快速训练自己的大语言模型：基于LLAMA-7B的lora指令微调

前言：

• 系统：ubuntu 18.04
• 显卡：A100-80G（蹭的，嘿嘿~）
  （本次主要记录如何快速进行大模型的指令微调）

1. 选用工程：lit-llama

• 地址：https://github.com/Lightning-AI/lit-llama
  

2. 下载工程

git clone https://github.com/Lightning-AI/lit-llama.git

3. 安装环境

1. 切换到工程目录

cd ./lit-llama

2. 使用pip安装依赖库

pip install -r requirements.txt

（当然，这里可能会遇到网络问题，安装不了lightning）
可使用以下方式安装：

• 下载lightning工程
  

• 解压进入工程目录，使用以下命令安装

  python setup.py install
  

• 查看lightning是否安装成功：

  pip list|grep lightning
  

  （这里注意lightning的版本是2.1.0）
  

4. 下载LLAMA-7B模型

这里我们要基于LLAMA-7B做指令微调，所以要先下载模型权重，并作一系列转换。

• 切换到 lit-llama 所在位置，使用以下命令下载权重：

python scripts/download.py --repo_id openlm-research/open_llama_7b --local_dir checkpoints/open-llama/7B

（文件有点大，需要等待一些时间）

• 下载完毕之后，会得到如下的文件：
  

5. 做模型转换

• 还是切换到 lit-llama 所在位置，使用以下指令进行转换

  python scripts/convert_hf_checkpoint.py --checkpoint_dir checkpoints/open-llama/7B --model_size 7B
  

• 转换完毕之后，在 lit-llama/checkpoints/lit-llama/7B 位置，会得到大小为26G左右的 lit-llama.pth 文件，在上一级目录（lit-llama/checkpoints/lit-llama）还有一个tokenizer.model文件
  

6. 初步测试

• 在命令行，使用如下命令运行：

   python generate.py --prompt "Today is a"
  

  

• 使用中文测试，发现效果不好（开始胡说八道了~）
  

7. 为什么要进行指令微调？

• 因为原始的预训练LLAMA模型是一个大语言模型（废话~），会根据前面的单词预测下一个词语，如果你问它问题，它不会正确回答你，你问它一个问题，它可能会续写一些跟你一样的句子，例如，
• Prompt为 “What is the capital of China?”，它的回复如下所示：
  

8. 开始进行指令微调

8.1. 数据准备

• 这里使用alpaca的52k指令数据进行微调，使用如下指令：

  python scripts/prepare_alpaca.py
  

• 如果下载不下来的话，我们直接打开scripts/prepare_alpaca.py文件，如下所示：
  

• 直接打开链接 https://raw.githubusercontent.com/tloen/alpaca-lora/main/alpaca_data_cleaned_archive.json，然后全选页面复制，再保存到新建的文件里。
  

• 得到alpaca_data_cleaned_archive.json（看名字的clean应该是清洗过的），每条指令包含"instruction"、“input”、"output"三个关键字，本次先不具体展开讲解，如下所示：
  

• 运行指令后，还会作数据划分，train-49759, val-2000如下所示：
  

• 最后，会在lit-llama/data/alpaca路径下得到以下文件：
  

8.2 开始模型训练

• 使用以下指令：

  python finetune/lora.py
  

• 训练过程如下所示:
  

• 整个训练过程大约要1.5个小时（16:51 ~ 18:22）

• 训练完毕之后，会在out/lora/alpaca得到一系列lora的权重文件，如下图所示：
  

8.3 模型测试

• 使用如下指令进行提问，其中prompt为"what is the capital of China?"，

  python generate/lora.py --prompt "what is the capital of China?"
  

• 得到的结果如下所示
  

• 可以看到，经过指令微调之后，模型已经可以正常回答我们的问题了。

（ps：其他细节可以参考工程的README，写的很清楚~）

结束。