在autodl平台使用llama-factory微调Qwen1.5-7B_autodl部署llama-factory

1 部署环境

step 1. 使用24GB显存以上的显卡创建环境

step 2. 创建好环境之后，关闭环境，使用无卡模式开机（有钱可忽略）

step 3. 安装LLaMA-Factory

git clone https://github.com/hiyouga/LLaMA-Factory.git
# conda create -n llama_factory python=3.10
# conda activate llama_factory
cd LLaMA-Factory
pip install -e .[metrics]
1
2
3
4
5

step 4. 配置ModelScope下载模型环境

export USE_MODELSCOPE_HUB=1
# 更改模型缓存地址，否则默认会缓存到/root/.cache，导致系统盘爆满
export MODELSCOPE_CACHE=/root/autodl-tmp/models/modelscope
# 学术资源加速
source /etc/network_turbo
pip install modelscope vllm
# 安装vllm时可能导致进程killed，需要降低内存安装
# pip install modelscope vllm --no-cache-dir
1
2
3
4
5
6
7
8

step 5. 使用ModelScope下载模型

#模型下载
from modelscope import snapshot_download
model_dir = snapshot_download('qwen/Qwen1.5-7B')
1
2
3

step 6. 切换到 llama-factory 工作目录

cd \root\LLaMA-Factory
1

step 7. 使用web部署

CUDA_VISIBLE_DEVICES=0 python src/web_demo.py \
    --model_name_or_path /root/autodl-tmp/models/modelscope/qwen/Qwen1___5-7B \
    --template qwen \
    --infer_backend vllm \
	--vllm_enforce_eager
# 默认端口为7860
1
2
3
4
5
6

step 8.本地访问

点击自定义服务，下载AutoDL SSH隧道工具

解压后打开工具，并输入登录指令和密码

点击图中连接就可以访问了

2 添加数据集

step 1.如果没有自定义数据集可以在开源网站中获取（OpenXLab）

pip install openxlab #安装

pip install -U openxlab #版本升级

openxlab login #进行登录，输入对应的AK/SK

# Access Key: xxx

# Secret Key: xxx
openxlab dataset get --dataset-repo OpenDataLab/COIG-CQIA --target-path /root/autodl-tmp/Data/openxlab #数据集下载
1
2
3
4
5
6
7
8
9
10

step 2. 将数据格式转化为llama-factory支持的格式

转换脚本可以利用GPT进行编写。

请编写python脚本完成jsonl数据到jsonl数据的格式转换，要求如下：
1）原始jsonl每行格式为：
{
“instruction”: “天下没有不散的筵席，那么我们相聚的意义又是什么”,
“input”: “”,
“output”: “尽管我们相聚的时光有限，但是相聚的意义在于创造美好的回忆和珍贵的关系。相聚让我们感受到彼此的关怀、支持和友情。我们可以一起分享喜悦、快乐和困难，互相支持和激励。相聚也可以是一个机会，让我们相互了解、学习和成长。最重要的是，相聚能够带给我们真实的人际交往和情感交流，让我们感受到生活的丰富和美好。所以，即使相聚的时间有限，我们仍然要珍惜这份意义和与彼此相聚的时光。”,
“task_type”: {
“major”: [
“问答”
],
“minor”: [
“逻辑问答”,
“隐喻理解”
]
},
“domain”: [
“通用”
],
“metadata”: “暂无元数据信息”,
“answer_from”: “llm”,
“human_verified”: true,
“copyright”: “暂无版权及作者信息”
}

2）目标json每行格式为：

{

​ “instruction”: “”,
​ “input”: “天下没有不散的筵席，那么我们相聚的意义又是什么”,
​ “output”: “尽管我们相聚的时光有限，但是相聚的意义在于创造美好的回忆和珍贵的关系。相聚让我们感受到彼此的关怀、支持和友情。我们可以一起分享喜悦、快乐和困难，互相支持和激励。相聚也可以是一个机会，让我们相互了解、学习和成长。最重要的是，相聚能够带给我们真实的人际交往和情感交流，让我们感受到生活的丰富和美好。所以，即使相聚的时间有限，我们仍然要珍惜这份意义和与彼此相聚的时光。”
}

3）按照从1）到2）的格式转换示例编写转换脚本
4）将转换后的数据保存为新的json，中文不要转义

GPT给出的代码如下，需要修改一下数据路径：

import json

def convert_jsonl_to_target_format(input_file, output_file):
    with open(input_file, 'r', encoding='utf-8') as f:
        jsonl_data = f.readlines()

    converted_data = []

    for line in jsonl_data:
        json_data = json.loads(line.strip())
        converted_data.append({
            "instruction": "",
            "input": json_data["instruction"],
            "output": json_data["output"]
        })

    with open(output_file, 'w', encoding='utf-8') as f:
        for item in converted_data:
            json.dump(item, f, ensure_ascii=False)
            f.write('\n')

# 调用转换函数

convert_jsonl_to_target_format("/root/autodl-tmp/Data/openxlab/OpenDataLab___COIG-CQIA/ruozhiba/ruozhiba_ruozhiba.jsonl", "/root/autodl-tmp/Data/LF/ruozhiba.json")
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

step 3. 编写 dataset_info.json 文件

首先计算 ruozhiba.json 文件的sha1sum, sha1sum /root/autodl-tmp/Data/LF/ruozhiba.json

添加自定义数据集的配置信息, 把 ruozhiba.json 文件的sha1 值添加到文件中，"ruozhiba" 为该数据集名；

{
    "ruozhiba": {
    "file_name": "ruozhiba.json",
    "file_sha1": xxx
    },
}
1
2
3
4
5
6

使用LLaMA-Factory微调

step 1. 重新打开有卡的服务器，并在终端进入 LLaMA-Factory 文件夹中

step 2. 使用 LoRA 微调

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \
--stage sft \
--do_train \
--model_name_or_path /root/autodl-tmp/models/modelscope/qwen/Qwen1___5-7B \
--dataset ruozhiba \
--dataset_dir /root/autodl-tmp/Data/LF \
--template qwen \
--finetuning_type lora \
--lora_target q_proj,v_proj \
--output_dir /root/autodl-tmp/checkpoints/llama_factory_demo/qwen/lora/sft \
--overwrite_cache \
--per_device_train_batch_size 4 \
--gradient_accumulation_steps 4 \
--lr_scheduler_type cosine \
--logging_steps 10 \
--save_strategy epoch \
--learning_rate 5e-5 \
--num_train_epochs 50.0 \
--plot_loss \
--fp16
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

step 2. 微调后将adapter和原来模型合并

CUDA_VISIBLE_DEVICES=0 python src/export_model.py \
    --model_name_or_path qwen/Qwen-7B \
    --adapter_name_or_path /root/autodl-tmp/checkpoints/llama_factory_demo/qwen/lora/sft/checkpoint-750 \
    --model_name_or_path /root/autodl-tmp/models/modelscope/qwen/Qwen1___5-7B \
    --template qwen \
    --finetuning_type lora \
    --export_dir /root/autodl-tmp/merged_model/qwen \
    --export_size 2 \
    --export_legacy_format False
1
2
3
4
5
6
7
8
9

step 3. 推理合并后的模型

CUDA_VISIBLE_DEVICES=0 python src/web_demo.py \
    --model_name_or_path /root/autodl-tmp/merged_model/qwen \
    --template qwen \
    --infer_backend vllm \
	--vllm_enforce_eager
1
2
3
4
5