初学者笔记本电脑玩转大模型系列二：微调谷歌Gemma模型

之前分享了《初学者笔记本电脑玩转大模型系列一：利用ollama跑大模型》，这不，Google发布了Gemma开放模型，同等参数尺寸性能最好的大模型，那么言归正传，如何在笔记本电脑微调Gemma模型呢？我们接下来分享一下。

笔记本电脑配置及环境

笔记本电脑配置： i9-13900HX/32GB，GPU 4090/16GB

主要使用的编程环境：Microsoft VS Code、Jupyter Notebook

操作系统：Windows 11, WSL Ubuntu

微调总体思路

基本思路是：我们针对Gemma 2B模型进行微调，使用的是databricks/databricks-dolly-15k，利用Keras框架和Lora对模型进行微调，性能指标监控使用wandb。

微调具体思路

前置条件：WSL（由于keras-nlp最新版只支持Linux）、CUDA 12.3、PyTorch2.1.2、VS Code、Jupyter Notebook，
设置环境变量，由于项目使用wandb来监控性能，因此需要在wandb网站申请key，另外我们需要访问kaggle的Gemma 2B模型，因此在kaggle网站申请key。把这些key信息存放在.env，如下所示：

wandb="xxxx"
KAGGLE_USERNAME="xxxx"
KAGGLE_KEY="xxxx"

同时安装python-dotenv

!pip install -q -U python-dotenv

环境相关代码如下：

import os
from dotenv import find_dotenv,load_dotenv
import wandb

# Note: set in .env
# vars as appropriate for your system.

env=load_dotenv(find_dotenv())


os.environ["KAGGLE_USERNAME"] 
os.environ["KAGGLE_KEY"] 
wb_token=os.environ["wandb"]

在这里插入图片描述

安装Keras和Keras-NLP，注意Windows只能安装Keras-NLP 0.0.2版本，所以一定要在WSL的Linux上安装，安装的Keras-NLP才是最新版本0.8.1，只有最新版才支持gemma的模型。

# Install Keras 3 last. See https://keras.io/getting_started/ for more details.
!pip install -q -U keras-nlp
!pip install -q -U keras>=3

验证一下是否安装了正确版本：

import keras
import keras_nlp
print(keras.__version__)
print(keras_nlp.__version__)

在这里插入图片描述

选择深度学习后端框架为PyTorch

os.environ["KERAS_BACKEND"] = "torch"  # Or "torch" or "tensorflow".

在这里插入图片描述

引入Keras和Keras-NLP库

import keras
import keras_nlp

在这里插入图片描述

装载数据集databricks/databricks-dolly-15k，先要安装Hugging Faces datasets库

!pip install -q -U datasets

在这里插入图片描述

from datasets import load_dataset
dataset = load_dataset("databricks/databricks-dolly-15k")

微调数据大小决定了微调的时间（基于你笔记本电脑的GPU算力），如果1个epoch，1000条数据，lora rank 4，batch size为1，大约在我的电脑跑12分钟。如果你有更高的微调效果，可以使用更多数据条数。我们设置5000。

在这里插入图片描述

data = []
for d in dataset['train']:
    # Filter out examples with context, to keep it simple.
    if d["context"]:
        continue
    # Format the entire example as a single string.
    template = "Instruction:\n{instruction}\n\nResponse:\n{response}"
    data.append(template.format(**d))

# Only use 1000 training examples, to keep it fast.
data = data[:5000]
#data

使用KerasNLP来装载Gemma 2B模型

在这里插入图片描述

gemma_lm = keras_nlp.models.GemmaCausalLM.from_preset("gemma_2b_en")
gemma_lm.summary()

我们可以来看看微调前Gemma的表现，结果不堪入目啊

在这里插入图片描述

prompt = template.format(
    instruction="What should I do on a trip to Europe?",
    response="",
)
print(gemma_lm.generate(prompt, max_length=256))

让Gemma给小孩解释一下光合作用，结果也是不尽如意，小孩应该听不懂

在这里插入图片描述

接下来我们来进行基于Lora的微调，Lora Rank值越低意味着精度越低，我们可以试着从4开始，然后逐渐增加，看看效果是否会得到增加，为了有比较好的效果，我们设置epochs为2，batch size为2（如果batch size设置太大，就会出现CUDA out of memory的情况）。同时我们利用wandb来监控微调Gemma的性能。大概跑10多个小时，如果你等不了那么长时间。建议dataset 1000条，epoch 1, batch_size 1或者2。

在这里插入图片描述

from wandb.keras import WandbMetricsLogger,WandbCallback
import wandb

wandb.login(key=os.environ["wandb"])

wandb.init(config={"bs":12})


# Limit the input sequence length to 512 (to control memory usage).
gemma_lm.preprocessor.sequence_length = 512
# Use AdamW (a common optimizer for transformer models).
optimizer = keras.optimizers.AdamW(
    learning_rate=5e-5,
    weight_decay=0.01,
)
# Exclude layernorm and bias terms from decay.
optimizer.exclude_from_weight_decay(var_names=["bias", "scale"])

gemma_lm.compile(
    loss=keras.losses.SparseCategoricalCrossentropy(from_logits=True),
    optimizer=optimizer,
    weighted_metrics=[keras.metrics.SparseCategoricalAccuracy()],
)
gemma_lm.fit(data, epochs=2, batch_size=2, callbacks=[WandbMetricsLogger(log_freq=4)])

微调完，我们再看看Gemma的效果，确实不像微调前的答非所问。

在这里插入图片描述

prompt = template.format(
    instruction="What should I do on a trip to Europe?",
    response="",
)
print(gemma_lm.generate(prompt, max_length=256))

让它给小孩解释光合作用时，使用的词也比微调前的简单易懂

在这里插入图片描述

prompt = template.format(
    instruction="Explain the process of photosynthesis in a way that a child could understand.",
    response="",
)
print(gemma_lm.generate(prompt, max_length=256))

大功告成，微调是个精细活，初学者只要有心，也不是难事！

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望