目录
1、llama模型转换(pytorch格式转换为HuggingFace格式)
1.1、拉取Chinese-LLaMA-Alpaca项目
1.2、准备文件夹
1.3、下载llama官方原始模型
1.4、移动文件到指定位置
1.5、执行转换脚本
2、合并模型
2.1、下载Chinese-LLaMA-Plus-7B模型
2.2、下载chinese_alpaca_plus_lora_7b模型
2.3、执行合并脚本
3、准备数据集
4、进行二次预训练
4.1、修改run_pt.sh文件
4.1、运行run_pt.sh文件
4.2、训练后文件整理
4.3、合并模型
5、推理模型
5.1、命令行方式推理合并后的模型
5.2、Web图形界面方式推理合并后的模型
大家知道AI模型是怎么训练出来的吗？
AI模型的训练训练过程分为如下三个阶段
第一个阶段叫做无监督学习（PreTraining），就是输入大量的文本语料让GPT自己寻找语言的规律， 这样一个巨大的词向量空间就形成了，但是话说的漂亮并不一定正确。
第二个阶段叫做监督学习(Supervised Fine-Tuning,也叫微调)，就是人工标注一些语料，教会GPT什 么该说，什么不该说。（训练数据集）
第三个阶段叫做强化学习（RM，也叫奖励模型训练），就是给GPT的回答进行打分，告诉他在他 的一众回答中，哪些回答更好。（验证数据集）
第一个阶段（无监督学习），又分为了底座模型预训练，及增量预训练，它们都属于无监督学习，基座模型预训练可以查看上篇文章：使用数据预训练一个AI语言模型
本文主要来聊聊有了一个底座模型之后，如何继续使用大量文本进行增量预训练。
1、llama模型转换(pytorch格式转换为HuggingFace格式)
由于使用的底座模型是llama，官方公布的是PyTorch版本，为了方便后续使用，需转换为HuggingFace格式
1.1、拉取Chinese-LLaMA-Alpaca项目
# 我的文件路径为如下 cd /root/autodl-fs git clone https://github.com/ymcui/Chinese-LLaMA-Alpaca.git1.2、准备文件夹
以下命令依次执行！
cd Chinese-LLaMA-Alpaca mkdir model cd model mkdir llama mkdir output mkdir llama/7B1.3、下载llama官方原始模型
wget https://agi.gpt4.org/llama/LLaMA/tokenizer.model -O ./tokenizer.model wget https://agi.gpt4.org/llama/LLaMA/tokenizer_checklist.chk -O ./tokenizer_checklist.chk wget https://agi.gpt4.org/llama/LLaMA/7B/consolidated.00.pth -O ./7B/consolidated.00.pth wget https://agi.gpt4.org/llama/LLaMA/7B/params.json -O ./7B/params.json1.4、移动文件到指定位置
mv tokenizer.model llama mv tokenizer_checklist.chk consolidated.00.pth params.json llama/7B1.5、拉取transformers项目并安装依赖
cd /root/autodl-fs git clone https://github.com/huggingface/transformers.git pip install torch==1.13.1 -i https://pypi.mirrors.ustc.edu.cn/simple/ pip install sentencepiece==0.1.97 -i https://pypi.mirrors.ustc.edu.cn/simple/ pip install peft==0.3.0 -i https://pypi.mirrors.ustc.edu.cn/simple/ pip uninstall tokenizers pip install tokenizers==0.13.3 -i https://pypi.mirrors.ustc.edu.cn/simple/ pip install transformers==4.28.1 -i https://pypi.mirrors.ustc.edu.cn/simple/1.5、执行转换脚本
cd /root/autodl-fs/transformers python src/transformers/models/llama/convert_llama_weights_to_hf.py \ --input_dir /root/autodl-fs/Chinese-LLaMA-Alpaca/model/llama/ \ --model_size 7B \ --output_dir /root/autodl-fs/Chinese-LLaMA-Alpaca/model/output参数说明：
--input_dir：tokenizer.model存放路径
--model_size：其余llama文件存放路径
--output_dir：存放转换好的HF版权重路径
2、合并模型
由于原始llama模型对中文的支持不是很优秀，所以需合并一个Chinese-LLaMA-Plus-7B模型和chinese_llama_plus_lora_7b模型
2.1、下载Chinese-LLaMA-Plus-7B模型
链接：百度网盘 请输入提取码 提取码：082w
上传到/root/autodl-fs/llama_7b目录下并解压缩
cd /root/autodl-fs/llama_7b mkdir chinese_llama_plus_lora_7b unzip chinese_llama_plus_lora_7b.zip chinese_llama_plus_lora_7b2.2、下载chinese_alpaca_plus_lora_7b模型
链接：百度网盘 请输入提取码 提取码：yr3q
上传到/root/autodl-fs/llama_7b目录下并解压缩
cd /root/autodl-fs/llama_7b mkdir chinese_alpaca_plus_lora_7b unzip chinese_alpaca_plus_lora_7b.zip chinese_alpaca_plus_lora_7b2.3、执行合并脚本
cd /root/autodl-fs/Chinese-LLaMA-Alpaca/ # 合并后的模型存放位置 mkdir model/firstmergemodel python scripts/merge_llama_with_chinese_lora.py \ --base_model /root/autodl-fs/Chinese-LLaMA-Alpaca/model/output \ --lora_model /root/autodl-fs/llama_7b/chinese_llama_plus_lora_7b,/root/autodl-fs/llama_7b/chinese_alpaca_plus_lora_7b \ --output_type huggingface \ --output_dir /root/autodl-fs/Chinese-LLaMA-Alpaca/model/firstmergemodels参数说明：
--base_model：存放HF格式的LLaMA模型权重和配置文件的目录
--lora_model：中文LLaMA/Alpaca LoRA解压后文件所在目录，也可使用?Model Hub模型调用名称，提供两个lora_model的地址，用逗号分隔。⚠️ 两个LoRA模型的顺序很重要，不能颠倒。先写LLaMA-Plus-LoRA然后写Alpaca-Plus-LoRA
--output_type: 指定输出格式，可为pth或huggingface。若不指定，默认为pth
--output_dir：指定保存全量模型权重的目录，默认为./
（可选）--offload_dir：对于低内存用户需要指定一个offload缓存路径
3、准备数据集
mkdir /root/autodl-fs/Chinese-LLaMA-Alpaca/txttxt文件上传到该文件夹下
4、进行二次预训练
4.1、修改run_pt.sh文件
cd /root/autodl-fs/Chinese-LLaMA-Alpaca/scripts/training vi run_pt.shrun_pt.sh文件如下
lr=2e-4 lora_rank=8 lora_alpha=32 lora_trainable="q_proj,v_proj,k_proj,o_proj,gate_proj,down_proj,up_proj" modules_to_save="embed_tokens,lm_head" lora_dropout=0.05 ### 对原版llama的hf文件与chinese_llama_plus_lora_7b及chinese_Alpaca_plus_lora_7b合并后结果 pretrained_model=/root/autodl-fs/Chinese-LLaMA-Alpaca/model/firstmergemodels ### Chinese-Alpaca tokenizer所在的目录 chinese_tokenizer_path=/root/autodl-fs/llama_7b/chinese_alpaca_plus_lora_7b ### 预训练数据的目录，可包含多个以txt结尾的纯文本文件 dataset_dir=/root/autodl-fs/Chinese-LLaMA-Alpaca/txt ### 指定一个存放数据缓存文件的目录 data_cache=/root/autodl-fs/Chinese-LLaMA-Alpaca/cache per_device_train_batch_size=1 per_device_eval_batch_size=1 training_steps=100 gradient_accumulation_steps=1 ### 模型输出的路径 output_dir=/root/autodl-fs/Chinese-LLaMA-Alpaca/model/pt_output deepspeed_config_file=ds_zero2_no_offload.json torchrun --nnodes 1 --nproc_per_node 1 run_clm_pt_with_peft.py \ --deepspeed ${deepspeed_config_file} \ --model_name_or_path ${pretrained_model} \ --tokenizer_name_or_path ${chinese_tokenizer_path} \ --dataset_dir ${dataset_dir} \ --data_cache_dir ${data_cache} \ --validation_split_percentage 0.001 \ --per_device_train_batch_size ${per_device_train_batch_size} \ --per_device_eval_batch_size ${per_device_eval_batch_size} \ --do_train \ --seed 1 \ --fp16 \ --max_steps ${training_steps} \ --lr_scheduler_type cosine \ --learning_rate ${lr} \ --warmup_ratio 0.05 \ --weight_decay 0.01 \ --logging_strategy steps \ --logging_steps 10 \ --save_strategy steps \ --save_total_limit 3 \ --save_steps 500 \ --gradient_accumulation_steps ${gradient_accumulation_steps} \ --preprocessing_num_workers 8 \ --block_size 512 \ --output_dir ${output_dir} \ --overwrite_output_dir \ --ddp_timeout 30000 \ --logging_first_step True \ --lora_rank ${lora_rank} \ --lora_alpha ${lora_alpha} \ --trainable ${lora_trainable} \ --modules_to_save ${modules_to_save} \ --lora_dropout ${lora_dropout} \ --torch_dtype float16 \ --gradient_checkpointing \ --ddp_find_unused_parameters False4.1、运行run_pt.sh文件
sh run_pt.sh4.2、训练后文件整理
训练后的LoRA权重和配置存放于
/root/autodl-fs/Chinese-LLaMA-Alpaca/model/pt_output/pt_lora_model，可用于后续的合并流程。
创建一个文件夹${lora_model}，用于存放LoRA模型
cd /root/autodl-fs/Chinese-LLaMA-Alpaca/model/pt_output/pt_lora_model mkdir lora_model将${output_dir}中训练好的adapter_model.bin移动到${lora_model}
cp adapter_model.bin lora_model cd lora_model将Chinese-Alpaca-LoRA 中的tokenizer相关文件复制到${lora_model}
cp /root/autodl-fs/llama_7b/chinese_alpaca_plus_lora_7b/*token* .将Chinese-Alpaca-LoRA中的adapter_config.json复制到${lora_model}
cp /root/autodl-fs/llama_7b/chinese_alpaca_plus_lora_7b/adapter_config.json .编辑${lora_model}/adapter_config.json文件,修改其中的参数，确认其中的lora_alpha, r, modules_to_save, target_modules等参数与实际训练用的参数一致。
4.3、合并模型
cd /root/autodl-fs/Chinese-LLaMA-Alpaca/model mkdir ptmerge_model cd /root/autodl-fs/Chinese-LLaMA-Alpaca python scripts/merge_llama_with_chinese_lora.py \ --base_model /root/autodl-fs/Chinese-LLaMA-Alpaca/model/firstmergemodels \ --lora_model /root/autodl-fs/Chinese-LLaMA-Alpaca/model/pt_output/pt_lora_model/lora_model \ --output_type huggingface \ --output_dir /root/autodl-fs/Chinese-LLaMA-Alpaca/model/ptmerge_model5、推理模型
5.1、命令行方式推理合并后的模型
cd /root/autodl-fs/Chinese-LLaMA-Alpaca python scripts/inference/inference_hf.py --base_model model/ptmerge_model --with_prompt --interactive5.2、Web图形界面方式推理合并后的模型
cd /root/autodl-fs/Chinese-LLaMA-Alpaca python scripts/inference/gradio_demo.py --base_model model/ptmerge_model
