Bootstrap

有浏览器就行，手把手带你从零微调大模型！

有浏览器就行，手把手带你从零微调大模型！

今天分享一篇技术文章，你可能听说过很多大模型的知识，但却从未亲自使用或微调过大模型。

今天这篇文章，就手把手带你从零微调一个大模型。

大模型微调本身是一件非常复杂且技术难度很高的任务，因此本篇文章仅从零开始，手把手带你走一遍微调大模型的过程，并不会涉及过多技术细节。

希望通过本文，你可以了解微调大模型的流程。

图片

微调大模型需要非常高的电脑配置，比如GPU环境，相当于你在已经预训练好的基础上再对大模型进行一次小的训练。

但是不用担心，本篇文章会使用阿里魔塔社区提供的集成环境来进行，无需使用你自己的电脑配置环境。

你只需要有浏览器就可以完成。

本次微调的大模型是零一万物的 Yi 开源大语言模型，当然微调其他大模型的过程和原理也有差不多。

这里说明一下，阿里魔塔社区对于新用户提供了几十小时的免费GPU资源进行使用，正好可以来薅一波羊毛，学习一下大模型的微调。

话不多说，直接开始。

图片

1. 账号和环境准备

首先你需要注册和登录魔搭的账号：https://modelscope.cn/home

注册完成后，登录这个模型网址：

https://www.modelscope.cn/models/01ai/Yi-1.5-6B**.**

然后按照下面的箭头操作。

在这里插入图片描述

图片

选择完方式二：GPU环境后，点击“启动”。

启动大概需要2分钟，等GPU环境启动好以后点击"查看NoteBook"进入。

魔塔社区内置了JupyterLab的功能，你进入之后，可以找到 Notebook 标签，新建一个Notebook(当然你在terminal 里执行也没问题)。

如下箭头所示，点击即可创建一个新的 Notebook 页面。

图片

增添一个代码块，并且执行以下命令（点击左侧的运行按钮运行该代码块，下同，这一步是安装依赖库）。

!pip3 install --upgrade pip
!pip3 install bitsandbytes>=0.39.0

拉取 LLaMA-Factory，过程大约需要几分钟

!git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git

图片

接下来需要去 Launcher > Terminal 执行（按照图片剪头指示操作）。

安装依赖的软件，这步需要的时间比较长。

图片

# ⚠️下面两行命令在刚启动的Terminal中执行⚠️
cd LLaMA-Factory
pip3 install -e ".[torch,metrics]"

图片

等以上所有步骤完成后，再进行下面的操作。

2. 下载模型

零一万物的 Yi 开源大语言模型的权重可以在HuggingFace和ModelScope上找到，这里我选择从ModelScope上下载。

零一万物的所有开源模型链接在这里：

https://www.modelscope.cn/organization/01ai/

模型下载需要一定的时间，这里选择了最小的Yi-1.5-6B-chat模型进行实验。

模型的说明在这里：

https://www.modelscope.cn/models/01ai/Yi-1.5-6B-Chat/summary

图片

Yi-1.5-6B-chat模型大小大约12G，下载大约需要10分钟（取决于网速）。

接下来，你通过下面的命令就可以在 notebook 里执行下载（在 terminal也一样，如果需要在terminal执行需要去掉前面的!）。

!git clone https://www.modelscope.cn/01ai/Yi-1.5-6B-Chat.git

图片

这一步，耐心等待下载完成即可。

3. 微调Yi模型实战

等以上所有步骤完成后，准备工作就做好了，现在可以开始准备微调了。

⚠️注意：虽然本篇文章仅仅是简单的过一遍微调的流程，但是不要低估他的难度。微调跑起来很容易，但是跑出很好的结果非常的难。

开源社区有许多非常优秀的专门用于微调代码库具体的你可以参考这里：

https://github.com/01-ai/Yi-1.5?tab=readme-ov-file#fine-tuning

站在巨人的肩膀上开始这次实战，这里选择llama_factory。

LLaMA Factory是一款开源低代码大模型微调框架，集成了业界广泛使用的微调技术。llama_factory 的介绍可以在这里查看：

https://github.com/hiyouga/LLaMA-Factory

4. 开始微调

a. 创建微调训练相关的配置文件

在左侧的文件列表，Llama-Factory的文件夹里，打开examples\train_qlora（注意不是 train_lora）下提供的llama3_lora_sft_awq.yaml，复制一份并重命名为yi_lora_sft_bitsandbytes.yaml。

图片

图片

这个文件里面写着和微调相关的关键参数。

打开这个文件，将第一行model_name_or_path更改为你下载模型的位置。

### model
model_name_or_path: <你下载的模型位置，不要带括号，比如我写了../Yi-1.5-6B-Chat>

同样修改其他行的内容，下面是我的修改，你可以逐行对比一下，有不一致或缺少的就添加一下。

在这里插入图片描述
在这里插入图片描述

从上面的配置文件中可以看到，本次微调的数据集是 identity。

那这个文件里面写着什么呢？

你可以打开这个文件看一下：https://github.com/hiyouga/LLaMA-Factory/blob/main/data/identity.json。

图片

微调数据集是“自我认知”，也就是说当你问模型“你好你是谁”的时候，模型会告诉你我叫name由author开发。

如果你把数据集更改成你自己的名字，那你就可以微调一个属于你自己的大模型。

这一步，你可以将 identity.json 中的 {{name}} 字段替换为你的名字来微调一个属于自己的大模型。

保存刚才对于 yi_lora_sft_bitsandbytes.yaml 文件的更改，回到终端terminal。

在 LLaMA-Factory 目录下，输入以下命令启动微调脚本(大概需要10分钟)

llamafactory-cli train examples/train_qlora/yi_lora_sft_bitsandbytes.yaml

图片

看到进度条就是开始微调了。

图片

运行过程大概需要10分钟，当你看到下面这个界面的时候，微调过程就结束了。

图片

5. 推理测试

微调后的模型有什么不同的地方呢？

这里加载微调后模型进行推理，测试微调前后变化。

参考Llama-Factory文件夹中，examples\inference下提供的llama3_lora_sft.yaml，复制一份，并重命名为 yi_lora_sft.yaml

图片

将内容更改为，并且保存*（一定记得保存）*。

在这里插入图片描述

回到刚刚结束微调的终端Terminal，运行下面的推理命令(同样在Llama-Factory目录下运行）。

llamafactory-cli chat examples/inference/yi_lora_sft.yaml

稍微等待一下模型加载，然后就可以聊天了。

可以看到模型的自我身份认知被成功的更改了。

自我身份认知更改成为数据集规定的样子了，同时也保持了通用对话能力。

那么，和没有经过微调之前的模型对比有什么差别呢？

重复上面的步骤，将llama3.yaml复制并重命名为yi.yaml，将内容更改为以下的内容，并保存（一定记得保存）。

model_name_or_path: ../Yi-1.5-6B-Chat
template: chatml

回到终端Terminal，运行下面的推理命令：

llamafactory-cli chat examples/inference/yi.yaml

可以提问和刚才同样的问题，看到模型的原始回答。

图片

基于本实验，你就完成了一个简单的微调，完整的走了一遍模型的微调过程，是不是还挺简单的？

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

悦读

道可道，非常道；名可名，非常名。 无名，天地之始，有名，万物之母。 故常无欲，以观其妙，常有欲，以观其徼。 此两者，同出而异名，同谓之玄，玄之又玄，众妙之门。

最新收录
SSM面试总结
zabbix自定义脚本监控 创建自定义监控模板
C语言编写红色警戒外挂
linux文件系统的inode
将IEEE制浮点数转换为十进制
微信小程序---进入时广告实现
一篇文章让你学会RocketMQ的主从集群搭建和高可用集群搭建
算法题--华为od机试考试（整数对最小和、素数之积、找城市）
SpringMVC响应数据的几种方式
用虚拟机搭建Kubernetes集群
;