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"]
- 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__)
- 选择深度学习后端框架为PyTorch
os.environ["KERAS_BACKEND"] = "torch" # Or "torch" or "tensorflow".
- 引入Keras和Keras-NLP库
import keras
import keras_nlp
- 装载数据集databricks/databricks-dolly-15k,先要安装Hugging Faces datasets库
!pip install -q -U datasets
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。
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
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
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
- 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。
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。
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
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。
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)
三、LLM大模型系列视频教程
四、LLM大模型开源教程(LLaLA/Meta/chatglm/chatgpt)
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
阶段3:AI大模型应用架构实践
-
目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
-
内容:
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4:AI大模型私有化部署
-
目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
-
内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料
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)👈