Bootstrap

使用 LLaMA-Factory 微调大模型

本文将介绍如下内容:

  • 一、搭建 Docker Container 环境
  • 二、配置大模型训练环境
  • 三、构建、配置数据集
  • 四、训练大模型

一、搭建 Docker Container 环境

笔者此前多篇文章说明,此处不再赘述,可参考:NGC容器中快速搭建Jupyter环境
Eg: NGC 版本为 24.09

二、配置大模型训练环境

1、下载代码
git clone https://github.com/hiyouga/LLaMA-Factory.git

# 切换到此次案例的版本
git checkout c3fda5046d835ba4542d525b8d89cd12838e9f4c
2、配置训练环境
cd LLaMA-Factory
pip install -e ".[torch,metrics]"
pip install deepspeed==0.15.4

三、构建、配置数据集

1、构建数据集

将数据构造为如下格式的json文件:

[
  {
    "instruction": "识别并解释给定列表中的两个科学理论:细胞理论和日心说。",
    "input": "",
    "output": "细胞理论是生物科学的一个理论,它认为所有生命体都是由微小的基本单元——细胞所构成。"
  },
  [
  {
    "instruction": "识别并解释给定列表中的两个科学理论:细胞理论和日心说。",
    "input": "",
    "output": "细胞理论是生物科学的一个理论,它认为所有生命体都是由微小的基本单元——细胞所构成。这是生物学的一个基础理论,认为细胞是所有生物的基本结构和功能单位,所有的生物都是由一个或>多个细胞组成,细胞只能通过细胞分裂产生新的细胞。这一理论由薛定谔、施瓦内和雪莱于1839年首次提出。\n\n日心说是指太阳是太阳系的中心,也就是说,行星围绕太阳旋转的理论。这个理论打破了传统的
地心说观点,认为地球并不是宇宙的中心。日心说的提出者是尼古拉·哥白尼,他在16世纪初发表了他的著作《天体运行论》,阐述了太阳系行星围绕太阳运行的模型,为天文学的发展做出了巨大贡献。"
  },
]
2、配置数据集

vim LLaMA-Factory/data/dataset_info.json

{
  "dataset_merged": {
    "file_name": "dataset_merged.json"
  },
  "identity": {
    "file_name": "identity.json"
  },
}

四、训练大模型

1、torchrun 命令详细
--nnodes: 总共的节点(机器)数量。
--nproc_per_node: 每个节点上要使用的进程数,通常等于该节点所使用的 GPU 数。
--node_rank: 当前节点的编号,从 0 开始计数。
--master_addr: 主节点(node_rank=0)的 IP 地址或主机名。
--master_port: 用于通信的端口,确保这个端口在主节点是空闲、未被占用的。
2 、单机多卡案例

在单机多卡的场景下,nnodes 设置为 1,node_rank 为 0,master_addr 通常设为 localhost 或者 127.0.0.1,master_port 选择一个未被占用的端口(例如 12355)。

#!/bin/bash

# 分布式训练参数
DISTRIBUTED_ARGS="
    --nnodes=1 \
    --node_rank=0 \
    --nproc_per_node=3 \
    --master_addr=127.0.0.1 \
    --master_port=12355 \
"

# 设置可见的 GPU 设备,这里选择 GPU 0, 2, 3
CUDA_VISIBLE_DEVICES=0,2,3 torchrun $DISTRIBUTED_ARGS src/train.py \
    --stage sft \
    --do_train \
    --deepspeed /data/njh/generate-medical-record/LLaMA-Factory/examples/deepspeed/ds_z2_config_self.json \
    --use_fast_tokenizer \
    --flash_attn auto \
    --model_name_or_path /nasdata/zhanjie/models/Qwen2.5-7B-Instruct \
    --dataset dataset_merged \
    --template qwen \
    --finetuning_type full  \
    --lora_dropout 0.2 \
    --lora_target lora \
    --output_dir saves/qwen2.5-7B-Instruct/epoch3_dropout2_rank4 \
    --overwrite_cache \
    --overwrite_output_dir \
    --warmup_steps 100 \
    --weight_decay 0.1 \
    --per_device_train_batch_size 1 \
    --gradient_accumulation_steps 4 \
    --ddp_timeout 9000 \
    --learning_rate 1e-5 \
    --lr_scheduler_type cosine \
    --logging_steps 1 \
    --cutoff_len 6000 \
    --save_steps 100 \
    --plot_loss \
    --num_train_epochs 1 \
    --bf16 True \
    --optim adamw_torch \
    --lora_rank 4 \
    --lora_alpha 8

说明:

--nnodes=1:表示总共有1个节点(机器)。
--node_rank=0:当前节点编号为0(唯一的节点)。
--nproc_per_node=3:每个节点上启动3个进程,对应3个GPU(GPU 0, 2, 3)。
--master_addr=127.0.0.1:主节点地址为本机。
--master_port=12355:主节点通信端口。
3、多机多卡案例

在多机多卡的场景下,假设有两台机器(节点),每台机器有3个GPU。需要在每台机器上分别运行相应的 torchrun 命令,并确保主节点的 master_addr 和 master_port 在所有节点上保持一致。

  • 主节点(Node 0)
#!/bin/bash

# 分布式训练参数
DISTRIBUTED_ARGS="
    --nnodes=2 \
    --node_rank=0 \
    --nproc_per_node=3 \
    --master_addr=192.168.1.1 \
    --master_port=12355 \
"

# 设置可见的 GPU 设备,这里选择 GPU 0, 2, 3
CUDA_VISIBLE_DEVICES=0,2,3 torchrun $DISTRIBUTED_ARGS src/train.py \
    --your_other_args

说明:

–nnodes=2:总共有2个节点。
–node_rank=0:当前节点为主节点(编号为0)。
–master_addr=192.168.1.1:主节点的IP地址(需替换为实际主节点IP)。
其他参数同单机多卡。

  • 从节点(Node 1)
#!/bin/bash

# 分布式训练参数
DISTRIBUTED_ARGS="
    --nnodes=2 \
    --node_rank=1 \
    --nproc_per_node=3 \
    --master_addr=192.168.1.1 \
    --master_port=12355 \
"

# 设置可见的 GPU 设备,这里选择 GPU 0, 2, 3
CUDA_VISIBLE_DEVICES=0,2,3 torchrun $DISTRIBUTED_ARGS src/train.py \
    --stage sft \
    --do_train \
    --deepspeed /data/njh/generate-medical-record/LLaMA-Factory/examples/deepspeed/ds_z2_config_self.json \
    --use_fast_tokenizer \
    --flash_attn auto \
    --model_name_or_path /nasdata/zhanjie/models/Qwen2.5-7B-Instruct \
    --dataset dataset_merged \
    --template qwen \
    --finetuning_type full  \
    --lora_dropout 0.2 \
    --lora_target lora \
    --output_dir saves/qwen2.5-7B-Instruct/epoch3_dropout2_rank4 \
    --overwrite_cache \
    --overwrite_output_dir \
    --warmup_steps 100 \
    --weight_decay 0.1 \
    --per_device_train_batch_size 1 \
    --gradient_accumulation_steps 4 \
    --ddp_timeout 9000 \
    --learning_rate 1e-5 \
    --lr_scheduler_type cosine \
    --logging_steps 1 \
    --cutoff_len 6000 \
    --save_steps 100 \
    --plot_loss \
    --num_train_epochs 1 \
    --bf16 True \
    --optim adamw_torch \
    --lora_rank 4 \
    --lora_alpha 8

说明:

–nnodes=2:总共有2个节点。
–node_rank=1:当前节点为从节点(编号为1)。
–master_addr=192.168.1.1 和 --master_port=12355:与主节点保持一致。
其他参数同单机多卡。
注意事项:

网络通信:确保所有节点之间的网络通信正常,且 master_port 在主节点上是开放且未被占用的。
同步代码和环境:所有节点上的代码和运行环境(如PyTorch版本、依赖库等)应保持一致。
数据访问:确保所有节点能够访问到训练所需的数据,数据存储路径应一致或通过网络共享。

;