AIGC chatgpt LLaMA Board: 通过一站式网页界面快速上手 LLaMA Factory

原文：https://github.com/hiyouga/LLaMA-Factory/blob/main/README_zh.md

 加入我们的微信群。

[ English | 中文 ]

LLaMA Board: 通过一站式网页界面快速上手 LLaMA Factory

通过珞 Spaces 或 ModelScope 预览 LLaMA Board。

使用 CUDA_VISIBLE_DEVICES=0 python src/train_web.py 启动 LLaMA Board。（该模式目前仅支持单卡训练）

下面是使用单张 GPU 在 10 分钟内更改对话式大型语言模型自我认知的示例。

tutorial.mp4

性能指标更新日志模型训练方法数据集软硬件依赖如何使用使用了 LLaMA Factory 的项目协议引用致谢

性能指标

与 ChatGLM 官方的 P-Tuning 微调相比，LLaMA-Factory 的 LoRA 微调提供了 3.7 倍的加速比，同时在广告文案生成任务上取得了更高的 Rouge 分数。结合 4 比特量化技术，LLaMA-Factory 的 QLoRA 微调进一步降低了 GPU 显存消耗。

变量定义

更新日志

[23/12/23] 我们针对 LLaMA, Mistral 和 Yi 模型支持了 unsloth 的 LoRA 训练加速。请使用 --use_unsloth 参数启用 unsloth 优化。该方法可提供 1.7 倍的训练速度，详情请查阅此页面。

[23/12/12] 我们支持了微调最新的混合专家模型 Mixtral 8x7B。硬件需求请查阅此处。

[23/12/01] 我们支持了从魔搭社区下载预训练模型和数据集。详细用法请参照此教程。

展开日志

模型

模型名模型大小默认模块TemplateBaichuan7B/13BW_packbaichuanBaichuan27B/13BW_packbaichuan2BLOOM560M/1.1B/1.7B/3B/7.1B/176Bquery_key_value-BLOOMZ560M/1.1B/1.7B/3B/7.1B/176Bquery_key_value-ChatGLM36Bquery_key_valuechatglm3Falcon7B/40B/180Bquery_key_valuefalconInternLM7B/20Bq_proj,v_projinternLLaMA7B/13B/33B/65Bq_proj,v_proj-LLaMA-27B/13B/70Bq_proj,v_projllama2Mistral7Bq_proj,v_projmistralMixtral8x7Bq_proj,v_projmistralPhi-1.5/21.3B/2.7BWqkv-Qwen1.8B/7B/14B/72Bc_attnqwenXVERSE7B/13B/65Bq_proj,v_projxverseYi6B/34Bq_proj,v_projyiYuan2B/51B/102Bq_proj,v_projyuan

Note

默认模块应作为 --lora_target 参数的默认值，可使用 --lora_target all 参数指定全部模块。

对于所有“基座”（Base）模型，--template 参数可以是 default, alpaca, vicuna 等任意值。但“对话”（Chat）模型请务必使用对应的模板。

项目所支持模型的完整列表请参阅 constants.py。

训练方法

方法全参数训练部分参数训练LoRAQLoRA预训练✅✅✅✅指令监督微调✅✅✅✅奖励模型训练✅✅✅✅PPO 训练✅✅✅✅DPO 训练✅✅✅✅

Note

请使用 --quantization_bit 4 参数来启用 QLoRA 训练。

数据集

预训练数据集

指令微调数据集

偏好数据集

使用方法请参考 data/README_zh.md 文件。

部分数据集的使用需要确认，我们推荐使用下述命令登录您的 Hugging Face 账户。

pip install --upgrade huggingface_hub

huggingface-cli login

软硬件依赖

Python 3.8+ 和 PyTorch 1.13.1+珞Transformers, Datasets, Accelerate, PEFT 和 TRLsentencepiece, protobuf 和 tiktokenjieba, rouge-chinese 和 nltk (用于评估及预测)gradio 和 matplotlib (用于网页端交互)uvicorn, fastapi 和 sse-starlette (用于 API)

硬件依赖

训练方法精度7B13B30B65B8x7B全参数16160GB320GB600GB1200GB900GB部分参数1620GB40GB120GB240GB200GBLoRA1616GB32GB80GB160GB120GBQLoRA810GB16GB40GB80GB80GBQLoRA46GB12GB24GB48GB32GB

如何使用

数据准备（可跳过）

关于数据集文件的格式，请参考 data/README_zh.md 的内容。构建自定义数据集时，既可以使用单个 .json 文件，也可以使用一个数据加载脚本和多个文件。

Note

使用自定义数据集时，请更新 data/dataset_info.json 文件，该文件的格式请参考 data/README_zh.md。

环境搭建（可跳过）

git clone https://github.com/hiyouga/LLaMA-Factory.git

conda create -n llama_factory python=3.10

conda activate llama_factory

cd LLaMA-Factory

pip install -r requirements.txt

如果要在 Windows 平台上开启量化 LoRA（QLoRA），需要安装预编译的 bitsandbytes 库, 支持 CUDA 11.1 到 12.1.

pip install https://github.com/jllllll/bitsandbytes-windows-webui/releases/download/wheels/bitsandbytes-0.39.1-py3-none-win_amd64.whl

使用魔搭社区（可跳过）

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`

接着即可通过指定模型名称来训练对应的模型。（在魔搭社区查看所有可用的模型）

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \

--model_name_or_path modelscope/Llama-2-7b-ms \

... # 参数同上

LLaMA Board 同样支持魔搭社区的模型和数据集下载。

CUDA_VISIBLE_DEVICES=0 USE_MODELSCOPE_HUB=1 python src/train_web.py

单 GPU 训练

Important

如果您使用多张 GPU 训练模型，请移步多 GPU 分布式训练部分。

预训练

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \

--stage pt \

--do_train \

--model_name_or_path path_to_llama_model \

--dataset wiki_demo \

--finetuning_type lora \

--lora_target q_proj,v_proj \

--output_dir path_to_pt_checkpoint \

--overwrite_cache \

--per_device_train_batch_size 4 \

--gradient_accumulation_steps 4 \

--lr_scheduler_type cosine \

--logging_steps 10 \

--save_steps 1000 \

--learning_rate 5e-5 \

--num_train_epochs 3.0 \

--plot_loss \

--fp16

指令监督微调

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \

--stage sft \

--do_train \

--model_name_or_path path_to_llama_model \

--dataset alpaca_gpt4_zh \

--template default \

--finetuning_type lora \

--lora_target q_proj,v_proj \

--output_dir path_to_sft_checkpoint \

--overwrite_cache \

--per_device_train_batch_size 4 \

--gradient_accumulation_steps 4 \

--lr_scheduler_type cosine \

--logging_steps 10 \

--save_steps 1000 \

--learning_rate 5e-5 \

--num_train_epochs 3.0 \

--plot_loss \

--fp16

奖励模型训练

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \

--stage rm \

--do_train \

--model_name_or_path path_to_llama_model \

--adapter_name_or_path path_to_sft_checkpoint \

--create_new_adapter \

--dataset comparison_gpt4_zh \

--template default \

--finetuning_type lora \

--lora_target q_proj,v_proj \

--output_dir path_to_rm_checkpoint \

--per_device_train_batch_size 2 \

--gradient_accumulation_steps 4 \

--lr_scheduler_type cosine \

--logging_steps 10 \

--save_steps 1000 \

--learning_rate 1e-6 \

--num_train_epochs 1.0 \

--plot_loss \

--fp16

PPO 训练

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \

--stage ppo \

--do_train \

--model_name_or_path path_to_llama_model \

--adapter_name_or_path path_to_sft_checkpoint \

--create_new_adapter \

--dataset alpaca_gpt4_zh \

--template default \

--finetuning_type lora \

--lora_target q_proj,v_proj \

--reward_model path_to_rm_checkpoint \

--output_dir path_to_ppo_checkpoint \

--per_device_train_batch_size 2 \

--gradient_accumulation_steps 4 \

--lr_scheduler_type cosine \

--top_k 0 \

--top_p 0.9 \

--logging_steps 10 \

--save_steps 1000 \

--learning_rate 1e-5 \

--num_train_epochs 1.0 \

--plot_loss \

--fp16

Warning

如果使用 fp16 精度进行 LLaMA-2 模型的 PPO 训练，请使用 --per_device_train_batch_size=1。

DPO 训练

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \

--stage dpo \

--do_train \

--model_name_or_path path_to_llama_model \

--adapter_name_or_path path_to_sft_checkpoint \

--create_new_adapter \

--dataset comparison_gpt4_zh \

--template default \

--finetuning_type lora \

--lora_target q_proj,v_proj \

--output_dir path_to_dpo_checkpoint \

--per_device_train_batch_size 2 \

--gradient_accumulation_steps 4 \

--lr_scheduler_type cosine \

--logging_steps 10 \

--save_steps 1000 \

--learning_rate 1e-5 \

--num_train_epochs 1.0 \

--plot_loss \

--fp16

多 GPU 分布式训练

使用 Huggingface Accelerate

accelerate config # 首先配置分布式环境

accelerate launch src/train_bash.py # 参数同上

LoRA 训练的 Accelerate 配置示例

使用 DeepSpeed

deepspeed --num_gpus 8 --master_port=9901 src/train_bash.py \

--deepspeed ds_config.json \

... # 参数同上

使用 DeepSpeed ZeRO-2 进行全参数训练的 DeepSpeed 配置示例

合并 LoRA 权重并导出模型

python src/export_model.py \

--model_name_or_path path_to_llama_model \

--adapter_name_or_path path_to_checkpoint \

--template default \

--finetuning_type lora \

--export_dir path_to_export \

--export_size 2 \

--export_legacy_format False

Warning

尚不支持量化模型的 LoRA 权重合并及导出。

Tip

合并 LoRA 权重之后可再次使用 --export_quantization_bit 4 和 --export_quantization_dataset data/c4_demo.json 量化模型。

API 服务

python src/api_demo.py \

--model_name_or_path path_to_llama_model \

--adapter_name_or_path path_to_checkpoint \

--template default \

--finetuning_type lora

Tip

关于 API 文档请见 http://localhost:8000/docs。

命令行测试

python src/cli_demo.py \

--model_name_or_path path_to_llama_model \

--adapter_name_or_path path_to_checkpoint \

--template default \

--finetuning_type lora

浏览器测试

python src/web_demo.py \

--model_name_or_path path_to_llama_model \

--adapter_name_or_path path_to_checkpoint \

--template default \

--finetuning_type lora

模型评估

CUDA_VISIBLE_DEVICES=0 python src/evaluate.py \

--model_name_or_path path_to_llama_model \

--adapter_name_or_path path_to_checkpoint \

--template vanilla \

--finetuning_type lora \

--task ceval \

--split validation \

--lang zh \

--n_shot 5 \

--batch_size 4

模型预测

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \

--stage sft \

--do_predict \

--model_name_or_path path_to_llama_model \

--adapter_name_or_path path_to_checkpoint \

--dataset alpaca_gpt4_zh \

--template default \

--finetuning_type lora \

--output_dir path_to_predict_result \

--per_device_eval_batch_size 8 \

--max_samples 100 \

--predict_with_generate \

--fp16

Warning

如果使用 fp16 精度进行 LLaMA-2 模型的预测，请使用 --per_device_eval_batch_size=1。

Tip

我们建议在量化模型的预测中使用 --per_device_eval_batch_size=1 和 --max_target_length 128。

使用了 LLaMA Factory 的项目

StarWhisper: 天文大模型 StarWhisper，基于 ChatGLM2-6B 和 Qwen-14B 在天文数据上微调而得。DISC-LawLLM: 中文法律领域大模型 DISC-LawLLM，基于 Baichuan-13B 微调而得，具有法律推理和知识检索能力。Sunsimiao: 孙思邈中文医疗大模型 Sumsimiao，基于 Baichuan-7B 和 ChatGLM-6B 在中文医疗数据上微调而得。CareGPT: 医疗大模型项目 CareGPT，基于 LLaMA2-7B 和 Baichuan-13B 在中文医疗数据上微调而得。

Tip

如果您有项目希望添加至上述列表，请通过邮件联系或者创建一个 PR。

协议

本仓库的代码依照 Apache-2.0 协议开源。

使用模型权重时，请遵循对应的模型协议：Baichuan / Baichuan2 / BLOOM / ChatGLM3 / Falcon / InternLM / LLaMA / LLaMA-2 / Mistral / Phi-1.5 / Qwen / XVERSE / Yi / Yuan

引用

如果您觉得此项目有帮助，请考虑以下列格式引用

@Misc{llama-factory,

title = {LLaMA Factory},

author = {hiyouga},

howpublished = {\url{https://github.com/hiyouga/LLaMA-Factory}},

year = {2023}

}

致谢

本项目受益于 PEFT、QLoRA 和 FastChat，感谢以上诸位作者的付出。

Star History

金钥匙

AIGC chatgpt LLaMA Board: 通过一站式网页界面快速上手 LLaMA Factory

人工智能深度学习 LLaMA模型指令微调字节跳动多模态视频大模型 Valley 论文详解

大模型微调高效底座模型LLaMA

发表评论取消回复

金钥匙

AIGC chatgpt LLaMA Board: 通过一站式网页界面快速上手 LLaMA Factory

人工智能 深度学习 LLaMA模型指令微调 字节跳动多模态视频大模型 Valley 论文详解

大模型 微调 高效底座模型LLaMA

相关文章

发表评论取消回复

人工智能深度学习 LLaMA模型指令微调字节跳动多模态视频大模型 Valley 论文详解

大模型微调高效底座模型LLaMA