【AI大模型部署】Llama 3 8B模型微调实战

大多数人工智能领域的工具都会使用到Python，这个需要提前安装，同时推荐使用虚拟环境进行环境的隔离，比如用Anaconda（conda create -n xxx ）或者使用Python自带的模块创建虚拟环境（python -m venv xxx）。同时在使用前请记得激活环境。

训练

我们使用llama-3-chinese-8b-instruct-v3，好处是它已经通过中文语料进行了训练，将https://huggingface.co/hfl/llama-3-chinese-8b-instruct-v3/tree/main链接下的文件下载到本地目录。

注：如果在Huggingface上直接申请Llama模型的访问权限，国家最好不要选择中国，Alan的测试是选择中国遭拒，而选择美国则通过申请。

想过执行代码来自Chinese-LLaMA-Alpaca-3项目，执行代码这里使用了Git Bash，这样在Windows下可以获取和Linux相似的使用体验。

训练的代码位于scripts/training目录下，如果使用的是Mac或Linux，可以直接修改run_sft.sh中相关目录直接运行Shell脚本。以下演示为通过Python代码运行：

 `python run_clm_sft_with_peft.py --model_name_or_path /d/workspace/llama-3-chinese-8b-instruct-v3 --tokenizer_name_or_path /d/workspace/llama-3-chinese-8b-instruct-v3 --dataset_dir /d/workspace/Chinese-LLaMA-Alpaca-3/data --per_device_train_batch_size 1 --per_device_eval_batch_size 1 --do_train 1 --do_eval 1 --seed 42 --bf16 1 --num_train_epochs 3 --lr_scheduler_type cosine --learning_rate 1e-4 --warmup_ratio 0.05 --weight_decay 0.1 --logging_strategy steps --logging_steps 10 --save_strategy steps --save_total_limit 3 --evaluation_strategy steps --eval_steps 100 --save_steps 200 --gradient_accumulation_steps 8 --preprocessing_num_workers 8 --max_seq_length 1024 --output_dir /d/workspace/output --overwrite_output_dir 1 --ddp_timeout 30000 --logging_first_step True --lora_rank 64 --lora_alpha 128 --trainable "q_proj,v_proj,k_proj,o_proj,gate_proj,down_proj,up_proj" --lora_dropou 0.05 --modules_to_save "embed_tokens,lm_head" --torch_dtype bfloat16 --validation_file /d/workspace/Chinese-LLaMA-Alpaca-3/data/ruozhiba_qa2449_gpt4t.json --load_in_kbits 16 --low_cpu_mem_usage True`

以上数据集和验证集在做私有数据训练时需做相应修改，这里使用原仓库中的数据进行了演示，训练时间取决于硬件设备，我这里跑了一整夜：

llama 3 Chinese微调

合并

训练完成后如需具备通用模型的能力还应与原模型进行合并操作，这一代码在Alpaca的scripts目录下，命令如下：

 `python merge_llama3_with_chinese_lora_low_mem.py --base_model /d/workspace/llama-3-chinese-8b-instruct-v3 --lora_model  /d/workspace/output --output_dir /d/workspace/output_merge`

得到的文件如下：

微调合并操作

量化

可以看到上图中的文件占用约15 GB，文件也较多，不利于部署，通常都会先进行量化处理，这里选择的项目为：https://github.com/ggerganov/llama.cpp

git clone https://github.com/ggerganov/llama.cpp.git   cd llama.cpp/   pip install -r requirements/requirements-convert_hf_to_gguf.txt   

Linux和Mac下直接执行make，Windows如无cmake，下载cmake，然后执行：

cmake -B build   cmake --build build --config Release      python convert_hf_to_gguf.py ../output_merge --outtype f16 --outfile ../output_models/llama3_chinese-8B-F16.gguf   ./llama-quantize ../output_models/llama3_chinese-8B-F16.gguf  ../output_models/llama3_chinese-8B-q4_0.gguf q4_0   

量化后的llama3_chinese-8B-q4_0.gguf文件仅为4.5 GB。量化的算法较多，

WSL在make时会出现报错：scripts/build-info.sh: 31: Syntax error: end of file unexpected (expecting "then")，需执行：

sudo apt install dos2unix   find -type f -print0 | xargs -0 dos2unix   

出现CMake Error at CMakeLists.txt:2 (project): Running 'nmake' '-?' failed with: 系统找不到指定的文件。尝试删除build目录再执行cmake，如仍有问题可能和cmake与Visual Studio的安装有关，Alan直接使用Visual Studio所安装的cmake执行并没有发生异常（我安装在D盘，所以添加的环境变量为：D:\Program Files\Microsoft Visual Studio\2022\Community\Common7\IDE\CommonExtensions\Microsoft\CMake\CMake\bin）。编译后的命令位于build/bin/Release目录中。

部署

依然使用Alpaca项目，我们将使用Ollama进行部署，所以进入scripts/ollama目录，将Modelfile文件中FROM后的文件修改为刚刚所保存的llama3_chinese-8B-q4_0.gguf文件路径，然后创建模型，名称可自己选择：

ollama create llama3-chinese-8b-q4 -f Modelfile   

执行以下命令运行该模型：

ollama run llama3-chinese-8b-q4   

此时就会发现模型不仅具备底座模型的能力，还可以回答我们微调数据集中的相关问题。

程序员为什么要学大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​