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) |
BELLE | BELLE 项目的中文数据集(ChatGPT 生成) |
GuanacoDataset | Guanaco 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:
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。
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。
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。
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:
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。
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。
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
{
"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
{
"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
from datasets import load_dataset
dataset = load_dataset("shibing624/alpaca-zh", split = "train")
中文数据训练
%%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
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}")