文章目录
- 介绍
- llama-factory 安装
- 装包
- 下载模型
- 微调模型
- 数据集
- 训练模型
- 微调后的模型推理
介绍
时隔已久的 llama-factory 系列教程更新了。本篇文章是第七篇，之前的六篇，大家酌情选看即可。
因为llama-factory进行了更新，我前面几篇文章的实现部分，都不能直接用了。
我将为大家介绍如何使用 llama-factory Lora 微调模型、部署模型、使用python调用API。
llama-factory 安装
首先建议大家阅读一遍两份不错的文章：
- 官方readme: https://github.com/hiyouga/LLaMA-Factory/blob/v0.9.1/README_zh.md
- 官方推荐的知乎教程：https://zhuanlan.zhihu.com/p/695287607
- 官方文档: https://llamafactory.readthedocs.io/zh-cn/latest/
我这篇博客的与他们的不同在于，我按照我做实验的流程，给大家演示一遍。方便大家一看就懂，心里对大致的流程有个大概。
装包
git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
pip install -e ".[torch,metrics]"
LLaMA-Factory 默认是从Huggingface 下载模型，建议大家改为从国内下载模型。
如果您在 Hugging Face 模型和数据集的下载中遇到了问题，可以通过下述方法使用魔搭社区。
export USE_MODELSCOPE_HUB=1
Windows 使用 set USE_MODELSCOPE_HUB=1
将 model_name_or_path 设置为模型 ID 来加载对应的模型。在魔搭社区查看所有可用的模型，例如 LLM-Research/Meta-Llama-3-8B-Instruct。
您也可以通过下述方法，使用魔乐社区下载数据集和模型。
export USE_OPENMIND_HUB=1
Windows 使用 set USE_OPENMIND_HUB=1
将 model_name_or_path 设置为模型 ID 来加载对应的模型。在魔乐社区查看所有可用的模型，例如 TeleAI/TeleChat-7B-pt。
下载模型
我喜欢使用可视化的网站页面下载模型权重。
llamafactory-cli webui
启动服务之后，进入主机对应的 ip 和端口就可以看到网页。
在 Model name 下拉框中挑选模型，选中之后，再点击下述的加载模型。如果模型权重没有下载，则会进行下载，然后加载进显存中。在下方就会出现对话框就可以与模型进行对话了。
微调模型
数据集
点击 Train 后， 就可以看到当前可用的很多数据集。
在选中数据集后，点击预览数据集，即可看到数据集的样例。如果我们想微调模型，也需要把数据集的样式给整理成上述格式。
点击查看关于数据集的说明：https://github.com/hiyouga/LLaMA-Factory/tree/v0.9.1/data
大家仿照 alpaca_zh_demo.json 的样式准备好数据集，然后在 dataset_info.json完成数据集的注册。
注册数据集， 下图是我在dataset_info.json注册的guihua_ner数据集，然后就可以找到该数据集，并训练模型：
训练模型
可以直接点击可视化界面的 Start 按钮训练模型。也可点击预览命令查看在终端运行的命令。
我一般不使用可视化窗口训练模型。我喜欢直接运行训练模型的命令
llamafactory-cli train \
--stage sft \
--do_train True \
--model_name_or_path qwen/Qwen2.5-7B-Instruct \
--preprocessing_num_workers 16 \
--finetuning_type lora \
--template qwen \
--flash_attn auto \
--dataset_dir data \
--dataset alpaca_zh_demo \
--cutoff_len 2048 \
--learning_rate 5e-05 \
--num_train_epochs 3.0 \
--max_samples 100000 \
--per_device_train_batch_size 2 \
--gradient_accumulation_steps 8 \
--lr_scheduler_type cosine \
--max_grad_norm 1.0 \
--logging_steps 5 \
--save_steps 100 \
--warmup_steps 0 \
--packing False \
--report_to none \
--output_dir saves/Qwen2.5-7B-Instruct/lora/train_2024-11-25-09-56-29 \
--bf16 True \
--plot_loss True \
--ddp_timeout 180000000 \
--optim adamw_torch \
--lora_rank 8 \
--lora_alpha 16 \
--lora_dropout 0 \
--lora_target all
除了使用上述的命令行方式训练模型外，llama-factory还提供了使用 yaml 文件训练模型的方式。
在 example 文件夹下可看到很多训练和推理的 yaml 文件，针对其中的参数就行修改，即可使用。
我以微调 qwen/Qwen2.5-7B-Instruct 为例：
qwen2.5-7B-ner.yaml 文件内容：
### model
model_name_or_path: qwen/Qwen2.5-7B-Instruct
### method
stage: sft
do_train: true
finetuning_type: lora
lora_target: all
### dataset
dataset: guihua_ner
template: qwen
cutoff_len: 2048
max_samples: 1000
overwrite_cache: true
preprocessing_num_workers: 16
### output
output_dir: saves/qwen2.5-7B/ner_epoch5
logging_steps: 10
save_steps: 500
plot_loss: true
overwrite_output_dir: true
### train
per_device_train_batch_size: 1
gradient_accumulation_steps: 8
learning_rate: 1.0e-4
num_train_epochs: 5.0
lr_scheduler_type: cosine
warmup_ratio: 0.1
bf16: true
ddp_timeout: 180000000
### eval
val_size: 0.1
per_device_eval_batch_size: 1
eval_strategy: steps
eval_steps: 500
在 llamafactory-cli train 后，填入 yaml 文件的路径：
llamafactory-cli train config/qwen2.5-7B-ner.yaml
然后就会开始训练模型，最终训练完成的模型保存在 output_dir: saves/qwen2.5-7B/ner_epoch5。
在输出文件夹路径中，可以找到训练过程的损失值变化图片。
微调后的模型推理
在完成模型的微调后，测试一下模型的微调效果。对于微调模型推理，除原始模型和模板外，还需要指定适配器路径 adapter_name_or_path 和微调类型 finetuning_type。
lora_vllm.yaml 的文件内容如下：
model_name_or_path: qwen/Qwen2.5-7B-Instruct
adapter_name_or_path: ../saves/qwen2.5-7B/ner_epoch5
template: qwen
finetuning_type: lora
infer_backend: vllm
vllm_enforce_eager: true
运行下述命令，就可以看到下图的对话窗口：
llamafactory-cli webchat lora_vllm.yaml
根据上图命名实体识别的输出，可以发现微调模型确实有效果。
除了网页聊天的部署之外，还可通过下述多种方式进行部署:
# llamafactory-cli chat xxx.yaml
# llamafactory-cli webchat xxx.yaml
# API_PORT=8000 llamafactory-cli api xxx.yaml
