模型介绍

Alpaca模型是斯坦福大学研发的LLM（Large Language Model，大语言）开源模型，是一个在52K指令上从LLaMA 7B（Meta公司开源的7B）模型微调而来，具有70亿的模型参数（模型参数越大，模型的推理能力越强，当然随之训练模型的成本也就越高）。

LoRA，英文全称Low-Rank Adaptation of Large Language Models，直译为大语言模型的低阶适应，这是微软的研究人员为了解决大语言模型微调而开发的一项技术。如果想让一个预训练大语言模型能够执行特定领域内的任务，一般需要做fine-tuning，但是目前推理效果好的大语言模型参数维度非常非常大，有些甚至是上千亿维，如果直接在大语言模型上做fine-tuning，计算量会非常的大，成本也会非常的高。

’LoRA的做法是冻结预训练好的模型参数，然后在每个Transformer块里注入可训练的层，由于不需要对模型的参数重新计算梯度，所以，会大大的减少计算量。

具体如下图所示，核心思想是在原始预训练模型增加一个旁路，做一个降维再升维的操作。训练的时候固定预训练模型的参数，只训练降维矩阵 A 与升维矩阵 B。而模型的输入输出维度不变，输出时将 BA 与预训练语言模型的参数叠加。

用随机高斯分布初始化 A，用 0 矩阵初始化 B。这样能保证训练时，新增的旁路BA=0，从而对模型结果没有影响。在推理时，将左右两部分的结果加到一起，即h=Wx+BAx=(W+BA)x，所以，只要将训练完成的矩阵乘积BA跟原本的权重矩阵W加到一起作为新权重参数替换原始预训练语言模型的W即可，不会增加额外的计算资源。LoRA 的最大优势是训练速度更快，使用的内存更少。

本文进行本地化部署实践的Alpaca-lora模型就是Alpaca模型的低阶适配版本。本文将对Alpaca-lora模型本地化部署、微调和推理过程进行实践并描述相关步骤。

GPU服务器环境部署

本文进行部署的GPU服务器具有4块独立的GPU，型号是P40，单个P40算力相当于60个同等主频CPU的算力。（也可以考虑使用京东云GPU的P40，
jdcloud.com/cn/calculator/calHost））

拿到GPU服务器我们首先就是安装显卡驱动和CUDA驱动（是显卡厂商NVIDIA推出的运算平台。 CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题）。显卡驱动需要到NVIDIA的官方网站去查找相应的显卡型号和适配的CUDA版本，下载地址：
https://www.nvidia.com/Download/index.aspx ，选择相应的显卡和CUDA版本就可以下载驱动文件啦。

我下载的文件是NVIDIA-Linux-x86_64-515.105.01.run，这是一个可执行文件，用root权限执行即可，注意安装驱动过程中不能有运行的nvidia进程，如果有需要全部kill掉，否则会安装失败，如下图所示：

然后一路next，没有报错的话就安装成功啦。为了后续查看显卡资源情况，最好还是再安装一个显卡监控工具，比如nvitop，用pip install nvitop即可，这里注意，由于不同服务器python版本有差异，最好安装anaconda部署自己的私有python空间，防止运行时报各种奇怪的错误，具体步骤如下：

1.安装anaconda 下载方式：wget
https://repo.anaconda.com/archive/Anaconda3-5.3.0-Linux-x86_64.sh。安装命令： shAnaconda3-5.3.0-Linux-x86_64.sh 每个安装步骤都输入“yes”，最后conda init后完成安装，这样每次进入安装用户的session，都会直接进入自己的python环境。如果安装最后一步选择no，即不进行conda init，则后续可以通过source/home/jd_ad_sfxn/anaconda3/bin/activate来进入到私有的python环境。

2.安装setuptools 接下来需要安装打包和分发工具setuptools，下载地址：wget
https://files.pythonhosted.org/packages/26/e5/9897eee1100b166a61f91b68528cb692e8887300d9cbdaa1a349f6304b79/setuptools-40.5.0.zip 安装命令： unzip setuptools-40.5.0.zip cd setuptools-40.5.0/ python setup.py install

3.安装pip 下载地址：wget
https://files.pythonhosted.org/packages/45/ae/8a0ad77defb7cc903f09e551d88b443304a9bd6e6f124e75c0fbbf6de8f7/pip-18.1.tar.gz 安装命令： tar -xzf pip-18.1.tar.gz cd pip-18.1 python setup.py install

至此，漫长的安装过程终于告一段落了，我们现在创建一个私有的python空间，执行

conda create -n alpaca python=3.9
conda activate alpaca

然后验证一下，如下图所示说明已经创建成功啦。

模型训练

上文已经把GPU服务器的基础环境安装好了，下面我们就要开始激动人心的模型训练了（激动ing），在训练之前我们首先需要下载模型文件，下载地址：
https://github.com/tloen/alpaca-lora ，整个模型都是开源的，真好！首先把模型文件下载到本地，执行git clonehttps://github.com/tloen/alpaca-lora.git .。

本地会有文件夹alpaca-lora，然后cd alpaca-lora到文件夹内部执行

pip install -r requirements.txt

这个过程可能会比较慢，需要从网上下载大量的依赖包，过程中可能也会报各种包冲突，依赖没有等问题，这块只能见招拆招，缺什么装什么（解决包依赖和版本冲突确实是个头疼的事情，不过这步做不好，模型也跑不起来，所以只能耐心的一点一点解决），这里痛苦的过程就不赘述了，因为不同机器可能遇到的问题也不太一样，参考意义不是很大。

如果安装过程执行完成，并没再有报错信息，并提示Successful compeleted，那么恭喜你啦，万里长征已经走完一半啦，你已经离成功很近了，再坚持一下下就很有可能成功啦：）。

由于我们的目标是对模型进行fine-tuning，所以我们得有一个fine-tuning的目标，由于原始模型对中文支持并不好，所以我们的目标就有了，用中文语料库让模型更好的支持中文，这个社区也给我准备好了，我们直接下载中文的语料库就好了，在本地执行 wget
https://github.com/LC1332/Chinese-alpaca-lora/blob/main/data/trans_chinese_alpaca_data.json?raw=true ，将后面模型训练用到的语料库下载到alpaca-lora根目录下（后面方便使用）。

语料库的内容就是很多的三元组（instruction,input,output，如下图所示），instruction就是指令，让模型做什么事，input就是输入，output是模型的输出，根据指令和输入，训练模型应该输出什么信息，让模型能够更好的适应中文。

好的，到现在为止，万里长征已经走完2/3了，别着急训练模型，我们现在验证一下GPU环境和CUDA版本信息，还记得之前我们安装的nvitop嘛，现在就用上了，在本地直接执行nvitop，我们就可以看到GPU环境和CUDA版本信息了，如下图：

在这里我们能够看到有几块显卡，驱动版本和CUDA版本等信息，当然最重要的我们还能看到GPU资源的实时使用情况。

怎么还没到模型训练呢，别着急呀，这就来啦。

我们先到根目录下然后执行训练模型命令：

如果是单个GPU，那么执行命令即可：

python finetune.py \
    --base_model 'decapoda-research/llama-7b-hf' \
    --data_path 'trans_chinese_alpaca_data.json' \
    --output_dir './lora-alpaca-zh'

如果是多个GPU，则执行：

WORLD_SIZE=2 CUDA_VISIBLE_DEVICES=0,1 torchrun \
--nproc_per_node=2 \
--master_port=1234 \
finetune.py \
--base_model 'decapoda-research/llama-7b-hf' \
--data_path 'trans_chinese_alpaca_data.json' \
--output_dir './lora-alpaca-zh'

如果可以看到进度条在走，说明模型已经启动成功啦。

在模型训练过程中，每迭代一定数量的数据就会打印相关的信息，会输出损失率，学习率和代信息，如上图所示，当loss波动较小时，模型就会收敛，最终训练完成。

我用的是2块GPU显卡进行训练，总共训练了1904分钟，也就是31.73个小时，模型就收敛了，模型训练是个漫长的过程，所以在训练的时候我们可以适当的放松一下，做点其他的事情：）。

模型推理

模型训练好后，我们就可以测试一下模型的训练效果了，由于我们是多个GPU显卡，所以想把模型参数加载到多个GPU上，这样会使模型推理的更快，需要修改

generate.py 文件，添加下面这样即可。

然后我们把服务启起来，看看效果，根目录执行：

python generate.py --base_model "decapoda-research/llama-7b-hf" \
--lora_weights './lora-alpaca-zh' \
--load_8bit

其中./lora-alpaca-zh目录下的文件，就是我们刚刚fine tuning模型训练的参数所在位置，启动服务的时候把它加载到内存（这个内存指的是GPU内存）里面。

如果成功，那么最终会输出相应的IP和Port信息，如下图所示：

我们可以用浏览器访问一下看看，如果能看到页面，就说明服务已经启动成功啦。

激动ing，费了九牛二虎之力，终于成功啦！！

因为我们目标是让模型说中文，所以我们测试一下对中文的理解，看看效果怎么样？

简单的问题，还是能给出答案的，但是针对稍微复杂一点的问题，虽然能够理解中文，但是并没有用中文进行回答，训练后的模型还是不太稳定啊。

在推理的时候我们也可以监控一下GPU的变化，可以看到GPU负载是比较高的，说明GPU在进行大量的计算来完成推理。

总结

1.效果问题：由于语料库不够丰富，所以目前用社区提供的语料库训练的效果并不是很好，对中文的理解力有限，如果想训练出能够执行特定领域的任务，则需要大量的语料支持，同时训练时间也会更长；

2. 推理时间问题：由于目前部署的GPU服务器有4块GPU，能够执行的有3块，基于3块GPU，在推理的时候还是比较吃力的，执行一次交互需要大概30s-1min，如果达到chatGPT那样实时返回，则需要大量的算力进行支持，可以反推，chatGPT后台肯定是有大集群算力支持的，所以如果想做成服务，成本投入是需要考量的一个问题；

3. 中文乱码问题：在input为中文的时候，有时候返回结果会乱码，怀疑跟切词有关，由于中文的编码问题，中文不像英文以空格区分，所以可能会有一定的乱码情况产生，调用open AI 的API也会有这种情况，后面看看社区是否有相应解决办法；

4. 模型选择问题：由于目前GPT社区比较活跃，模型的产生和变化也是日新月异，由于时间仓促，目前只调研了alpaca-lora模型的本地化部署，后面针对实际落地的应用应该也会有更好的更低成本的落地方案，需要持续跟进社区的发展，选择合适的开源方案。