 上也可以训练这个庞大的模型。将其视为教导模型更好地完成其工作，而无需重写其整个知识库。

这种转变是显着的。在训练之前，该模型给出了一般的临床观察结果，例如"这张射线照片似乎是上颌和下颌的全景..."训练之后，它提供了更有针对性和结构化的观察结果，例如"全景射线照片显示双侧动脉瘤性骨囊肿（ABC）" --- 对于医疗专业人员来说更加精确和有用！

技术实施

让我们深入研究一下如何自己实现这一点。这是包含代码的分步指南：

1. 设置与安装

首先，安装所需的包：

pip install unsloth
export HF_TOKEN=xxxxxxxxxxxxx  # Your Hugging Face token

2. 完整代码

这是完整的实现，分为逻辑部分：

import os
from unsloth import FastVisionModel
import torch
from datasets import load_dataset
from transformers import TextStreamer
from unsloth import is_bf16_supported
from unsloth.trainer import UnslothVisionDataCollator
from trl import SFTTrainer, SFTConfig

# Load the model
model, tokenizer = FastVisionModel.from_pretrained(
    "unsloth/Llama-3.2-11B-Vision-Instruct",
    load_in_4bit = True,
    use_gradient_checkpointing = "unsloth",
)

# Configure fine-tuning parameters
model = FastVisionModel.get_peft_model(
    model,
    finetune_vision_layers     = True,
    finetune_language_layers   = True,
    finetune_attention_modules = True,
    finetune_mlp_modules      = True,
    r = 16,
    lora_alpha = 16,
    lora_dropout = 0,
    bias = "none",
    random_state = 3407,
    use_rslora = False,
    loftq_config = None,
)

# Load and prepare the dataset
dataset = load_dataset("unsloth/Radiology_mini", split = "train")
instruction = "You are an expert radiographer. Describe accurately what you see in this image."

def convert_to_conversation(sample):
    conversation = [
        { "role": "user",
          "content" : [
            {"type" : "text",  "text"  : instruction},
            {"type" : "image", "image" : sample["image"]} ]
        },
        { "role" : "assistant",
          "content" : [
            {"type" : "text",  "text"  : sample["caption"]} ]
        },
    ]
    return { "messages" : conversation }

converted_dataset = [convert_to_conversation(sample) for sample in dataset]

# Configure the trainer
FastVisionModel.for_training(model)
trainer = SFTTrainer(
    model = model,
    tokenizer = tokenizer,
    data_collator = UnslothVisionDataCollator(model, tokenizer),
    train_dataset = converted_dataset,
    args = SFTConfig(
        per_device_train_batch_size = 2,
        gradient_accumulation_steps = 4,
        warmup_steps = 5,
        max_steps = 30,
        learning_rate = 2e-4,
        fp16 = not is_bf16_supported(),
        bf16 = is_bf16_supported(),
        logging_steps = 1,
        optim = "adamw_8bit",
        weight_decay = 0.01,
        lr_scheduler_type = "linear",
        seed = 3407,
        output_dir = "outputs",
        report_to = "none",
        remove_unused_columns = False,
        dataset_text_field = "",
        dataset_kwargs = {"skip_prepare_dataset": True},
        dataset_num_proc = 4,
        max_seq_length = 2048,
    ),
)

# Train the model
trainer_stats = trainer.train()

# Test after training
print("\nAfter training:\n")
FastVisionModel.for_inference(model)
image = dataset[0]["image"]
instruction = "You are an expert radiographer. Describe accurately what you see in this image."

messages = [
    {"role": "user", "content": [
        {"type": "image"},
        {"type": "text", "text": instruction}
    ]}
]
input_text = tokenizer.apply_chat_template(messages, add_generation_prompt = True)
inputs = tokenizer(
    image,
    input_text,
    add_special_tokens = False,
    return_tensors = "pt",
).to("cuda")

text_streamer = TextStreamer(tokenizer, skip_prompt = True)
_ = model.generate(**inputs, streamer = text_streamer, max_new_tokens = 128,
                   use_cache = True, temperature = 1.5, min_p = 0.1)

# Save and upload the model
model.save_pretrained("lora_model")
tokenizer.save_pretrained("lora_model")

model.save_pretrained_merged("your-username/Llama-3.2-11B-Vision-Radiology-mini", tokenizer,)
model.push_to_hub_merged("your-username/Llama-3.2-11B-Vision-Radiology-mini", 
                        tokenizer, 
                        save_method = "merged_16bit", 
                        token = os.environ.get("HF_TOKEN"))

模型加载：我们以 4 位精度加载预训练的 Llama 3.2 Vision 模型以节省内存。
微调配置：我们可以微调各种模型组件，包括视觉层、语言层和注意力模块。
数据集准备：代码将放射图像及其描述转换为模型可以理解的对话格式。
训练配置：我们使用具有特定参数的 SFTTrainer：

每个设备的批量大小为 2
4个梯度累积步骤
最多 30 个训练步骤
2e-4的学习率
线性学习率调度器

\5. 模型保存：训练后，我们保存 LoRA 权重和模型的合并版本。

重要性

这种技术在医疗保健领域可能具有极高的价值：

帮助放射科医生更高效地工作
在专家接触有限的地区提供初步筛查
培养医学生
提供第二意见

技术栈

对于技术上的好奇，我们使用了几种现代工具来实现这一点：

Unsloth：一个让微调更高效的库
PyTorch：用于底层机器学习操作
Hugging Face：用于管理和共享训练后的模型

展望

这只是开始。随着这些模型不断改进并变得更加专业，它们可能成为医疗保健环境中的宝贵工具。然而，重要的是要记住，它们的目的是帮助而不是取代人类医疗专业人员。

条件和资源

要运行此代码，您需要：

具有至少 48GB VRAM 的 GPU（例如 RTX A6000）
Python 3.8+
Hugging Face 帐户和 API 令牌
训练时间约5分钟

提示：虽然这项技术令人兴奋，但它仍然是辅助人类专业知识的工具，而不是取代它。医疗保健的未来在于人类专业人员和人工智能助手之间的和谐合作。

最后的提示

在训练期间始终监控 GPU 内存使用情况
从少量训练步骤开始来测试您的设置
确保您的训练数据是高质量的并正确标记
跟踪之前/之后的结果以衡量改进情况

请随意尝试超参数并使代码适应您的特定用例。医疗保健领域的人工智能正在快速发展，并且还会有很大的创新空间。

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。至于能学习到多少就看你的学习毅力和能力了。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI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。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。