目录

1. 选用工程：lit-llama2. 下载工程3. 安装环境4. 下载LLAMA-7B模型5. 做模型转换6. 初步测试7. 为什么要进行指令微调？8. 开始进行指令微调8.1. 数据准备8.2 开始模型训练8.3 模型测试

前言：

系统：ubuntu 18.04显卡：A100-80G（蹭的，嘿嘿~） （本次主要记录如何快速进行大模型的指令微调）

1. 选用工程：lit-llama

地址：https://github.com/Lightning-AI/lit-llama

2. 下载工程

git clone https://github.com/Lightning-AI/lit-llama.git

3. 安装环境

切换到工程目录

cd ./lit-llama

使用pip安装依赖库

pip install -r requirements.txt

（当然，这里可能会遇到网络问题，安装不了lightning） 可使用以下方式安装：

下载lightning工程 解压进入工程目录，使用以下命令安装 python setup.py install

查看lightning是否安装成功： pip list|grep lightning

（这里注意lightning的版本是2.1.0）

4. 下载LLAMA-7B模型

这里我们要基于LLAMA-7B做指令微调，所以要先下载模型权重，并作一系列转换。

切换到 lit-llama 所在位置，使用以下命令下载权重：

python scripts/download.py --repo_id openlm-research/open_llama_7b --local_dir checkpoints/open-llama/7B

（文件有点大，需要等待一些时间）

下载完毕之后，会得到如下的文件：

5. 做模型转换

还是切换到 lit-llama 所在位置，使用以下指令进行转换python scripts/convert_hf_checkpoint.py --checkpoint_dir checkpoints/open-llama/7B --model_size 7B

转换完毕之后，在 lit-llama/checkpoints/lit-llama/7B 位置，会得到大小为26G左右的 lit-llama.pth 文件，在上一级目录（lit-llama/checkpoints/lit-llama）还有一个tokenizer.model文件

6. 初步测试

在命令行，使用如下命令运行： python generate.py --prompt "Today is a"

使用中文测试，发现效果不好（开始胡说八道了~）

7. 为什么要进行指令微调？

因为原始的预训练LLAMA模型是一个大语言模型（废话~），会根据前面的单词预测下一个词语，如果你问它问题，它不会正确回答你，你问它一个问题，它可能会续写一些跟你一样的句子，例如，Prompt为 “What is the capital of China?”，它的回复如下所示：

8. 开始进行指令微调

8.1. 数据准备

这里使用alpaca的52k指令数据进行微调，使用如下指令： python scripts/prepare_alpaca.py

如果下载不下来的话，我们直接打开scripts/prepare_alpaca.py文件，如下所示： 直接打开链接 https://raw.githubusercontent.com/tloen/alpaca-lora/main/alpaca_data_cleaned_archive.json，然后全选页面复制，再保存到新建的文件里。 得到alpaca_data_cleaned_archive.json（看名字的clean应该是清洗过的），每条指令包含"instruction"、“input”、"output"三个关键字，本次先不具体展开讲解，如下所示： 运行指令后，还会作数据划分，train-49759, val-2000如下所示： 最后，会在lit-llama/data/alpaca路径下得到以下文件：

8.2 开始模型训练

使用以下指令： python finetune/lora.py

训练过程如下所示: 整个训练过程大约要1.5个小时（16:51 ~ 18:22） 训练完毕之后，会在out/lora/alpaca得到一系列lora的权重文件，如下图所示：

8.3 模型测试

使用如下指令进行提问，其中prompt为"what is the capital of China?"， python generate/lora.py --prompt "what is the capital of China?"

得到的结果如下所示 可以看到，经过指令微调之后，模型已经可以正常回答我们的问题了。

（ps：其他细节可以参考工程的README，写的很清楚~）

结束。

文章链接

评论可见，请评论后查看内容，谢谢！！！
 您阅读本篇文章共花了：