黄金网站app软件下载安装免费,手机百度电脑版入口,房99西安房产网,做视频招标的网站有哪些0. 简介
最近受到优刻得的使用邀请#xff0c;正好解决了我在大模型和自动驾驶行业对GPU的使用需求。UCloud云计算旗下的[Compshare](https://www.compshare.cn/? ytagGPU_lovelyyoshino_Lcsdn_csdn_display)的GPU算力云平台。他们提供高性价比的4090 GPU#xff0c;按时收…0. 简介
最近受到优刻得的使用邀请正好解决了我在大模型和自动驾驶行业对GPU的使用需求。UCloud云计算旗下的[Compshare](https://www.compshare.cn/? ytagGPU_lovelyyoshino_Lcsdn_csdn_display)的GPU算力云平台。他们提供高性价比的4090 GPU按时收费每卡2.6元月卡只需要1.7元每小时并附带200G的免费磁盘空间。暂时已经满足我的使用需求了同时支持访问加速独立IP等功能能够更快的完成项目搭建。 而且在使用后可以写对应的博客可以完成500元的赠金完全可以满足个人对GPU的需求。
1. 账号注册与使用
优刻得平台的注册还是很方便的。普通用户走这个注册渠道就可以如果是有额外需求的可以联系官方客服来提供制定需求的GPU资源暂时其实4090已经完全够我们个人使用了。 在注册完毕后我们的界面长这样通过点击创建资源即可完成资源环境的创建 点进去后我们可以看到大多数常用的大模型环境已经安装适配完毕。我们点击即可使用这些快速配置好的环境不需要额外安装CUDA这些比较麻烦的环境配置注册即可使用。
2. 如何搭建LLAMA3
之前我们曾经深度解析过LLaMA-Factory这个项目优刻得平台也已经集成了这对于我而言非常友善。我完全可以省下大量的环境配置步骤并专心于项目的二次开发和使用。
相比于隔壁的autoDL而言这确实能节省很多时间。独立IP也可以非常便捷的完成ssh远程连接现挖个坑后面再说。这里我们使用的LLaMA-Factory支持很多模型的便捷整合并可以支持市面上绝大多数的微调或者全量的方法。
2.1 如何设置 LLaMA-Factory
首先我们在Github上拉取对应的项目并安装制定的环境
git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
pip install -e .[torch,metrics]如果需要隔离环境并自己手动安装环境可以尝试必须要执行pip install -e .[torch,metrics]
# Create and activate a virtual environment
python -m venv llama-env
source llama-env/bin/activate# Install required packages by LlaMA-Factory
pip install -r requirements.txt
pip install -e .[torch,metrics]2.2 准备数据
LLaMA-Factory 在 data 文件夹中提供了多个训练数据集您可以直接使用它们。如果您打算使用自定义数据集请按照以下方式准备您的数据集。
请将您的数据以 json 格式进行组织并将数据放入 data 文件夹中。LLaMA-Factory 支持以 alpaca 或 sharegpt 格式的数据集。
alpaca 格式的数据集应遵循以下格式
[{instruction: user instruction (required),input: user input (optional),output: model response (required),system: system prompt (optional),history: [[user instruction in the first round (optional), model response in the first round (optional)],[user instruction in the second round (optional), model response in the second round (optional)]]}
]sharegpt 格式的数据集应遵循以下格式
[{conversations: [{from: human,value: user instruction},{from: gpt,value: model response}],system: system prompt (optional),tools: tool description (optional)}
]在 data/dataset_info.json 文件中提供您的数据集定义并采用以下格式
对于 alpaca 格式的数据集其 dataset_info.json 文件中的列应为
dataset_name: {file_name: dataset_name.json,columns: {prompt: instruction,query: input,response: output,system: system,history: history}
}对于 sharegpt 格式的数据集dataset_info.json 文件中的列应该包括
dataset_name: {file_name: dataset_name.json,formatting: sharegpt,columns: {messages: conversations,system: system,tools: tools},tags: {role_tag: from,content_tag: value,user_tag: user,assistant_tag: assistant}}2.3 数据下载
LLaMA-Factory项目内置了丰富的数据集统一存储于data目录下。您可以跳过本步骤直接使用内置数据集。您也可以准备自定义数据集将数据处理为框架特定的格式放在data下并且修改dataset_info.json文件。
在本教程中PAI提供了一份多轮对话数据集执行以下命令下载数据。
cd LLaMA-Factory
wget https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/tutorials/llama_factory/data.zip
mv data rawdata unzip data.zip -d data3. LLAMA3对话体验
由于我们是控制台没有办法用网页用户界面所以没有办法使用CUDA_VISIBLE_DEVICES0 GRADIO_SHARE1 llamafactory-cli webui完成微调。所以我们直接用快捷指令微调。这里提供了多样化的大模型微调示例脚本。
3.1单 GPU LoRA 微调
3.2增量预训练
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/lora_single_gpu/llama3_lora_pretrain.yaml3.3 指令监督微调
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/lora_single_gpu/llama3_lora_sft.yaml3.4 多模态指令监督微调
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/lora_single_gpu/llava1_5_lora_sft.yaml3.5 奖励模型训练
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/lora_single_gpu/llama3_lora_reward.yaml3.6 PPO 训练
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/lora_single_gpu/llama3_lora_ppo.yaml3.7 DPO/ORPO/SimPO 训练
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/lora_single_gpu/llama3_lora_dpo.yaml3.8 KTO 训练
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/lora_single_gpu/llama3_lora_kto.yaml3.9 预处理数据集
对于大数据集有帮助在配置中使用 tokenized_path 以加载预处理后的数据集。
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/lora_single_gpu/llama3_preprocess.yaml3.10 在 MMLU/CMMLU/C-Eval 上评估
CUDA_VISIBLE_DEVICES0 llamafactory-cli eval examples/lora_single_gpu/llama3_lora_eval.yaml3.11 批量预测并计算 BLEU 和 ROUGE 分数
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/lora_single_gpu/llama3_lora_predict.yaml3.12 单 GPU QLoRA 微调
3.12.1 基于 4/8 比特 Bitsandbytes 量化进行指令监督微调推荐
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/qlora_single_gpu/llama3_lora_sft_bitsandbytes.yaml3.12.2 基于 4/8 比特 GPTQ 量化进行指令监督微调
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/qlora_single_gpu/llama3_lora_sft_gptq.yaml3.12.3 基于 4 比特 AWQ 量化进行指令监督微调
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/qlora_single_gpu/llama3_lora_sft_awq.yaml3.12.4 基于 2 比特 AQLM 量化进行指令监督微调
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/qlora_single_gpu/llama3_lora_sft_aqlm.yaml3.13 多 GPU LoRA 微调
3.13.1 在单机上进行指令监督微调
CUDA_VISIBLE_DEVICES0,1,2,3 llamafactory-cli train examples/lora_multi_gpu/llama3_lora_sft.yaml3.13.2 在多机上进行指令监督微调
CUDA_VISIBLE_DEVICES0,1,2,3 NNODES2 RANK0 MASTER_ADDR192.168.0.1 MASTER_PORT29500 llamafactory-cli train examples/lora_multi_gpu/llama3_lora_sft.yaml
CUDA_VISIBLE_DEVICES0,1,2,3 NNODES2 RANK1 MASTER_ADDR192.168.0.1 MASTER_PORT29500 llamafactory-cli train examples/lora_multi_gpu/llama3_lora_sft.yaml3.13.3 使用 DeepSpeed ZeRO-3 平均分配显存
CUDA_VISIBLE_DEVICES0,1,2,3 llamafactory-cli train examples/lora_multi_gpu/llama3_lora_sft_ds.yaml3.14 多 NPU LoRA 微调
3.14.1 使用 DeepSpeed ZeRO-0 进行指令监督微调
ASCEND_RT_VISIBLE_DEVICES0,1,2,3 llamafactory-cli train examples/lora_multi_npu/llama3_lora_sft_ds.yaml3.15 多 GPU 全参数微调
3.15.1 在单机上进行指令监督微调
CUDA_VISIBLE_DEVICES0,1,2,3 llamafactory-cli train examples/full_multi_gpu/llama3_full_sft.yaml3.15.2 在多机上进行指令监督微调
CUDA_VISIBLE_DEVICES0,1,2,3 NNODES2 RANK0 MASTER_ADDR192.168.0.1 MASTER_PORT29500 llamafactory-cli train examples/full_multi_gpu/llama3_full_sft.yaml
CUDA_VISIBLE_DEVICES0,1,2,3 NNODES2 RANK1 MASTER_ADDR192.168.0.1 MASTER_PORT29500 llamafactory-cli train examples/full_multi_gpu/llama3_full_sft.yaml3.15.3 批量预测并计算 BLEU 和 ROUGE 分数
CUDA_VISIBLE_DEVICES0,1,2,3 llamafactory-cli train examples/full_multi_gpu/llama3_full_predict.yaml3.16 合并 LoRA 适配器与模型量化
3.16.1 合并 LoRA 适配器
注请勿使用量化后的模型或 quantization_bit 参数来合并 LoRA 适配器。
CUDA_VISIBLE_DEVICES0 llamafactory-cli export examples/merge_lora/llama3_lora_sft.yaml3.16.2 使用 AutoGPTQ 量化模型
CUDA_VISIBLE_DEVICES0 llamafactory-cli export examples/merge_lora/llama3_gptq.yaml3.16.3 推理 LoRA 模型
使用 CUDA_VISIBLE_DEVICES0,1 进行多卡推理。
3.16.4 使用命令行接口
CUDA_VISIBLE_DEVICES0 llamafactory-cli chat examples/inference/llama3_lora_sft.yaml3.17 使用浏览器界面
CUDA_VISIBLE_DEVICES0 llamafactory-cli webchat examples/inference/llama3_lora_sft.yaml3.17.1 启动 OpenAI 风格 API
CUDA_VISIBLE_DEVICES0 llamafactory-cli api examples/inference/llama3_lora_sft.yaml3.18 杂项
3.18.1 使用 GaLore 进行全参数训练
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/extras/galore/llama3_full_sft.yaml3.18.2 使用 BAdam 进行全参数训练
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/extras/badam/llama3_full_sft.yaml3.18.3 LoRA 微调
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/extras/loraplus/llama3_lora_sft.yaml3.18.4 深度混合微调
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/extras/mod/llama3_full_sft.yaml3.18.5 LLaMA-Pro 微调
bash examples/extras/llama_pro/expand.sh
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/extras/llama_pro/llama3_freeze_sft.yaml3.18.6 FSDPQLoRA 微调
bash examples/extras/fsdp_qlora/single_node.sh我们这里演示的就是对话实例
CUDA_VISIBLE_DEVICES0 llamafactory-cli chat examples/inference/llama3_lora_sft.yaml运行后出现以下问题
OSError: You are trying to access a gated repo.
Make sure to have access to it at https://huggingface.co/meta-llama/Meta-Llama-3-8B-Instruct.
401 Client Error. (Request ID: Root1-665eec65-4bc590735915f5561f42d963;3d28d986-a6df-42b5-83d3-5483ef4d2e9f)这代表部分数据集的使用需要确认这里推荐使用下述命令登录您的 Hugging Face 账户
pip install --upgrade huggingface_hub
huggingface-cli login将token填入 然后我们将meta-llama/Meta-Llama-3-8B-Instruct替换为NousResearch/Meta-Llama-3-8B-Instruct在 examples/inference/llama3_lora_sft.yaml中。
这里我们会发现仍然抱错这里需要我们sft预训练一下。然后经过一系列下载后很快就可以进行预训练了。
CUDA_VISIBLE_DEVICES0 llamafactory-cli train examples/lora_single_gpu/llama3_lora_sft.yaml然后经过一系列下载后很快就可以进行对话了
4. 参考链接
https://help.aliyun.com/zh/pai/use-cases/fine-tune-a-llama-3-model-with-llama-factory
