autodl 上 使用 LLaMA-Factory 微调 中文版 llama3_autodl微调llama3

autodl 上 使用 LLaMA-Factory 微调 中文版 llama3

• • 环境准备
  • 创建虚拟环境
  • 下载微调工具 LLaMA-Factory
  • 下载 llama3-8B
  • 开始微调
  • 测试微调结果
  • 模型合并后导出
  • vllm 加速推理

 

---

环境准备

autodl 服务器：

https://www.autodl.com/console/homepage/personal

基本上充 5 块钱就可以搞完。

强烈建议选 4090（24G），不然微调的显存不够。

我们用 LoRA 微调，至少得 20G（8B模型）。
 

微调工具：

• https://github.com/hiyouga/LLaMA-Factory.git

模型：

• https://www.modelscope.cn/LLM-Research/Meta-Llama-3-8B-Instruct.git

 

---

创建虚拟环境

conda activate LLaMA-Factory
1

上传中文微调 dpo_zh.json 数据：

• https://www.123pan.com/s/cD4cjv-kvgVh.html
• 提取码: NpsA

下载微调工具 LLaMA-Factory

git clone https://github.com/hiyouga/LLaMA-Factory.git

cd LLaMA-Factory 

pip install -e .[metrics]  # 下载全部依赖
1
2
3
4
5

下载 llama3-8B

# pip install modelscope
import torch
from modelscope import snapshot_download, AutoModel, AutoTokenizer
import os

model_dir = snapshot_download('LLM-Research/Meta-Llama-3-8B-Instruct', cache_dir='/root/autodl-tmp', revision='master')
1
2
3
4
5
6

模型路径：/root/autodl-tmp/LLM-Research/Meta-Llama-3-8B-Instruct

 

在 LLaMA-Factory/data 文件夹下找到 dataset_info.json 。

方法一：设置镜像站

这个数据，ta会去hf官方找，我们可以设置镜像站。

pip install -U huggingface_hub  # 安装依赖
export HF_ENDPOINT=https://hf-mirror.com/  # 镜像站
1
2

方法二：改成本地文件路径

俩个地方都要改：file_name、本地数据集路径。

更新 transformers 库：

pip install --upgrade transformers
1

开始微调

CUDA_VISIBLE_DEVICES=0 llamafactory-cli train \
    --stage orpo \
    --do_train True \
    --model_name_or_path /root/autodl-tmp/LLM-Research/Meta-Llama-3-8B-Instruct \
    --finetuning_type lora \
    --template default \
    --flash_attn auto \
    --dataset_dir LLaMA-Factory/data\
    --dataset dpo_mix_zh \
    --cutoff_len 1024 \
    --learning_rate 1e-05 \
    --num_train_epochs 5.0 \
    --max_samples 1 \
    --per_device_train_batch_size 1 \
    --gradient_accumulation_steps 8 \
    --lr_scheduler_type cosine \
    --max_grad_norm 1.0 \
    --logging_steps 5 \
    --save_steps 100 \
    --warmup_steps 0 \
    --optim adamw_torch \
    --report_to none \
    --output_dir saves/LLaMA3-8B/lora/train_2024-04-25-07-48-56 \
    --fp16 True \
    --lora_rank 8 \
    --lora_alpha 16 \
    --lora_dropout 0 \
    --lora_target q_proj,v_proj \
    --orpo_beta 0.1 \
    --plot_loss True 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

微调后，就找这个路径看一下。

微调上面的参数是自定义的：

• max_samples 1 只使用一个数据微调，一般越多越好，这步为演示，就1条了

stage	        当前训练的阶段，枚举值，有“sft”,"pt","rw","ppo"等，代表了训练的不同阶段，这里我们是有监督指令微调，所以是sft
do_train	    是否是训练模式
dataset	        使用的数据集列表，所有字段都需要按上文在data_info.json里注册，多个数据集用","分隔
dataset_dir	    数据集所在目录，这里是 data，也就是项目自带的data目录
finetuning_type	微调训练的类型，枚举值，有"lora","full","freeze"等，这里使用lora
lora_target	    如果finetuning_type是lora，那训练的参数目标的定义，这个不同模型不同，请到https://github.com/hiyouga/LLaMA-Factory/tree/main?tab=readme-ov-file#supported-models 获取 不同模型的 可支持module， 比如llama3 默认是 q_proj,v_proj
output_dir	    训练结果保存的位置
cutoff_len	    训练数据集的长度截断
per_device_train_batch_size	    每个设备上的batch size，最小是1，如果GPU 显存够大，可以适当增加
fp16	        使用半精度混合精度训练
max_samples	    每个数据集采样多少数据
val_size	    随机从数据集中抽取多少比例的数据作为验证集
1
2
3
4
5
6
7
8
9
10
11
12

测试微调结果

微调后，还可以马上测试微调结果。

• 调不好！重新调整参数和数据。
• 调得好！马上合并权重。

训练完后就可以在设置的output_dir下看到：

• adapter开头的就是 LoRA 保存的结果了，后续用于模型推理融合

• training_loss 和trainer_log等记录了训练的过程指标

• 其他是训练当时各种参数的备份

模型合并后导出

如果想把训练的LoRA和原始的大模型进行融合，输出一个完整的模型文件的话：

CUDA_VISIBLE_DEVICES=0 llamafactory-cli export \
    --model_name_or_path /root/autodl-tmp/LLM-Research/Meta-Llama-3-8B-Instruct \
    --adapter_name_or_path ./saves/LLaMA3-8B/lora/sft  \
    --template llama3 \
    --finetuning_type lora \
    --export_dir megred-model-path \
    --export_size 2 \
    --export_device cpu \
    --export_legacy_format False
1
2
3
4
5
6
7
8
9

vllm 加速推理

需要提前将LoRA 模型进行merge，使用merge后的完整版模型目录：

CUDA_VISIBLE_DEVICES=0 API_PORT=8000 llamafactory-cli api \
    --model_name_or_path megred-model-path \
    --template llama3 \
    --infer_backend vllm \
    --vllm_enforce_eager
1
2
3
4
5