快速上手！LLaMa-Factory最新微调实践，轻松实现专属大模型

1.为什么要对Yuan2.0做微调？  

Yuan2.0（https://huggingface.co/IEITYuan）是浪潮信息发布的新一代基础语言大模型，该模型拥有优异的数学、代码能力。自发布以来，Yuan2.0已经受到了业界广泛的关注。当前Yuan2.0已经开源参数量分别是102B、51B和2B的3个基础模型，以供研发人员做进一步的开发。

LLM（大语言模型）微调方案是解决通用大模型落地私有领域的一大利器。基于开源大模型的微调，不仅可以提升LLM对于指令的遵循能力，也能通过行业知识的引入，来提升LLM在专业领域的知识和能力。当前，学界和业界已经基于LLM开发及实践出了众多的微调方法，如指令微调、基于人类反馈的强化学习（RLHF，Reinforcement Learning from Human Feedback）、直接偏好优化（DPO，Direct Preference Optimization）等。内存和计算资源是制约LLM微调的两大瓶颈，通过使用高效微调（PEFT，Parameter-Efficient Fine-Tuning）方案可以有效缓解上述问题，当前业界已经出现了LoRA和QLoRA等高效微调技术，可以实现在单张GPU上完成千亿参数的微调训练。因此，一个能够实现上述功能的简洁、高效、易用、与时俱进的微调框架是开展LLM微调工作的最佳抓手。

LLaMA-Factory（https://github.com/hiyouga/LLaMA-Factory）是零隙智能（SeamLessAI）开源的低代码大模型训练框架，它集成了业界最广泛使用的微调方法和优化技术，并支持业界众多的开源模型的微调和二次训练，开发者可以使用私域数据、基于有限算力完成领域大模型的定制开发。LLaMA-Factory还为开发者提供了可视化训练、推理平台，一键配置模型训练，实现零代码微调LLM。自2023年5月开源以来，成为社区内最受欢迎的微调框架，github星数已超9K。

目前LLaMA-Factory已完成与Yuan2.0的适配微调，通过使用LLaMA-Factory可以方便快捷的对不同尺寸的Yuan2.0基础模型进行全量微调及高效微调。本文将介绍如何使用alpaca中文数据集、ShareGPT数据集和llama-factory提供的模型认知数据集，对Yuan2.0进行微调，来构建自己的人工智能助手。

2.资源需求评估和环境准备

下面的表格给出了使用llama-factory微调Yuan2.0模型的最低显存需求。大家可以根据手头GPU资源的显存情况来评估使用的模型以及对应的微调算法。比如选择Yuan2.0-2B模型，使用QLoRA微调方法，只需要最小5GB显存，当前业界绝大多数的GPU都可以满足。

表格2‑1：Yuan2.0不同微调策略所需要的最低显存需求评估。

微调方法	Yuan2.0-2B	Yuan2.0-51B	Yuan2.0-102B
全参微调	40GB	1000GB	2000GB
LoRA	7GB	120GB	230GB
QLoRA	5GB	40GB	80GB

Llama-factory的部署可以参考其github上的部署文档，yuan2.0的github上也提供了完整的llama-factory的环境部署流程（https://github.com/IEIT-Yuan/Yuan-2.0/blob/main/docs/Yuan2_llama-factory.md）可供参考。在本文的部署实践中，使用了ngc-torch2308作为基础docker镜像。

3.Yuan2.0 Lora微调Step by step流程

下面以Yuan2.0-2B模型的LoRA微调为例，进行step by step的流程介绍。

Step by Step  ，yuan2.0模型微调演示demo

• step1：基于torch2308镜像启动容器，可以映射容器内的7860端口到宿主机，以便后期微调及推理测试使用；克隆llama-factory项目，使用pip清华源，按照如下命令安装相关依赖。

cd /workspace/sa/LLM_test/LLaMA-Factory-main
vim src/train_web.py


#如下文件内容可以修改server_port为自己映射的端口

from llmtuner import create_ui
def main():
    demo = create_ui()
    demo.queue()
    demo.launch(server_name="0.0.0.0",server_port=6666, share=False, inbrowser=True)
if __name__ == "__main__":
main()

#使用如下命令在终端启动web服务，并在浏览器中打开web界面
python src/train_web.py

• step2 ：获取yuan2.0 huggingface模型，微调使用的huggingface模型可以在给出链接中获取。

• step3： 启动Web UI服务，训练自己的私有大模型智能助手。我们将使用llama-factory内置的中文数据集（GPT-4优化后的alpaca中文数据集、ShareGPT数据集和llama-factory提供的模型认数据集）完成此次微调。

cd /workspace/sa/LLM_test/LLaMA-Factory-main
vim src/train_web.py

#如下文件内容可以修改server_port为自己映射的端口

from llmtuner import create_ui
def main():
    demo = create_ui()
    demo.queue()
    demo.launch(server_name="0.0.0.0",server_port=6666, share=False, inbrowser=True)
if __name__ == "__main__":
main()

#使用如下命令在终端启动web服务，并在浏览器中打开web界面
python src/train_web.py

• step4：在web界面上配置参数微调Yuan2.0-2B。如下图为模型、微调方式、数据等的配置样例，具体信息参考图中注释。

（1）模型路径，数据集选择，训练精度，样本截断长度，与训练优化相关的学习率、batchsize等参数的设置

（2）日志、高效微调lora、模型保存等相关参数配置

（3）命令行执行命令显示

CUDA_VISIBLE_DEVICES=0 python  src/train_bash.py \
      --stage sft \
      --model_name_or_path /workspace/sa/LLM_test/LLM_models/yuan2-2B/ \
      --do_train \
      --dataset alpaca_gpt4_zh,self_cognition,sharegpt_zh \
      --finetuning_type lora  \
      --lora_target q_proj,v_proj \
      --output_dir yuan2_2B_test_1gpu_qlora_checkpoint\
      --overwrite_cache \
      --per_device_train_batch_size 1 \
      --per_device_eval_batch_size 4  \
      --gradient_accumulation_steps 16  \
      --preprocessing_num_workers 16 \
      --lr_scheduler_type cosine \
      --logging_steps 10    \
      --save_steps 10000   \
      --learning_rate 5e-4   \
      --max_grad_norm 0.5     \
      --num_train_epochs 3   \
      --evaluation_strategy no  \
      --bf16 \
      --template yuan \
      --overwrite_output_dir    \
      --cutoff_len 1024\
      --quantization_bit 4 \

（4）训练日志及loss曲线展示

本次微调使用的微调数据集约有25.6K个sample，微调3个epoch，单块L20 GPU约6小时可以完成。如果要微调类似alpaca-data（52K）的数据集，tokenizer后其平均序列长度为226，拼接后sample个数为11.5K，微调3个epoch，单块L20 GPU约2.5小时可以完成。如果使用消费级显卡如RTX 4090等来微调Yuan2.0-2B，其实际算力水平约为L20的1.2~1.3X，微调所花费时间约为L20的80%；其余GPU设备均可做类似比对。

• step5：测试推理及效果展示

（1）写作

（2）代码

（3）历史

（4）数学

4.训练加速

在step-by-step流程中介绍了如何利用web UI界面微调和使用Yuan2.0-2B模型。接下来将在上述流程的基础上，展示如何使用llama-factory中的超参设置来加速模型的微调。

下述命令行大致对应了web UI启动微调所调用的命令，我们可以添加gradient_checkpointing True参数进一步节省显存，增大per_device_train_batchsize。可以添加--sft_packing参数，该参数能够将多个样本拼接在一起，防止计算资源浪费。

CUDA_VISIBLE_DEVICES=0 python  src/train_bash.py \
      --stage sft \
      --model_name_or_path /workspace/sa/LLM_test/LLM_models/yuan2-2B/ \
      --do_train \
      --dataset alpaca_gpt4_zh,self_cognition,sharegpt_zh \
      --finetuning_type lora  \
      --lora_target q_proj,v_proj \
      --output_dir yuan2_2B_test_1gpu_qlora_checkpoint\
      --overwrite_cache \
      --per_device_train_batch_size 1 \
      --per_device_eval_batch_size 4  \
      --gradient_accumulation_steps 16  \
      --preprocessing_num_workers 16 \
      --lr_scheduler_type cosine \
      --logging_steps 10    \
      --save_steps 10000   \
      --learning_rate 5e-4   \
      --max_grad_norm 0.5     \
      --num_train_epochs 3   \
      --evaluation_strategy no  \
      --bf16 \
      --template yuan \
      --overwrite_output_dir    \
      --cutoff_len 1024\
      --quantization_bit 4 \
      --sft_packing

另外我们可以使用deepspeed-zero进行多机多卡的微调训练。使用torchrun或deepspeed启动脚本，并添加deepspeed config参数，使用多机多卡并行可以加快模型收敛；zero并行策略可以降低模型显存占用，让大模型的微调门槛降低。如下所示为启动多机多卡微调训练的命令行。

torchrun --nnodes 2 --node_rank 0 --nproc_per_node=8 \
        --master-addr *.*.*.*  --master_port 10086 src/train_bash.py \
        --stage sft \
        --model_name_or_path path-to-yuan-hf-model \
        --do_train \
        --dataset alpaca_gpt4_zh,self_cognition,sharegpt_zh \
        --finetuning_type lora  \
        --lora_target q_proj,v_proj \
        --output_dir yuan2_2B_lora_fintuning_checkpoint\
        --overwrite_cache \
        --per_device_train_batch_size 4 \
        --per_device_eval_batch_size 4  \
        --gradient_accumulation_steps 4  \
        --preprocessing_num_workers 16 \
        --lr_scheduler_type cosine \
        --logging_steps 10    \
        --save_steps 10000   \
        --learning_rate 5e-5   \
        --max_grad_norm 0.5     \
        --num_train_epochs 3   \
        --evaluation_strategy no  \
        --bf16 \
        --deepspeed ./zero2_ds_woloading.json \
        --template yuan \
        --overwrite_output_dir     \
        --cutoff_len 2048\
        --sft_packing   \
        --gradient_checkpointing True

5.实测性能数据

我们基于浪潮信息的NF5468M7服务器（内置8个L40s加速卡），进行了Yuan2.0不同模型的微调性能对比，性能数据如下表，供读者参考。实验使用的数据集为yuan-sample-2W-data，单个yuan-sample-2W-datasample平均长度为167。

表格5‑1：基于llama-factory微调源2.0模型的实测性能（NF5468M7+L40s）

微调方法（基于llama-factory）	Model	序列长度	Micro/global  BS	Samples/per-GPU	Tokens/per-GPU	显存/per-GPU	训练耗时
全参微调	Yuan2.0-2B	2048	4/128	2.23	4567	19G	0.15h
LoRA	Yuan2.0-51B	2048	1/128	0.097	199	34G	3.54h
LoRA	Yuan2.0-102B	2048	1/128	0.049	100	47G	7h

我们基于浪潮信息的NF5468M7服务器（内置8个L20加速卡），进行了Yuan2.0不同模型的微调性能对比，性能数据如下表，供读者参考。实验使用的数据集为yuan-sample-2W-data，单个yuan-sample-2W-datasample平均长度为167。

表格5‑2：基于llama-factory微调源2.0模型的实测性能（NF5468M7+L20）

微调方法（基于llama-factory）	Model	序列长度	Micro/global  BS	Samples/per-GPU	Tokens/per-GPU	显存/per-GPU	训练耗时
全参微调	Yuan2.0-2B	2048	4/128	1.74	3559	19G	0.2h
LoRA	Yuan2.0-51B	2048	1/128	0.078	160	34G	4.4h
LoRA	Yuan2.0-102B	2048	1/128	0.039	81	47G	8.7h