Skip to content
On this page

适用中文的 llama3 微调

常用的中文数据集

中文微调数据集介绍
COIG中国开放式教学通才项目
Stanford Alpaca (Chinese)Alpaca 数据集中文翻译(ChatGPT 辅助翻译)
BELLEBELLE 项目的中文数据集(ChatGPT 生成)
GuanacoDatasetGuanaco 模型的对话数据集
WebQA(zh)中文网络问答
pCLUE基于提示的大规模预训练数据集,用于多任务学习和零样本学习

指令微调

指令微调(Instruction Fine-Tuning)是指在机器学习中,特别是在自然语言处理领域中,一种通过精细调整预训练模型的技术方法。通常情况下,预训练模型(如BERT、GPT等)在大规模语料上进行了泛化的学习,以学习语言的通用表示。然后,指令微调通过在特定任务上进行进一步的训练来优化模型的性能,使其适应特定任务的要求。

具体来说,指令微调的步骤包括以下几个方面:

  1. 选择预训练模型: 从已经经过大规模训练的模型中选择一个合适的基础模型,如BERT、GPT等。

  2. 定义任务和数据集: 确定你想要在模型上执行的具体任务,并准备好相应的训练数据集。这些任务可以是分类、命名实体识别、文本生成等。

  3. 微调模型: 将选定的预训练模型加载到环境中,并使用任务特定的数据集进行进一步的训练。在这个过程中,模型会调整它的权重和参数,以最大程度地提高在特定任务上的性能。

  4. 评估和优化: 训练完成后,对微调后的模型进行评估,通常使用验证集来测量其在任务上的准确性和性能。根据评估结果,可能需要调整训练策略或进行进一步的优化。

指令微调在性能和任务泛化性上的表现有以下几个关键点可以讨论:

  1. 性能提升:

    • 任务特定性能: 指令微调可以显著提高模型在特定任务上的性能。通过在任务特定数据集上进行微调,模型可以学习到更适合解决该任务的特征表示。例如,对于文本分类任务,微调后的模型可以更准确地区分不同的类别。
    • 精细调整能力: 微调允许对模型进行精细调整,使其在特定任务上表现更加优越。这种精细调整可以包括调整模型的权重、学习率等参数,以最大程度地优化任务的性能。
  2. 任务泛化性:

    • 泛化能力保持: 虽然微调是针对特定任务进行的优化,但良好的预训练模型通常能够保持其在其他任务上的泛化能力。这意味着,即使在进行了微调后,模型仍然可以处理不同但相关的任务,而无需重新训练。
    • 迁移学习效果: 指令微调的另一个优势是其在迁移学习方面的表现。通过利用预训练模型已经学到的通用语言特征,微调可以更快速地适应新的任务和数据集,从而提高效率和性能。
  3. 模型适应性和灵活性:

    • 适应特定场景: 微调允许根据实际应用需求调整模型,使其能够在特定领域或应用场景中发挥最佳效果。这种灵活性使得模型可以应对不同复杂度和需求的任务。
    • 模型更新和优化: 通过不断进行微调,可以使模型保持与新数据和新任务的适应性。这种持续优化的过程有助于模型在长期应用中保持竞争优势。

综上所述,指令微调通过在预训练模型基础上的精细调整,既能够显著提升模型在特定任务上的性能,又能够保持模型在其他任务上的泛化能力和适应性,从而成为当前自然语言处理任务中重要的优化方法之一。

常用指令微调数据集格式

json
{
    "instruction": "",
    "input": "",
    "output": ""
}

对话微调

对话微调是指令微调的一种形式,它专注于提升大语言模型的对话处理能力。

这种方法不仅增强了模型的补全能力,还赋予了模型进行有效对话的能力。

在对话微调中,数据集通常包含指令、输入、输出及对话历史等元素,

保持与模型预训练和微调时的格式一致,

确保模型在实际应用中的效果与训练时相匹配。

对话微调常用数据集格式

json
{
    "instruction": "",
    "input": "",
    "output": "",
    "history": [
        {
            "speaker": "用户",
            "utterance":
        },
        {
            "speaker": "模型",
            "utterance":
        },
        {
            "speaker": "用户",
            "utterance":
        },
        {
            "speaker": "模型",
            "utterance":
        }
    ]
}

使用中文数据集

shibing624/alpaca-zh

加载中文数据集

python
from datasets import load_dataset
dataset = load_dataset("shibing624/alpaca-zh", split = "train")

中文数据训练

shell
%%capture
# Installs Unsloth, Xformers (Flash Attention) and all other packages!
!pip install "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"
!pip install --no-deps xformers "trl<0.9.0" peft accelerate bitsandbytes
python
from unsloth import FastLanguageModel
import torch
max_seq_length = 2048 # Choose any! We auto support RoPE Scaling internally!
dtype = None # None for auto detection. Float16 for Tesla T4, V100, Bfloat16 for Ampere+
load_in_4bit = True # Use 4bit quantization to reduce memory usage. Can be False.

# 4bit pre quantized models we support for 4x faster downloading + no OOMs.
fourbit_models = [
    "unsloth/mistral-7b-v0.3-bnb-4bit",      # New Mistral v3 2x faster!
    "unsloth/mistral-7b-instruct-v0.3-bnb-4bit",
    "unsloth/llama-3-8b-bnb-4bit",           # Llama-3 15 trillion tokens model 2x faster!
    "unsloth/llama-3-8b-Instruct-bnb-4bit",
    "unsloth/llama-3-70b-bnb-4bit",
    "unsloth/Phi-3-mini-4k-instruct",        # Phi-3 2x faster!
    "unsloth/Phi-3-medium-4k-instruct",
    "unsloth/mistral-7b-bnb-4bit",
    "unsloth/gemma-7b-bnb-4bit",             # Gemma 2.2x faster!
] # More models at https://huggingface.co/unsloth

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name = "unsloth/llama-3-8b-bnb-4bit",
    max_seq_length = max_seq_length,
    dtype = dtype,
    load_in_4bit = load_in_4bit,
    # token = "hf_...", # use one if using gated models like meta-llama/Llama-2-7b-hf
)


model = FastLanguageModel.get_peft_model(
    model,
    r = 16, # Choose any number > 0 ! Suggested 8, 16, 32, 64, 128
    target_modules = ["q_proj", "k_proj", "v_proj", "o_proj",
                      "gate_proj", "up_proj", "down_proj",],
    lora_alpha = 16,
    lora_dropout = 0, # Supports any, but = 0 is optimized
    bias = "none",    # Supports any, but = "none" is optimized
    # [NEW] "unsloth" uses 30% less VRAM, fits 2x larger batch sizes!
    use_gradient_checkpointing = "unsloth", # True or "unsloth" for very long context
    random_state = 3407,
    use_rslora = False,  # We support rank stabilized LoRA
    loftq_config = None, # And LoftQ
)


alpaca_prompt = """Below is an instruction that describes a task, paired with an input that provides further context. Write a response that appropriately completes the request.

### Instruction:
{}

### Input:
{}

### Response:
{}"""

EOS_TOKEN = tokenizer.eos_token # Must add EOS_TOKEN
def formatting_prompts_func(examples):
    instructions = examples["instruction"]
    inputs       = examples["input"]
    outputs      = examples["output"]
    texts = []
    for instruction, input, output in zip(instructions, inputs, outputs):
        # Must add EOS_TOKEN, otherwise your generation will go on forever!
        text = alpaca_prompt.format(instruction, input, output) + EOS_TOKEN
        texts.append(text)
    return { "text" : texts, }
pass

from datasets import load_dataset
dataset = load_dataset("shibing624/alpaca-zh", split = "train")
dataset = dataset.map(formatting_prompts_func, batched = True,)


from trl import SFTTrainer
from transformers import TrainingArguments
from unsloth import is_bfloat16_supported

trainer = SFTTrainer(
    model = model,
    tokenizer = tokenizer,
    train_dataset = dataset,
    dataset_text_field = "text",
    max_seq_length = max_seq_length,
    dataset_num_proc = 2,
    packing = False, # Can make training 5x faster for short sequences.
    args = TrainingArguments(
        per_device_train_batch_size = 2,
        gradient_accumulation_steps = 4,
        warmup_steps = 5,
        max_steps = 60,
        learning_rate = 2e-4,
        fp16 = not is_bfloat16_supported(),
        bf16 = is_bfloat16_supported(),
        logging_steps = 1,
        optim = "adamw_8bit",
        weight_decay = 0.01,
        lr_scheduler_type = "linear",
        seed = 3407,
        output_dir = "outputs",
    ),
)


trainer_stats = trainer.train()


model.save_pretrained_gguf("dir", tokenizer, quantization_method = "q4_k_m")
model.push_to_hub_gguf("lumiseven/llama-3-8b-zh-q4_k_m", tokenizer, quantization_method = "q4_k_m", token = "{token}")

Released under the MIT License.