目录
- 1. 选用工程
- 2. 中文llama-7b预训练模型下载
- 3. 数据准备
- 4. 开始指令微调
- 5. 模型测试
前言：
- 系统：ubuntu18.04
- 显卡：GTX3090 - 24G （惨呀，上次还是A100，现在只有3090了~）
（本文旨在快速实现基于llama-7b的中文指令微调）
1. 选用工程
咱们还是用lit-llama（环境安装过程见上篇博客）
- 地址：https://github.com/Lightning-AI/lit-llama
2. 中文llama-7b预训练模型下载
-
模型下载
在huggingface上搜索"llama chinese"，我们选以下这个模型，如图所示：
-
模型转换
切换到lit-llama的工程，修改scripts/convert_hf_checkpoint.py，修改路径，- checkpoint_dir：从huggingface下载的权重路径
- output_dir：转换之后保存的路径
如下图所示：
-
切换到lit-llama项目路径下，运行如下指令，进行模型转换：
python scripts/convert_hf_checkpoint.py -
转换完毕后，在刚才设置的输出路径，会得到lit-llama.pth文件（26G），在上一级目录有tokenizer.model文件
3. 数据准备
- 这里我们选用alpaca的中文指令数据alpaca_data_zh_51k.json，下载地址如下所示：
- 打开文件，指令数据如下所示：
- 切换到lit-llama项目路径，打开scripts/prepare_alpaca.py（这里建议复制一份），主要修改如下图所示：
1）修改中文指令数据文件名
2）修改中文指令数据存放路径
3）修改中文llama模型的tokenizer.model路径
4）中文llama-7b的max_seq_length设置为2048，但是如果你只有一张3090显卡，设置2048会显存溢出，所以这里我们只设置256
5）因为已经下载完alpaca_data_zh_51k.json文件了，注释掉36和38行代码
- 切换到lit-llama项目路径，运行如下指令：
python scripts/prepare_alpaca.py - 运行完毕之后，会在刚才设置的destination_path下得到train.pt和test.pt的数据文件，如下图所示：
到这里，数据准备完成。
4. 开始指令微调
-
修改vocab_size
由于原始llama-7b指令的vocab_size为32000，而下载的中文llama-7b的词典大小为49953，需要对其进行修改。打开lit-llama/model.py，将padded_vocab_size设置为49953，如下图所示：
-
打开finetune/lora.py（建议复制一份），修改训练脚本指令路径，包括：
1）data_dir：中文指令文件路径
2）pretrained_path：转换之后的中文lit-llama.pth路径
3）tokenizer_path：中文llama-7b的tokenizer.model路径
4）out_dir：保存lora权重文件的路径
-
切换到lit-llama项目路径，运行以下指令开始指令微调：
python finetune/lora.py -
训练过程如下所示：
5. 模型测试
-
切换到lit-llama项目路径，打开generate/lora.py（建议复制一份），修改对应的权重路径和tokenizer.model路径，如下图所示：
-
我们设置prompt为"中国的首都是哪里？"，运行如下指令进行测试：
python generate/lora-chinese.py --prompt "中国的首都是哪里？" -
测试结果如下所示：
总结：
- 注意替换vocab_size，原始llama-7b的词典大小为32000，下载的中文预训练模型vocab_size为49953
- 原工程中max_seq_length设置为256，下载的中文预训练模型max_seq_length为2048，但是由于受显存限制（穷~），做中文指令微调时也设置为max_seq_length=256，可能会影响效果。
- 下一步工作尝试使用多卡训练以及使用自己的数据进行指令微调
结束。
