本文将介绍使用LoRa在本地机器上微调Alpaca和LLaMA，我们将介绍在特定数据集上对Alpaca LoRa进行微调的整个过程，本文将涵盖数据处理、模型训练和使用流行的自然语言处理库(如Transformers和hugs Face)进行评估。此外还将介绍如何使用grado应用程序部署和测试模型。
配置
首先，alpaca-lora1 GitHub存储库提供了一个脚本(finetune.py)来训练模型。在本文中，我们将利用这些代码并使其在Google Colab环境中无缝地工作。
首先安装必要的依赖:
!pip install -U pip !pip install accelerate==0.18.0 !pip install appdirs==1.4.4 !pip install bitsandbytes==0.37.2 !pip install datasets==2.10.1 !pip install fire==0.5.0 !pip install git+https://github.com/huggingface/peft.git !pip install git+https://github.com/huggingface/transformers.git !pip install torch==2.0.0 !pip install sentencepiece==0.1.97 !pip install tensorboardX==2.6 !pip install gradio==3.23.0 安装完依赖项后，继续导入所有必要的库，并为matplotlib绘图配置设置:
import transformers import textwrap from transformers import LlamaTokenizer, LlamaForCausalLM import os import sys from typing import List from peft import ( LoraConfig, get_peft_model, get_peft_model_state_dict, prepare_model_for_int8_training, ) import fire import torch from datasets import load_dataset import pandas as pd import matplotlib.pyplot as plt import matplotlib as mpl import seaborn as sns from pylab import rcParams %matplotlib inline sns.set(rc={'figure.figsize':(10, 7)}) sns.set(rc={'figure.dpi':100}) sns.set(style='white', palette='muted', font_scale=1.2) DEVICE = "cuda" if torch.cuda.is_available() else "cpu" DEVICE 数据
我们这里使用BTC Tweets Sentiment dataset4，该数据可在Kaggle上获得，包含大约50,000条与比特币相关的tweet。为了清理数据，删除了所有以“转发”开头或包含链接的推文。
使用Pandas来加载CSV:
df = pd.read_csv("bitcoin-sentiment-tweets.csv") df.head() 通过清理的数据集有大约1900条推文。
情绪标签用数字表示，其中-1表示消极情绪，0表示中性情绪，1表示积极情绪。让我们看看它们的分布:
df.sentiment.value_counts() # 0.0 860 # 1.0 779 # -1.0 258 # Name: sentiment, dtype: int64 数据量差不多，虽然负面评论较少，但是可以简单的当成平衡数据来对待：
df.sentiment.value_counts().plot(kind='bar'); 构建JSON数据集
原始Alpaca存储库中的dataset5格式由一个JSON文件组成，该文件具有具有指令、输入和输出字符串的对象列表。
让我们将Pandas的DF转换为一个JSON文件，该文件遵循原始Alpaca存储库中的格式:
def sentiment_score_to_name(score: float): if score > 0: return "Positive" elif score < 0: return "Negative" return "Neutral" dataset_data = [ { "instruction": "Detect the sentiment of the tweet.", "input": row_dict["tweet"], "output": sentiment_score_to_name(row_dict["sentiment"]) } for row_dict in df.to_dict(orient="records") ] dataset_data[0] 结果如下：
{ "instruction": "Detect the sentiment of the tweet.", "input": "@p0nd3ea Bitcoin wasn't built to live on exchanges.", "output": "Positive" } 然后就是保存生成的JSON文件，以便稍后使用它来训练模型:
import json with open("alpaca-bitcoin-sentiment-dataset.json", "w") as f: json.dump(dataset_data, f) 模型权重
虽然原始的Llama模型权重不可用，但它们被泄露并随后被改编用于HuggingFace Transformers库。我们将使用decapoda-research6:
BASE_MODEL = "decapoda-research/llama-7b-hf" model = LlamaForCausalLM.from_pretrained( BASE_MODEL, load_in_8bit=True, torch_dtype=torch.float16, device_map="auto", ) tokenizer = LlamaTokenizer.from_pretrained(BASE_MODEL) tokenizer.pad_token_id = ( 0 # unk. we want this to be different from the eos token ) tokenizer.padding_side = "left" 这段代码使用来自Transformers库的LlamaForCausalLM类加载预训练的Llama 模型。load_in_8bit=True参数使用8位量化加载模型，以减少内存使用并提高推理速度。
代码还使用LlamaTokenizer类为同一个Llama模型加载标记器，并为填充标记设置一些附加属性。具体来说，它将pad_token_id设置为0以表示未知的令牌，并将padding_side设置为“left”以填充左侧的序列。
数据集加载
现在我们已经加载了模型和标记器，下一步就是加载之前保存的JSON文件，使用HuggingFace数据集库中的load_dataset()函数:
data = load_dataset("json", data_files="alpaca-bitcoin-sentiment-dataset.json") data["train"] 结果如下：
Dataset({ features: ['instruction', 'input', 'output'], num_rows: 1897 }) 接下来，我们需要从加载的数据集中创建提示并标记它们:
def generate_prompt(data_point): return f"""Below is an instruction that describes a task, paired with an input that provides further context. Write a response that appropriately completes the request. # noqa: E501 ### Instruction: {data_point["instruction"]} ### Input: {data_point["input"]} ### Response: {data_point["output"]}""" def tokenize(prompt, add_eos_token=True): result = tokenizer( prompt, truncation=True, max_length=CUTOFF_LEN, padding=False, return_tensors=None, ) if ( result["input_ids"][-1] != tokenizer.eos_token_id and len(result["input_ids"]) < CUTOFF_LEN and add_eos_token ): result["input_ids"].append(tokenizer.eos_token_id) result["attention_mask"].append(1) result["labels"] = result["input_ids"].copy() return result def generate_and_tokenize_prompt(data_point): full_prompt = generate_prompt(data_point) tokenized_full_prompt = tokenize(full_prompt) return tokenized_full_prompt 第一个函数generate_prompt从数据集中获取一个数据点，并通过组合指令、输入和输出值来生成提示。第二个函数tokenize接收生成的提示，并使用前面定义的标记器对其进行标记。它还向输入序列添加序列结束标记，并将标签设置为与输入序列相同。第三个函数generate_and_tokenize_prompt结合了前两个函数，生成并标记提示。
数据准备的最后一步是将数据集分成单独的训练集和验证集:
train_val = data["train"].train_test_split( test_size=200, shuffle=True, seed=42 ) train_data = ( train_val["train"].map(generate_and_tokenize_prompt) ) val_data = ( train_val["test"].map(generate_and_tokenize_prompt) ) 我们还需要数据进行打乱，并且获取200个样本作为验证集。generate_and_tokenize_prompt()函数应用于训练和验证集中的每个示例，生成标记化的提示。
训练
训练过程需要几个参数，这些参数主要来自原始存储库中的微调脚本:
LORA_R = 8 LORA_ALPHA = 16 LORA_DROPOUT= 0.05 LORA_TARGET_MODULES = [ "q_proj", "v_proj", ] BATCH_SIZE = 128 MICRO_BATCH_SIZE = 4 GRADIENT_ACCUMULATION_STEPS = BATCH_SIZE // MICRO_BATCH_SIZE LEARNING_RATE = 3e-4 TRAIN_STEPS = 300 OUTPUT_DIR = "experiments" 下面就可以为训练准备模型了:
model = prepare_model_for_int8_training(model) config = LoraConfig( r=LORA_R, lora_alpha=LORA_ALPHA, target_modules=LORA_TARGET_MODULES, lora_dropout=LORA_DROPOUT, bias="none", task_type="CAUSAL_LM", ) model = get_peft_model(model, config) model.print_trainable_parameters() #trainable params: 4194304 || all params: 6742609920 || trainable%: 0.06220594176090199 我们使用LORA算法初始化并准备模型进行训练，通过量化可以减少模型大小和内存使用，而不会显着降低准确性。
LoraConfig7是一个为LORA算法指定超参数的类，例如正则化强度(lora_alpha)、dropout概率(lora_dropout)和要压缩的目标模块(target_modules)。
然后就可以直接使用Transformers库进行训练：
training_arguments = transformers.TrainingArguments( per_device_train_batch_size=MICRO_BATCH_SIZE, gradient_accumulation_steps=GRADIENT_ACCUMULATION_STEPS, warmup_steps=100, max_steps=TRAIN_STEPS, learning_rate=LEARNING_RATE, fp16=True, logging_steps=10, optim="adamw_torch", evaluation_strategy="steps", save_strategy="steps", eval_steps=50, save_steps=50, output_dir=OUTPUT_DIR, save_total_limit=3, load_best_model_at_end=True, report_to="tensorboard" ) 这段代码创建了一个TrainingArguments对象，该对象指定用于训练模型的各种设置和超参数。这些包括:
gradient_accumulation_steps:在执行向后/更新之前累积梯度的更新步数。 warmup_steps:优化器的预热步数。 max_steps:要执行的训练总数。 learning_rate:学习率。 fp16:使用16位精度进行训练。DataCollatorForSeq2Seq是transformer库中的一个类，它为序列到序列(seq2seq)模型创建一批输入/输出序列。在这段代码中，DataCollatorForSeq2Seq对象用以下参数实例化:
data_collator = transformers.DataCollatorForSeq2Seq( tokenizer, pad_to_multiple_of=8, return_tensors="pt", padding=True ) pad_to_multiple_of:表示最大序列长度的整数，四舍五入到最接近该值的倍数。
padding:一个布尔值，指示是否将序列填充到指定的最大长度。
以上就是训练的所有代码准备，下面就是训练了
trainer = transformers.Trainer( model=model, train_dataset=train_data, eval_dataset=val_data, args=training_arguments, data_collator=data_collator ) model.config.use_cache = False old_state_dict = model.state_dict model.state_dict = ( lambda self, *_, **__: get_peft_model_state_dict( self, old_state_dict() ) ).__get__(model, type(model)) model = torch.compile(model) trainer.train() model.save_pretrained(OUTPUT_DIR) 在实例化训练器之后，代码在模型的配置中将use_cache设置为False，并使用get_peft_model_state_dict()函数为模型创建一个state_dict，该函数为使用低精度算法进行训练的模型做准备。
然后在模型上调用torch.compile()函数，该函数编译模型的计算图并准备使用PyTorch 2进行训练。
训练过程在A100上持续了大约2个小时。我们看一下Tensorboard上的结果:
训练损失和评估损失呈稳步下降趋势。看来我们的微调是有效的。
如果你想将模型上传到Hugging Face上，可以使用下面代码，
from huggingface_hub import notebook_login notebook_login() model.push_to_hub("curiousily/alpaca-bitcoin-tweets-sentiment", use_auth_token=True) 推理
我们可以使用generate.py脚本来测试模型:
!git clone https://github.com/tloen/alpaca-lora.git %cd alpaca-lora !git checkout a48d947 我们的脚本启动的gradio应用程序
!python generate.py \ --load_8bit \ --base_model 'decapoda-research/llama-7b-hf' \ --lora_weights 'curiousily/alpaca-bitcoin-tweets-sentiment' \ --share_gradio 简单的界面如下：
总结
我们已经成功地使用LoRa方法对Llama 模型进行了微调，还演示了如何在Gradio应用程序中使用它。
如果你对本文感兴趣，请看原文：
https://avoid.overfit.cn/post/34b6eaf7097a4929b9aab7809f3cfeaa
codetokenpromptllamaalpacatransformergitjsontransformers数据集tpuhuggingfacegradiogithubappidecsv应用程序llmpandasrficpu代码创建rapshareclone自然语言elo预训练比特币hugging face自然语言处理准确性google数据准备pytorchpython模型训练语言处理数据处理url
