一文掌握大模型数据准备、模型微调、部署使用全流程_大模型微调数据集格式

0. 引言

距离ChatGPT已经发布1年半了，距离我们训练出自己的大模型也已经1周年了。目前仍然有很多同学在咨询如何训练自己的大模型。这个东西和男/女朋友一样。当你不认识TA，距离TA很远，不敢接触TA的时候，TA就是很神秘，也很难接触。但是一旦当你愈发了解TA的时候，你就知道其实上手也很容易。之前我已经撰写了一个简单的训练大模型的代码，用于阐述大模型训练其实和原来的训练没什么两样。但是随着大模型深入到了每一个研究者的手上，这时候，训练部署的代码框架就更为重要了。

1. 框架选择

时隔半年，大模型的生态体系也逐渐完善，包括huggingface在内的库都已经跟上来了。例如，huggingface自己出的alignment handbook，中文的Firefly,以及今天要讲的LLAMA_factory。LLaMA-Factory早期确实是面向LLaMA系列的模型的，但是后来其他模型也都支持上了。而且，本来是为了更快的指令微调，后来不仅在流程上补全了预训练和强化学习，而且在配置上，也增加了各种训练方法和部署等。

1.1. 环境安装

安装LLAMA_factory相对来讲比较容易，但是依赖项很多，需要安装很久。

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

安装完以后，就可以尽情的去训练了。因此在本文中，我们将快速的带大家过一遍整个大模型的全流程，从数据准备、模型训练和部署使用三个步骤开始讲解，保证让不懂大模型具体怎么做的兄弟姐妹都能够在1个下午搞定整体流程，当然预训练和强化学习这个框架都能够使用，本文以指令微调为例进行说明。

2. 数据准备

大模型的训练离不开数据集，目前随着许多优秀的基座模型发布，例如Llama3和Phi-3都已经显著超越它们的前辈，因此英文上的基础对话能力基本上是没啥问题了。如果一定要再微调的话，都是朝着特定任务或者缺陷来补足，或者是来汉化等等。这里，我们主要介绍一些数据来源。

例如，最新的吵的沸沸扬扬的弱智吧数据也还不错的COIG-CQIA: Quality is All You Need for Chinese Instruction Fine-tuning，提供了一个高质量的中文数据集。当然，也有一些经典的指令数据集可以用，例如alpaca-gpt-4和sharegpt-4的汉化版等等，可以用于汉化微调。

当然，这里都是使用的sharegpt的格式存储的。需要提一句的是，一般指令数据有两类，一类是alpaca的数据格式，一类是sharegpt的数据格式，目前的微调框架大部分适配了这两类。当然也可以自己撰写指定的格式，都是可以的。

两者的格式区别如下所示：

1. alpaca的数据集格式如下：

[
  {
    "instruction": "用户指令（必填）",
    "input": "用户输入（选填）",
    "output": "模型回答（必填）",
    "system": "系统提示词（选填）",
    "history": [
      ["第一轮指令（选填）", "第一轮回答（选填）"],
      ["第二轮指令（选填）", "第二轮回答（选填）"]
    ]
  }
]
1
2
3
4
5
6
7
8
9
10
11
12

2. sharegpt的数据集格式如下：

[
  {
    "conversations": [
      {
        "from": "human",
        "value": "用户指令"
      },
      {
        "from": "gpt",
        "value": "模型回答"
      }
    ],
    "system": "系统提示词（选填）",
    "tools": "工具描述（选填）"
  }
]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

也就是说，只要将自己的数据转换成上述的指令微调数据的形式，都是可以进行大模型微调的。这就非常简单。当然llama_factory也内置了许多常用的数据集，可以在data中找到相应的数据集。也可以自己构建属于自己的文件，放到data下或者任意一个地方都可以，只要是类似的结构就可。

然后，最重要的数据处理过程来了，那就是需要将自己的数据集的格式告诉给框架，通过dataset_info.json进行一个编辑。

例如，官方给出的数据集描述格式如下：

"数据集名称": {
  "hf_hub_url": "Hugging Face 的数据集仓库地址（若指定，则忽略 script_url 和 file_name）",
  "ms_hub_url": "ModelScope 的数据集仓库地址（若指定，则忽略 script_url 和 file_name）",
  "script_url": "包含数据加载脚本的本地文件夹名称（若指定，则忽略 file_name）",
  "file_name": "该目录下数据集文件的名称（若上述参数未指定，则此项必需）",
  "file_sha1": "数据集文件的 SHA-1 哈希值（可选，留空不影响训练）",
  "subset": "数据集子集的名称（可选，默认：None）",
  "folder": "Hugging Face 仓库的文件夹名称（可选，默认：None）",
  "ranking": "是否为偏好数据集（可选，默认：False）",
  "formatting": "数据集格式（可选，默认：alpaca，可以为 alpaca 或 sharegpt）",
  "columns（可选）": {
    "prompt": "数据集代表提示词的表头名称（默认：instruction）",
    "query": "数据集代表请求的表头名称（默认：input）",
    "response": "数据集代表回答的表头名称（默认：output）",
    "history": "数据集代表历史对话的表头名称（默认：None）",
    "messages": "数据集代表消息列表的表头名称（默认：conversations）",
    "system": "数据集代表系统提示的表头名称（默认：None）",
    "tools": "数据集代表工具描述的表头名称（默认：None）",
    "images": "数据集代表图像输入的表头名称（默认：None）"
  },
  "tags（可选，用于 sharegpt 格式）": {
    "role_tag": "消息中代表发送者身份的键名（默认：from）",
    "content_tag": "消息中代表文本内容的键名（默认：value）",
    "user_tag": "消息中代表用户的 role_tag（默认：human）",
    "assistant_tag": "消息中代表助手的 role_tag（默认：gpt）",
    "observation_tag": "消息中代表工具返回结果的 role_tag（默认：observation）",
    "function_tag": "消息中代表工具调用的 role_tag（默认：function_call）",
    "system_tag": "消息中代表系统提示的 role_tag（默认：system，会覆盖 system 列）"
  }
}
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

但是实际上我们可能需要的简单的数据集是这样的:

"sharegpt_4_multi": {
    "file_name": "sharegpt_4_multi.json",
    "formatting": "sharegpt",
    "columns": {
      "messages": "conversations"
    },
    "tags": {
      "role_tag": "from",
      "content_tag": "value",
      "user_tag": "human",
      "assistant_tag": "gpt"
    }
  }

1
2
3
4
5
6
7
8
9
10
11
12
13
14

这里需要关注的就是tags这部分，user_tag可以是"human"也可以是"user"，主要看自定义的数据集里的用户的标签是什么，同理assistant_tag也是如此，这部分可以从dataset_info文件里的其他数据集描述中参考。因此，只需要将我们需要的数据集处理成这种形式，放到data文件夹下即可。

3. 模型训练

作为最为关键的一部分，llama_factory已经将模型训练简化成非常傻瓜式的一键训练了，其训练代码可以在example里找到，这里我们看一个全量微调的脚本example/full_multi_gpu/single_node。

deepspeed --num_gpus 4 ../../src/train_bash.py \
    --deepspeed ../deepspeed/ds_z3_config.json \
    --stage sft \
    --do_train \
    --model_name_or_path meta-llama/Llama-2-7b-hf \
    --dataset alpaca_gpt4_en,glaive_toolcall \ ## 可以多个数据集一起训练，保证具有自然的对话的同时还能有针对性的训练
    --dataset_dir ../../data \
    --template default \  ## 这里的模板如果是通用的一些模型，都可以使用default，或者自定义模版如果有需要的话
    --finetuning_type full \  ##这里指定是全量微调还是LORA微调。
    --output_dir ../../saves/LLaMA2-7B/full/sft \
    --overwrite_cache \
    --overwrite_output_dir \
    --cutoff_len 1024 \  ## 最长长度
    --preprocessing_num_workers 16 \
    --per_device_train_batch_size 1 \
    --per_device_eval_batch_size 1 \
    --gradient_accumulation_steps 2 \
    --lr_scheduler_type cosine \
    --logging_steps 10 \
    --warmup_steps 20 \
    --save_steps 100 \
    --eval_steps 100 \  ## 评估用
    --evaluation_strategy steps \  ## 评估用
    --learning_rate 5e-5 \
    --num_train_epochs 3.0 \
    --max_samples 3000 \
    --val_size 0.1 \  ## 评估用
    --ddp_timeout 180000000 \
    --plot_loss \
    --report_to wandb \ ## 这行为笔者添加，可以看到wandb的记录
    --fp16
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
31

可以看到这里其实是使用deepspeed框架在4块GPU上进行的训练。如果是训练百川模型遇到了问题，可以参考这个解决方案注释掉验证的那几行参数即可。

另外一个需要注意的是，如果使用的是chat模型进行再微调的话，一定要看看template文件里的描述是否与原模型一致。如果是base模型的话，使用default或者自定义模板都可以。

如果真的想看训练的底层代码，可以直接看它的sft源码，也没什么神秘的地方。

当你用上wandb训练后，会得到如下的训练过程图：

一定要记得提前使用下面的命令登录wandb

wandb login
1

这里也放出训练各个模型大小所需要的内存量，以评估当前设备能训练什么样的模型：

3.2 LORA训练

这里我也放一个LORA训练的命令，用于进行对比：

CUDA_VISIBLE_DEVICES=0 python ../../src/train_bash.py \
    --stage sft \
    --do_train \
    --model_name_or_path meta-llama/Llama-2-7b-hf \
    --dataset alpaca_gpt4_en,glaive_toolcall \
    --dataset_dir ../../data \
    --template default \
    --finetuning_type lora \  ## lora 新加
    --lora_target q_proj,v_proj \ ## lora 新加
    --output_dir ../../saves/LLaMA2-7B/lora/sft \
    --overwrite_cache \
    --overwrite_output_dir \
    --cutoff_len 1024 \
    --preprocessing_num_workers 16 \
    --per_device_train_batch_size 1 \
    --per_device_eval_batch_size 1 \
    --gradient_accumulation_steps 8 \
    --lr_scheduler_type cosine \
    --logging_steps 10 \
    --warmup_steps 20 \
    --save_steps 100 \
    --eval_steps 100 \
    --evaluation_strategy steps \
    --load_best_model_at_end \
    --learning_rate 5e-5 \
    --num_train_epochs 3.0 \
    --max_samples 3000 \
    --val_size 0.1 \
    --plot_loss \
    --fp16
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

其实可以看到和全量微调的差异不大，就是指定了lora的训练。但是这里需要阐述的是lora_target是有要求的，根据不同的模型填写的内容也不一样。

3.3 模型合并

如果是使用LORA等方法训练的话，还需要对模型进行一个合并，这里只需要三个关键地址：path_to_base_model,path_to_adapter以及path_to_export。

CUDA_VISIBLE_DEVICES=0 python src/export_model.py \
    --model_name_or_path path_to_base_model \
    --adapter_name_or_path path_to_adapter \
    --template default \
    --finetuning_type lora \
    --export_dir path_to_export \
    --export_size 2 \
    --export_legacy_format False
1
2
3
4
5
6
7
8

3.4 预训练代码和强化学习的训练代码

预训练和强化学习的训练代码与微调的差异不大，大家可以看一下，如果需要的话，后面会再详细阐述这两个部分的训练过程。

预训练的代码：

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \
    --stage pt \                               # Pre——Training预训练模式
    --model_name_or_path path_to_llama_model \ # 模型地址
    --do_train \                               # 表示进行训练
    --dataset wiki_demo \                      # 使用的数据集
    --finetuning_type lora \                   # 微调的方法
    --lora_target W_pack \                     # LoRA作用模块：Baichuan为W_pack
    --output_dir path_to_pt_checkpoint \       # 断点保存：保存模型断点的位置
    --overwrite_cache \                        # 表示是否覆盖缓存文件
    --per_device_train_batch_size 4 \          # 批处理大小：每块 GPU 上处理的样本数量
    --gradient_accumulation_steps 4 \          # 梯度累积：梯度累积的步数（节省显存的方法）
    --lr_scheduler_type cosine \               # 学习率调节器：采用的学习率调节器名称
    --logging_steps 10 \                       # 日志间隔：每两次日志输出间的更新步数
    --save_steps 1000 \                        # 保存间隔：每两次断点保存间的更新步数
    --learning_rate 5e-5 \                     # 学习率：AdamW优化器的初始学习率
    --num_train_epochs 3.0 \                   # 训练轮数：需要执行的训练总轮数
    --plot_loss \                              # 绘制损失函数图
    --fp16                                     # 计算类型：是否启用fp16或bf16混合精度训练。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

强化学习的代码(DPO):

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \
    --stage dpo \
    --model_name_or_path path_to_llama_model \
    --do_train \
    --dataset comparison_gpt4_zh \
    --template default \
    --finetuning_type lora \
    --lora_target W_pack \
    --resume_lora_training False \
    --checkpoint_dir path_to_sft_checkpoint \
    --output_dir path_to_dpo_checkpoint \
    --per_device_train_batch_size 2 \
    --gradient_accumulation_steps 4 \
    --lr_scheduler_type cosine \
    --logging_steps 10 \
    --save_steps 1000 \
    --learning_rate 1e-5 \
    --num_train_epochs 1.0 \
    --plot_loss \
    --fp16
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

4. 部署使用

当我们训练模型完成后，可以用llama_factory自带的测试代码构建起一个简易的命令行UI或者webUI。

但是我们有时候不仅需要批量的测试，更多的时候，希望的是可以部署起来，让我们大家都亲自用一用体验一下。那么部署有很多可以使用的前端，早期可以使用caht-next-web其部署方案我们之前已经写过了。当然，最近比较流行的是open webui。部署的前端是不需要任何GPU资源的，和很多常见的前端UI一样，之前我们部署过chat-next-web，那个是专门给chatgpt使用的，当然也适配其他的openai风格的api，就是设置起来麻烦一些。

这次我们使用open webui作为前端UI，相比较chat-next-web，它拥有更加广泛的后端接口方式以及丰富的前端支持，包括图片的输入输出和语音的输入输出。本质上，它就是一个完全模仿openai的官方界面的一个项目。但是可以选择官方提供的模型、ollama后端提供的模型，或者是自己构建的模型。

当然也有其他的前端供大家使用，在ollama里提供了大量的仓库供大家挑选，我这里就不一一列举了。

。

4.1 准备条件

根据官方教程，使用docker启动它：

docker run -d -p 3000:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main
1

这时候，会拉取oepn-webui的镜像进行下载。稍等片刻后，就能够直接访问了，这里访问端口是服务器的IP:3000端口，8080是docker的端口，注意避免冲突就可以。

4.2 登录系统

第一次在浏览器输入服务器IP:3000后，会有这样一个界面。

这时候点击sign up进行用户注册。

当注册完毕后，第一个登录系统的用户是管理员权限，可以在左下角的用户头像里能够看到一个管理员面板（Admin Panel），单击后可以对于用户实现角色的管理。据官方说实现了RBAC（Role-Based Access Control, 基于角色的访问控制）功能。还记得RBAC第一次听说这个名词的时候还是十年前做用户管理系统的时候，满满的回忆。

4.3 设置模型

登录完毕以后，面板如图所示，特别像openai的官方界面，这时候可以注意到最上面的select a model，但是点击后，是没有任何模型的。需要点击右边的齿轮进行一系列的配置。需要注意的是，这些只有在管理员界面可以看到，普通用户角色是无法设置的。

在点击齿轮后，可以点击connections，这里我列举了3个模型构建的方式。

第一种就是使用带有apikey的第三方的api的方式，这里我填写的是官方的https://api/openai.com/v1，也可以换成任意一个api供应商的地址。

第二种则是自己构建的模型，也就是可以通过例如vllm等后端框架构建的自己的模型后端接入，如果没有设置apikey的访问的话，就填写EMPTY就可以。这里简单提及如何使用vllm构建一个后端的代码，也是非常容易。

第三种则是利用Ollama进行自动化构建已有的模型。ollama严格意义上讲更像是一个模型管理系统，它运行后能够拉取已有的模型(所有支持的模型列表)进行部署，而且也可以把自定义的模型包装起来，进行统一的伺服。它的官方github介绍了很多运行的方式，我这里就简单提简单的使用。
安装代码

curl -fsSL https://ollama.com/install.sh | sh
1

构建llama3模型

ollama run llama3
1

然后就可以把构建模型的机器的ip地址:11434放置到Ollama Base URL中。之所以这两个需要区分，我们看ollama的调用方式就可以发现了:

curl http://localhost:11434/api/chat -d '{
  "model": "llama3",
  "messages": [
    { "role": "user", "content": "why is the sky blue?" }
  ]
}'
1
2
3
4
5
6

它并不是和openai的api兼容的，更多代码详情参见它的开发文档，这里不多赘述。

当我们都设置好模型了以后，我们点击保存后，可使用的模型列表就如图所示。

当我们选定一个模型后，我们就可以愉快的对话了。它同时也支持语音、图像、文档等接口。都可以进行设置。

4.4 自定义配置

如果想自定义整个webui的名字、登录进来的用户角色等等，则需要对docker的镜像进行一定的修改，这里由于篇幅有限，我们下次有机会再细讲。