当前位置:   article > 正文

基于LLAMA-7B的lora中文指令微调

llama-7b


前言:

  • 系统:ubuntu18.04
  • 显卡:GTX3090 - 24G (惨呀,上次还是A100,现在只有3090了~)
    (本文旨在快速实现基于llama-7b的中文指令微调)

1. 选用工程

咱们还是用lit-llama(环境安装过程见上篇博客)

  • 地址:https://github.com/Lightning-AI/lit-llama在这里插入图片描述

2. 中文llama-7b预训练模型下载

  • 模型下载
    huggingface上搜索"llama chinese",我们选以下这个模型,如图所示:在这里插入图片描述

  • 模型转换
    切换到lit-llama的工程,修改scripts/convert_hf_checkpoint.py,修改路径,

    • checkpoint_dir:从huggingface下载的权重路径
    • output_dir:转换之后保存的路径
      如下图所示:在这里插入图片描述
  • 切换到lit-llama项目路径下,运行如下指令,进行模型转换:

    python scripts/convert_hf_checkpoint.py
    
    • 1
  • 转换完毕后,在刚才设置的输出路径,会得到lit-llama.pth文件(26G),在上一级目录有tokenizer.model文件
    在这里插入图片描述

3. 数据准备

  • 这里我们选用alpaca的中文指令数据alpaca_data_zh_51k.json,下载地址如下所示:在这里插入图片描述
  • 打开文件,指令数据如下所示:在这里插入图片描述
  • 切换到lit-llama项目路径,打开scripts/prepare_alpaca.py(这里建议复制一份),主要修改如下图所示:
    1)修改中文指令数据文件名
    2)修改中文指令数据存放路径
    3)修改中文llama模型的tokenizer.model路径
    4)中文llama-7b的max_seq_length设置为2048,但是如果你只有一张3090显卡,设置2048会显存溢出,所以这里我们只设置256
    5)因为已经下载完alpaca_data_zh_51k.json文件了,注释掉36和38行代码
    在这里插入图片描述
  • 切换到lit-llama项目路径,运行如下指令:
    python scripts/prepare_alpaca.py	
    
    • 1
  • 运行完毕之后,会在刚才设置的destination_path下得到train.pt和test.pt的数据文件,如下图所示:在这里插入图片描述
    到这里,数据准备完成。

4. 开始指令微调

  • 修改vocab_size
    由于原始llama-7b指令的vocab_size为32000,而下载的中文llama-7b的词典大小为49953,需要对其进行修改。打开lit-llama/model.py,将padded_vocab_size设置为49953,如下图所示:
    在这里插入图片描述

  • 打开finetune/lora.py(建议复制一份),修改训练脚本指令路径,包括:
    1)data_dir:中文指令文件路径
    2)pretrained_path:转换之后的中文lit-llama.pth路径
    3)tokenizer_path:中文llama-7b的tokenizer.model路径
    4)out_dir:保存lora权重文件的路径
    在这里插入图片描述

  • 切换到lit-llama项目路径,运行以下指令开始指令微调:

    python finetune/lora.py
    
    • 1
  • 训练过程如下所示:在这里插入图片描述

5. 模型测试

  • 切换到lit-llama项目路径,打开generate/lora.py(建议复制一份),修改对应的权重路径和tokenizer.model路径,如下图所示:在这里插入图片描述

  • 我们设置prompt为"中国的首都是哪里?",运行如下指令进行测试:

    python generate/lora-chinese.py --prompt "中国的首都是哪里?"
    
    • 1
  • 测试结果如下所示:在这里插入图片描述

总结:

  • 注意替换vocab_size,原始llama-7b的词典大小为32000,下载的中文预训练模型vocab_size为49953
  • 原工程中max_seq_length设置为256,下载的中文预训练模型max_seq_length为2048,但是由于受显存限制(穷~),做中文指令微调时也设置为max_seq_length=256,可能会影响效果。
  • 下一步工作尝试使用多卡训练以及使用自己的数据进行指令微调

结束。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/小蓝xlanll/article/detail/131344
推荐阅读
相关标签
  

闽ICP备14008679号