如何微调Meta Llama-3 8B

Meta
推出了 Meta
Llama 3 系列 LLM，包括 8 和 70B 大小的预训练和指令调整的生成文本模型。这些指令调整模型针对对话进行了优化，在行业基准测试中优于许多开源聊天模型。在开发过程中，我们特别注意优化实用性和安全性。

目录概览：

微调微调是机器学习中使用的一种技术，尤其是大型语言模型 （LLM）。这是一种利用现有模型的知识并针对特定任务进行定制的方法。需要资源情况T4-14.7/16GB。

开始微调Llama-3 8B

第 1 步：安装库

o

pip
install huggingface_hub ipython：这将安装两个库：用于从 Hugging Face Hub 访问模型和用于交互式编码。huggingface_hubipython

o

"unsloth[colab]
@ git+https://github.com/unslothai/unsloth.git" "unsloth[conda]
@git+https://github.com/unslothai/unsloth.git"：这将从 GitHub 安装 Unsloth 库，为 Google Colab() 和 conda 环境()指定不同的选项。[colab][conda]

o

export
HF_TOKEN=xxxxxxxxxxxxx：可能用于为 Hugging Face
Hub 设置身份验证令牌，但出于安全原因，实际令牌值是隐藏的。

o

1.  pip install huggingface_hub ipython "unsloth[colab] @ git+https://github.com/unslothai/unsloth.git" "unsloth[conda] @ git+https://github.com/unslothai/unsloth.git"

2.  export HF_TOKEN=xxxxxxxxxxxxx

安装Wandb

1、 安装 Wandb 库：安装与 Wandb 交互所需的库。pip install wandb

2、 登录：提示您输入
Wandb 凭据（可能是 API 密钥），以便您可以使用该服务。wandb login

·

1.  pip install

2.  wandbwandb logio

导入库

·

1.  import os

2.  from unsloth import FastLanguageModel

3.  import torch

4.  from trl import SFTTrainer

5.  from transformers import TrainingArguments

6.  from datasets import load_dataset

加载数据集

1.

设置最大序列长度：定义每个训练示例中允许的最大标记数。这有助于在训练期间管理内存和计算资源。max_seq_length = 2048

2.

定义数据 URL：以 JSONL 格式存储数据集的 Web 地址，可能包含文本数据。url

3. 加载数据集：使用库从提供的 URL 加载数据。dataset
= load_dataset("json", data_files = {"train" : url},
split = "train")datasets

load_dataset("json")将数据格式指定为 JSON。

data_filesdictionary 使用键“train”和 URL 作为其值定义训练数据位置。

split="train"表示我们正在加载数据集的训练部分。

·

1.  max_seq_length=2048

2.  url="https://huggingface.co/datasets/laion/OIG/resolve/main/unified_chip2.jsonl"

3.  dataset = load_dataset("json", data_files = {"train" : url}, split = "train")

加载 Llama-3-8B

·

1.  # 2. Load Llama3 model

2.  model, tokenizer = FastLanguageModel.from_pretrained(

3.  model_name = "unsloth/llama-3-8b-bnb-4bit", # 指定 Unsloth 库中的确切模型。“Llama3”可能是型号名称，“8b”表示 80 亿个参数，“bnb”可能是指特定的架构，“4bit”表示使用内存效率高的格式。

4.  max_seq_length = max_seq_length, # 设置最大序列长度（前面定义）以限制模型可以处理的输入长度。

5.  dtype = None, # （假设它设置为 None）允许库选择最合适的数据类型

6.  load_in_4bit = True, # 允许以内存高效的 4 位格式加载模型（如果模型和硬件支持）

7.  )

generate_text

·

·

1.  def generate_text(text):

2.  inputs = tokenizer( 

3.  [ 

4.  text 

5.  ], return_tensors="pt").to("cuda")

6.  outputs = model.generate(**inputs, max_new_tokens=20, use_cache=True) 

7.  tokenizer.batch_decode(outputs) 

8.  print("Before training\n")

进行模型参数设置和快速 LoRA 权重和训练

·

1.  model = FastLanguageModel.get_peft_model(

2.  model,

3.  r = 16,

4.  target_modules = ["q_proj", "k_proj", "v_proj", "o_proj",

5.  "gate_proj", "up_proj", "down_proj",], 

6.  lora_alpha = 16,

7.  lora_dropout = 0, # Supports any, but = 0 is optimized

8.  bias = "none", # Supports any, but = "none" is optimized 

9.  use_gradient_checkpointing = True,

10.      random_state = 3407,

11.      max_seq_length = max_seq_length,

12.      use_rslora = False,  # Rank stabilized LoRA 

13.      loftq_config = None, # LoftQ

14.      )

开始训练

·

trainer = SFTTrainer(    model = model,    train_dataset = dataset,    dataset_text_field = "text",    max_seq_length = max_seq_length,    tokenizer = tokenizer,    args = TrainingArguments(        per_device_train_batch_size = 2,        gradient_accumulation_steps = 4,        warmup_steps = 10,        max_steps = 60,        fp16 = not torch.cuda.is_bf16_supported(),        bf16 = torch.cuda.is_bf16_supported(),        logging_steps = 1,        output_dir = "outputs",        optim = "adamw_8bit",        weight_decay = 0.01,        lr_scheduler_type = "linear",        seed = 3407,    ),)trainer.train()

测试模型

·

1.  print("\n ######## \nAfter training\n")

2.  generate_text("<human>: List the top 5 most popular movies of all time.\n<bot>: ")

保存模型

·

1.  model.save_pretrained("lora_model")

2.  model.save_pretrained_merged("outputs", tokenizer, save_method = "merged_16bit",)

3.  model.push_to_hub_merged("YOURUSERNAME/llama3-8b-oig-unsloth-merged", tokenizer, save_method = "merged_16bit", token = os.environ.get("HF_TOKEN"))

4.  model.push_to_hub("YOURUSERNAME/llama3-8b-oig-unsloth", tokenizer, save_method = "lora", token = os.environ.get("HF_TOKEN"))

出自：https://mp.weixin.qq.com/s/mwaCtibKkFjQzPhDRKtCOw

如果你想要了解关于智能工具类的内容，可以查看 智汇宝库，这是一个提供智能工具的网站。
在这你可以找到各种智能工具的相关信息，了解智能工具的用法以及最新动态。