Llama 3 Agent 能力体验+微调_llama3 autodl

Llama 3 Agent 能力体验+微调（Lagent 版）

微调过程

本次实验基于AutoDL平台使用A40显卡做的实验，使用 XTuner 在 Agent-FLAN 数据集上微调 Llama3-8B-Instruct，以让 Llama3-8B-Instruct 模型获得智能体能力。Agent-FLAN数据集是上海人工智能实验室 InternLM 团队所推出的一个智能体微调数据集，其通过将原始的智能体微调数据以多轮对话的方式进行分解，对数据进行能力分解并平衡，以及加入负样本等方式构建了高效的智能体微调数据集，从而可以大幅提升模型的智能体能力。

环境的配置

首先创建一个cuda虚拟环境，命令如下：

conda create -n llama3 python=3.10
conda activate llama3
pip install torch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 --index-url https://download.pytorch.org/whl/cu118
1
2
3

查看安装的环境包

安装Git

conda install git-lfs
1

使用git命令下载Xtuner

git clone -b v0.1.18 https://github.com/InternLM/XTuner
1

安装Xtuner相关的依赖包,命令如下：

cd XTuner
pip install -e .[all]
1
2

clone Llama3-Tutorial的代码

cd ..
git clone https://github.com/SmartFlowAI/Llama3-Tutorial
1
2

模型的准备

选择从gitee Al网站下载Meta-Llama-3-8B-Instruct 的权重,然后使用Xftp上传到AutoDL租用的A40显卡中。

数据集准备

首先先来下载数据：

cd ~
git clone https://huggingface.co/datasets/internlm/Agent-FLAN
1
2

在 SmartFlowAI/Llama3-Tutorial 仓库中已经准备好了相关转换脚本。

python  /root/autodl-tmp/Llama3-Tutorial/tools/convert_agentflan.py /root/autodl-tmp/Agent-FLAN/data
1

在显示下面的内容后，就表示已经转换好了。转换好的数据位于 /root/autodl-tmp/Agent-FLAN/data_converted

微调启动

安装deepspeed库

pip install deepspeed
1

使用如下指令以启动训练：

export MKL_SERVICE_FORCE_INTEL=1
xtuner train /root/autodl-tmp/Llama3-Tutorial/configs/llama3-agentflan/llama3_8b_instruct_qlora_agentflan_3e.py --work-dir  /root/autodl-tmp/agent-flan-hf --deepspeed deepspeed_zero2
1
2

会出现下图错误

此时使用命令编辑文件,修改路径地址即可。

vim /root/autodl-tmp/Llama3-Tutorial/configs/llama3-agentflan/llama3_8b_instruct_qlora_agentflan_3e.py
1

修改之后，继续运行微调命令，会出现下图问题。

发现缺少mpipy4包，安装mpi4py包。

pip install mpi4py
1

此时参考这篇博客执行下列命令，安装即可。

 conda install -c conda-forge mpi4py mpich
1

安装完成后，重新运行微调命令，即可进行训练。

训练完成后，进行转换权重。

#转换权重
xtuner convert pth_to_hf ~/Llama3-Tutorial/configs/llama3-agentflan/llama3_8b_instruct_qlora_agentflan_3e.py \
    /root/autodl-tmp/agent-flan-hf/iter_2316.pth \
    /root/autodl-tmp/agent-flan-hf/iter_2316_hf
1
2
3
4

由于训练时间太久，选择官方已经训练好且转换为 HuggingFace 格式的权重。
接下来使用指令合并权重：

# 合并权重
export MKL_SERVICE_FORCE_INTEL=1
xtuner convert merge  /root/autodl-tmp/model  \
    /root/autodl-tmp/agent-flan-hf/iter_2316_hf \
    /root/autodl-tmp/agent-flan-hf/mergecd
1
2
3
4
5

Llama3 ReAct Demo

首先使用基于 Lagent 的 Web Demo 来直观体验一下 Llama3 模型在 ReAct 范式下的智能体能力。安装lagent。

pip install lagent
1

我们让它使用 ArxivSearch 工具来搜索 InternLM2 的技术报告。 使用以下命令：

streamlit run   /root/autodl-tmp/Llama3-Tutorial/tools/agent_web_demo.py /root/autodl-tmp/model  --server.port 6006
1
2

此时打开AutoDL上边A40卡的自定义服务即可访问demo实例。
从下图中可以看到，Llama3-8B-Instruct 模型并没有成功调用工具。原因在于它输出了 query=InternLM2 Technical Report 而非 {‘query’: ‘InternLM2 Technical Report’}，这也就导致了 ReAct 在解析工具输入参数时发生错误，进而导致调用工具失败。

Llama3+Agent-FLAN ReAct Demo

在合并权重后，我们再次使用 Web Demo 体验一下它的智能体能力吧。

streamlit run   /root/autodl-tmp/Llama3-Tutorial/tools/agent_web_demo.py /root/autodl-tmp/agent-flan-hf/mergecd --server.port 6006
1

从下图可以看到，经过 Agent-FLAN 数据集的微调后，Llama3-8B-Instruct 模型已经可以成功地调用工具了，其智能体能力有了很大的提升。

本次实验参考Llama3-Tutorial这个教程,有兴趣者可以访问了解一下。