当前位置:   article > 正文

LLaMA-Factory:大语言模型微调框架(大模型)

llama-factory

简介: LLaMA-Factory 是一个国内北航开源的低代码大模型训练框架,专为大型语言模型(LLMs)的微调而设计

LLaMA-Factory:大语言模型微调框架

在这里插入图片描述

一、功能特点

LLaMA-Factory 是一个国内北航开源的低代码大模型训练框架,专为大型语言模型(LLMs)的微调而设计。其主要功能特点包括:

  1. 高效且低成本:能够高效且低成本地支持对100多个模型进行微调,简化了模型微调的过程。
  2. 易于访问和使用:提供了友好的用户界面,用户无需编写代码即可轻松定制和微调LLMs。
  3. 丰富的数据集选项:支持多个数据集选项,用户可以选择自带的数据集或自己生成数据集进行微调。
  4. 多样化的算法支持:集成了业界最广泛使用的微调方法和优化技术,如LoRA、GaLore、DoRA等。
  5. 实时监控和评估:支持集成TensorBoard、VanDB和MLflow等监控工具,便于实时监控训练过程和评估模型性能。
  6. 极速推理:提供了基于vLLM的OpenAI风格API、浏览器界面和命令行接口,实现快速推理。

二、安装

LLaMA-Factory 的安装相对简单,以下是一般的安装步骤(以conda环境为例):

  1. 创建Python环境
    使用conda创建一个新的Python环境,并安装必要的依赖库,如PyTorch等。

  2. 克隆LLaMA-Factory项目
    通过Git克隆LLaMA-Factory的源代码到本地。

    git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
    
    • 1
  3. 安装依赖
    进入项目目录,安装必要的Python依赖库。

    
     cd LLaMA-Factory
     pip install -e ".[torch,metrics]"
    
    • 1
    • 2
    • 3
  4. 启动服务
    在项目目录中运行python src/train_web.py启动服务,然后在浏览器中访问相应的端口(默认可能是7860)以访问训练界面。

在这里插入图片描述

三、支持的算法

LLaMA-Factory 支持多种先进的微调算法和模型,包括但不限于:

  • 多种模型:LLaMA、LLaVA、Mistral、Mixtral-MoE、Qwen、Yi、Gemma、Baichuan、ChatGLM、Phi 等等。
  • 集成方法:(增量)预训练、(多模态)指令监督微调、奖励模型训练、PPO 训练、DPO 训练、KTO 训练、ORPO 训练等等。
  • 多种精度:16 比特全参数微调、冻结微调、LoRA 微调和基于 AQLM/AWQ/GPTQ/LLM.int8/HQQ/EETQ 的 2/3/4/5/6/8 比特 QLoRA 微调。
  • 先进算法:GaLore、BAdam、DoRA、LongLoRA、LLaMA Pro、Mixture-of-Depths、LoRA+、LoftQ、PiSSA 和 Agent 微调。
  • 实用技巧:FlashAttention-2、Unsloth、RoPE scaling、NEFTune 和 rsLoRA。
  • 实验监控:LlamaBoard、TensorBoard、Wandb、MLflow 等等。
  • 极速推理:基于 vLLM 的 OpenAI 风格 API、浏览器界面和命令行接口。

四、性能指标

与 ChatGLM 官方的 P-Tuning 微调相比,LLaMA Factory 的 LoRA 微调提供了 3.7 倍的加速比,同时在广告文案生成任务上取得了更高的 Rouge 分数。结合 4 比特量化技术,LLaMA Factory 的 QLoRA 微调进一步降低了 GPU 显存消耗。
在这里插入图片描述

GPU现存消耗:

在这里插入图片描述

五、微调例子

以下是一个使用LLaMA-Factory对Yuan2.0模型进行LoRA微调的例子:

  1. 准备数据集
    准备自定义的数据集,可以是JSON格式,包含指令、输入和输出等信息。
  2. 注册数据集
    在LLaMA-Factory的数据集管理文件中注册自定义的数据集。
  3. 启动Web UI服务
    运行python src/train_web.py启动Web UI服务,并在浏览器中打开相应的地址。
  4. 配置微调参数
    在Web界面上配置模型路径、微调方法(选择LoRA)、数据集等参数。
  5. 开始微调
    点击“开始”按钮开始微调过程,可以在界面中查看训练进度和损失函数等信息。
  6. 评估模型
    微调完成后,使用LLaMA-Factory提供的评估工具对模型进行评估,检查模型性能是否有所提升。

通过以上步骤,用户可以利用LLaMA-Factory轻松实现LLMs的微调,提升模型在特定任务上的性能。

如何系统的去学习大模型LLM ?

作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的 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

所有资料 ⚡️ ,朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》,扫码获取~

声明:本文内容由网友自发贡献,转载请注明出处:【wpsshop】

推荐阅读
相关标签