简介

文章列表：

1. llama-factory SFT系列教程 (一)，大模型 API 部署与使用
2. llama-factory SFT系列教程 (二)，大模型在自定义数据集 lora 训练与部署
   
3. llama-factory SFT系列教程 (三)，chatglm3-6B 命名实体识别实战
   
4. llama-factory SFT 系列教程 (四)，lora sft 微调后，使用vllm加速推理

支持的模型列表

参考自：https://zhuanlan.zhihu.com/p/689333581

• 默认模块 作为 --lora_target 参数的默认值，也可使用 --lora_target all 参数指定全部模块；

• –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。

2. 添加自定义数据集

LLaMA-Factory 数据集说明，参考该文件给出的说明，在dataset_info.json 文件中添加配置信息；

参考如下数据集格式，定义自定义数据集；

[  {    "instruction": "用户指令（必填）",    "input": "用户输入（选填）",    "output": "模型回答（必填）",    "system": "系统提示词（选填）",    "history": [      ["第一轮指令（选填）", "第一轮回答（选填）"],      ["第二轮指令（选填）", "第二轮回答（选填）"]    ]  }]

新数据集内容如下：
diy.json

[  {    "instruction": "你是谁？",    "input": "",    "output": "我是Qwen，edit by JieShin.",    "history": []  },  {    "instruction": "你能帮我干些什么？",    "input": "",    "output": "我能和你互动问答，我的其他功能正在开发中。",    "history": []   }]

添加自定义数据集的步骤如下：

1. 将 diy.json 文件保存到 LLaMA-Factory/data 文件夹下；

2. 在 dataset_info.json 文件中，配置数据集
   首先计算 diy.json 文件的sha1sum, sha1sum diy.json

vim dataset_info.json 添加自定义数据集的配置信息, 把 diy.json 文件的sha1 值添加到文件中，"diy" 为该数据集名；
   

3. lora 微调

使用配置好的 diy 数据集进行模型训练；

--model_name_or_path qwen/Qwen-7B，只写模型名，不写绝对路径可运行成功，因为配置了export USE_MODELSCOPE_HUB=1

查看 配置是否生效，输出1 即为配置成功：
echo $USE_MODELSCOPE_HUB

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py /--stage sft /--do_train /--model_name_or_path qwen/Qwen-7B /--dataset diy /--template qwen /--finetuning_type lora /--lora_target c_attn /--output_dir /mnt/workspace/llama_factory_demo/qwen/lora/sft /--overwrite_cache /--per_device_train_batch_size 4 /--gradient_accumulation_steps 4 /--lr_scheduler_type cosine /--logging_steps 10 /--save_strategy epoch /--learning_rate 5e-5 /--num_train_epochs 50.0 /--plot_loss /--fp16

训练完成的lora 权重，保存在下述文件夹中；
--output_dir /mnt/workspace/llama_factory_demo/qwen/lora/sft

模型的训练结果如下：

lora 训练后的权重如下图所示：

4. 大模型 + lora 权重，部署

由于llama-factory 不支持 qwen 结合 lora 进行推理，故需要把 lora 权重融合进大模型成一个全新的大模型权重；

可查看如下链接，了解如何合并模型权重：merge_lora GitHub issue

下述是合并 lora 权重的脚本，全新大模型的权重保存到 export_dir 文件夹；

CUDA_VISIBLE_DEVICES=0 python src/export_model.py /    --model_name_or_path qwen/Qwen-7B /    --adapter_name_or_path /mnt/workspace/llama_factory_demo/qwen/lora/sft/checkpoint-50 /    --template qwen /    --finetuning_type lora /    --export_dir /mnt/workspace/merge_w/qwen /    --export_size 2 /    --export_legacy_format False

使用融合后到大模型进行推理，model_name_or_path 为融合后的新大模型路径

CUDA_VISIBLE_DEVICES=0 API_PORT=8000 python src/api_demo.py /    --model_name_or_path /mnt/workspace/merge_w/qwen /    --template qwen /    --infer_backend vllm /    --vllm_enforce_eager /~                             

模型请求脚本

curl -X 'POST' /  'http://0.0.0.0:8000/v1/chat/completions' /  -H 'accept: application/json' /  -H 'Content-Type: application/json' /  -d '{  "model": "string",  "messages": [    {      "role": "user",      "content": "你能帮我做一些什么事情？",      "tool_calls": [        {          "id": "call_default",          "type": "function",          "function": {            "name": "string",            "arguments": "string"          }        }      ]    }  ],  "tools": [    {      "type": "function",      "function": {        "name": "string",        "description": "string",        "parameters": {}      }    }  ],  "do_sample": true,  "temperature": 0,  "top_p": 0,  "n": 1,  "max_tokens": 128,  "stream": false}'

模型推理得到了和数据集中一样的结果，这说明 lora 微调生效了；

以为设置了 "stop": "<|endoftext|>"，模型会在遇到结束符自动结束，但模型依然推理到了最长的长度后结束，设置的 stop 并没有生效；

llama-factory的作者表示还没有支持stop，万一未来支持了stop功能，大家可以关注这个issue support “stop” in api chat/completions #3114

Qwen 有些模型的stop还没支持，有一些大模型已经支持了 stop。

问题

虽然设置了 "temperature": 0 ， 但是模型的输出结果依然变动很大，运行3-4次后，才出现训练数据集中的结果；

参考资料

• api 参数列表
• 使用LLaMa-Factory简单高效微调大模型
  展示了支持的大模型列表；