NSDT工具推荐： Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 可编程3D场景编辑器 - REVIT导出3D模型插件 - 3D模型语义搜索引擎 - AI模型在线查看 - Three.js虚拟轴心开发包 - 3D模型在线减面 - STL模型在线切割 - 3D道路快速建模

本教程将通过使用 Unsloth 免费微调 Llama-3 来创建自定义聊天机器人。它可以通过 PC 上的 Ollama 在本地运行，也可以通过 Google Colab 在免费的 GPU 实例中运行。你将能够以交互方式与聊天机器人交互，如下所示：

Unsloth 使微调变得更加容易，并且可以通过集成的自动模型文件创建将微调后的模型自动导出到 Ollama！

1、什么是 Unsloth？

Unsloth 使 Llama-3、Mistral、Phi-3 和 Gemma 等 LLM 的微调速度提高 2 倍，内存使用量减少 70%，并且准确度不会降低！我们将在本教程中使用提供免费 GPU 的 Google Colab。你可以访问以下免费笔记本：

你还需要登录 Google 帐户！

2、什么是 Ollama？

Ollama 可让你快速简单地从自己的计算机运行语言模型！它会悄悄启动一个程序，该程序可以在后台运行 Llama-3 等语言模型。如果你突然想向语言模型提问，只需向 Ollama 提交请求，它就会快速将结果返回给你！

我们将使用 Ollama 作为我们的推理引擎！

3、安装 Unsloth

如果你从未使用过 Colab 笔记本，请快速入门笔记本本身：

  • 每个“单元”上的播放按钮。单击此按钮可运行该单元的代码。您不能跳过任何单元，并且必须按时间顺序运行每个单元。如果遇到任何错误，只需重新运行之前未运行的单元即可。如果您不想单击播放按钮，另一个选项是单击 CTRL + ENTER。
  • 顶部工具栏中的运行时按钮。您还可以使用此按钮并点击“全部运行”一次运行整个笔记本。这将跳过所有自定义步骤，并且可以成为一次不错的初次尝试。
  • 连接/重新连接 T4 按钮。您可以单击此处获取更高级的系统统计信息。

第一个安装单元如下所示：请记住单击括号 [ ] 中的播放按钮。我们获取我们的开源 Github 包，并安装一些其他包。

4、选择要微调的模型

现在让我们选择一个要微调的模型！我们默认使用 Meta / Facebook 的 Llama-3，它经过了高达 15 万亿个“token”的训练。假设一个 token 相当于 1 个英文单词。这大约相当于 350,000 本厚厚的百科全书！其他流行的模型包括 Mistral、Phi-3（使用 GPT-4 输出进行训练）和谷歌的 Gemma（13 万亿个 token！）。

Unsloth 支持这些模型以及更多！事实上，只需从 Hugging Face 模型中心输入一个模型，看看它是否有效！如果它不起作用，我们会出错。

还有 3 个其他设置可以切换：

  • max_seq_length = 2048 。这决定了模型的上下文长度。例如，Gemini 的上下文长度超过 100 万，而 Llama-3 的上下文长度为 8192。我们允许您选择任意数字 - 但出于测试目的，我们建议将其设置为 2048。Unsloth 还支持非常长的上下文微调，并且我们表明我们可以提供比最佳长度长 4 倍的上下文长度。
  • dtype = None 。将其保留为 None，但对于较新的 GPU，您可以选择 torch.float16 或 torch.bfloat16。
  • load_in_4bit = True 。我们以 4 位量化进行微调。这将内存使用量减少了 4 倍，使我们能够在免费的 16GB 内存 GPU 中实际进行微调。4 位量化本质上将权重转换为一组有限的数字以减少内存使用量。这样做的缺点是准确度会下降 1-2%。如果您想要这种微小的额外准确度，请在较大的 GPU（如 H100）上将其设置为 False。

如果你运行该单元，你将获得一些 Unsloth 版本的打印输出，包括你正在使用的模型、你的 GPU 有多少内存以及一些其他统计数据。暂时忽略这些。

5、微调参数

现在要自定义微调，你可以编辑上面的数字，但你可以忽略它，因为我们已经选择了相当合理的数字。

目标是更改这些数字以提高准确性，同时也抵消过度拟合。过度拟合是指你让语言模型记住数据集，而无法回答新颖的新问题。我们希望最终模型能够回答看不见的问题，而不是进行记忆。

r = 16，# 选择任何数字 > 0 ！建议 8、16、32、64、128

微调过程的等级。数字越大，占用的内存越多，速度越慢，但可以提高更困难任务的准确性。我们通常建议数字为 8（用于快速微调），最高可达 128。数字过大可能会导致过度拟合，损害模型的质量。

target_modules = ["q_proj", "k_proj", "v_proj", "o_proj","gate_proj", "up_proj", "down_proj",],

我们选择所有模块进行微调。您可以删除一些模块以减少内存使用并加快训练速度，但我们强烈建议不要这样做。只需在所有模块上进行训练！

lora_alpha = 16,

微调的缩放因子。较大的数字将使微调更多地了解您的数据集，但可能会促进过度拟合。我们建议将其等于等级 r，或将其加倍。

lora_dropout = 0, # 支持任何，但 = 0 是优化的

将其保留为 0 以加快训练速度！可以减少过度拟合，但不会那么多。

bias = "none", # 支持任何，但 = "none" 是优化的

将其保留为 0 以加快训练速度并减少过度拟合！

use_gradient_checkpointing = "unsloth", # 对于非常长的上下文，使用 True 或 "unsloth"

选项包括 True、False 和 "unsloth"。我们建议使用 "unsloth"，因为我们将内存使用量减少了 30%，并支持非常长的上下文微调。你可以在此处了解更多详细信息。

random_state = 3407,

确定确定性运行的数字。训练和微调需要随机数，因此设置此数字可以使实验可重复。

use_rslora = False, # 我们支持等级稳定的 LoRA

高级功能可自动设置 lora_alpha = 16。您可以根据需要使用它！

loftq_config = None, # 和 LoftQ

高级功能可将 LoRA 矩阵初始化为权重的前 r 个奇异向量。可以在一定程度上提高准确性，但一开始会使内存使用量激增。

6、Alpaca 数据集

我们现在将使用通过调用 GPT-4 本身创建的 Alpaca 数据集。它是一个包含 52,000 条指令和输出的列表，在 Llama-1 发布时非常受欢迎，因为它使基础 LLM 的微调与 ChatGPT 本身具有竞争力。

你可以在此处访问 Alpaca 数据集的 GPT4 版本。数据集的较旧的第一个版本在这里。下面显示了数据集的一些示例：

你可以看到每行有 3 列 - 一个指令、一个输入和一个输出。我们基本上将每行组合成一个大提示，如下所示。然后我们使用它来微调语言模型，这使得它与 ChatGPT 非常相似。我们将此过程称为监督指令微调。

7、用于微调的多列

但对于 ChatGPT 风格的助手来说，一个大问题是，我们只允许 1 条指令/1 个提示，而不允许多列/输入。例如，在 ChatGPT 中，您可以看到我们必须提交 1 个提示，而不是多个提示。

这实际上意味着我们必须将多列“合并”为 1 个大提示，才能使微调真正发挥作用！

例如，非常著名的泰坦尼克号数据集有很多列。你的工作是根据乘客的年龄、乘客等级、票价等预测乘客是幸存还是死亡。我们不能简单地将其传递给 ChatGPT，而是必须将这些信息“合并”为 1 个大提示。

例如，如果我们使用包含该乘客所有信息的“合并”单个提示询问 ChatGPT，那么我们可以要求它猜测或预测乘客是死亡还是幸存。

其他微调库要求你手动准备数据集以进行微调，方法是将所有列合并为 1 个提示。在 Unsloth 中，我们只需提供名为 to_sharegpt 的函数，即可一次性完成此操作！

要访问 Titanic 微调笔记本或上传 CSV 或 Excel 文件，请访问这里。

现在这有点复杂，因为我们允许大量自定义，但有几点：

  • 你必须将所有列括在花括号 {} 中。这些是实际 CSV/Excel 文件中的列名。
  • 可选文本组件必须括在 [[]] 中。例如，如果列“输入”为空，则合并函数将不显示文本并跳过此操作。这对于缺少值的数据集很有用。
  • 在 output_column_name 中选择输出或目标/预测列。对于 Alpaca 数据集，这将是输出。

例如，在泰坦尼克号数据集中，我们可以创建一个如下所示的大型合并提示格式，其中每列/文本都是可选的。

例如，假设数据集看起来像这样，但有很多缺失数据：

然后，我们不希望结果是：

  • 乘客从 S 登船。他们的年龄是 23 岁。他们的票价是空的。
  • 乘客从EMPTY登船。他们的年龄是 18 岁。他们的票价是 7.25 美元。

相反，通过使用 [[]] 可选地将列括起来，我们可以完全排除这些信息。

  • [[乘客从 S 出发。]] [[他们的年龄是 23 岁。]] [[他们的票价是空的。]]
  • [[乘客从 EMPTY 出发。]] [[他们的年龄是 18 岁。]] [[他们的票价是 7.25 美元。]]

变为：

  • 乘客从 S 出发。他们的年龄是 23 岁。
  • 他们的年龄是 18 岁。他们的票价是 7.25 美元。

8、多轮对话

如果你没有注意到，一个小问题是 Alpaca 数据集是单轮的，而记住使用 ChatGPT 是交互式的，你可以多轮对话。例如，左边是我们想要的，但右边的 Alpaca 数据集只提供单轮对话。我们希望经过微调的语言模型能够以某种方式学习如何像 ChatGPT 一样进行多轮对话。

因此，我们引入了 dialogue_extension 参数，它本质上会选择单轮数据集中的一些随机行，并将它们合并为 1 个对话！例如，如果您将其设置为 3，我们会随机选择 3 行并将它们合并为 1 行！将它们设置得太长会使训练速度变慢，但可以使您的聊天机器人和最终微调更好！

然后将 output_column_name 设置为预测/输出列。对于 Alpaca 数据集，它将是输出列。

然后我们使用 standardize_sharegpt 函数将数据集设置为正确的格式以进行微调！始终调用此函数！

9、可自定义的聊天模板

我们现在可以指定聊天模板来微调自身。非常著名的 Alpaca 格式如下：

但还记得我们说过这是一个坏主意，因为 ChatGPT 样式的微调只需要 1 个提示吗？由于我们成功地使用 Unsloth 将所有数据集列合并为 1 个，我们基本上可以创建以下样式的聊天模板，其中包含 1 个输入列（指令）和 1 个输出：

我们只要求你必须为指令放置一个 {INPUT} 字段，为模型的输出字段放置一个 {OUTPUT} 字段。事实上，我们也允许一个可选的 {SYSTEM} 字段，这对于自定义系统提示很有用，就像在 ChatGPT 中一样。例如，下面是一些很酷的例子，你可以自定义聊天模板：

对于 OpenAI 模型中使用的 ChatML 格式：

或者你可以使用 Llama-3 模板本身（仅通过使用 Llama-3 的指令版本才能运行）：我们实际上也允许一个可选的 {SYSTEM} 字段，这对于自定义系统提示很有用，就像在 ChatGPT 中一样。

或者在泰坦尼克号预测任务中，你必须预测乘客是死亡还是幸存，这个 Colab 笔记本包括 CSV 和 Excel 上传。

10、训练模型

现在让我们训练模型！我们通常建议人们不要编辑以下内容，除非你想微调更长的步骤或想要在大批量上进行训练。

我们通常不建议更改上述参数，但要详细说明其中一些参数：

per_device_train_batch_size = 2，

如果你想更多地利用 GPU 的内存，请增加批大小。同时增加此值以使训练更加流畅，并使过程不会过度拟合。我们通常不建议这样做，因为这可能会由于填充问题而使训练实际上变慢。我们通常会要求你增加 gradient_accumulation_steps，这只会对数据集进行更多遍历。

gradient_accumulation_steps = 4，

相当于将批大小增加到其自身之上，但不会影响内存消耗！如果您想要更平滑的训练损失曲线，我们通常建议人们增加此值。

max_steps = 60，# num_train_epochs = 1，

我们将步骤设置为 60 以加快训练速度。对于可能需要数小时的完整训练运行，请注释掉 max_steps，并将其替换为 num_train_epochs = 1。将其设置为 1 表示对数据集进行 1 次完整传递。我们通常建议传递 1 到 3 次，不要更多，否则您的微调会过度拟合。

learning_rate = 2e-4，

如果你想使微调过程变慢，但也很可能会收敛到更高精度的结果，请降低学习率。我们通常建议尝试 2e-4、1e-4、5e-5、2e-5 作为数字。

你将看到一些数字的对数！这是训练损失，你的工作是设置参数以使其尽可能接近 0.5！如果你的微调未达到 1、0.8 或 0.5，你可能需要调整一些数字。如果你的损失变为 0，那可能也不是一个好兆头！

11、推理/运行模型

现在让我们在完成训练过程后运行模型！你可以编辑黄色下划线部分！事实上，因为我们创建了一个多轮聊天机器人，我们现在也可以调用模型，就好像它看到了过去的一些对话一样，如下所示：

提醒 Unsloth 本身也提供了 2 倍更快的推理速度，所以永远不要忘记调用 FastLanguageModel.for_inference(model)。如果你希望模型输出更长的响应，请将 max_new_tokens = 128 设置为更大的数字，如 256 或 1024。请注意，您也需要等待更长时间才能得到结果！

12、保存模型

我们现在可以将微调后的模型保存为一个名为 LoRA 适配器的 100MB 小文件，如下所示。如果你想上传模型，也可以将其推送到 Hugging Face 中心！记得获取 Hugging Face 令牌并添加你的令牌！

保存模型后，我们可以再次使用 Unsloth 来运行模型本身！再次使用 FastLanguageModel 调用它进行推理！

13、导出到 Ollama

最后，我们可以将经过微调的模型导出到 Ollama 本身！首先，我们必须在 Colab 笔记本中安装 Ollama：

然后，我们将经过微调的模型导出为 llama.cpp 的 GGUF 格式，如下所示：

提醒将 1 行的 False 转换为 True，而不是将每一行都更改为 True，否则您将等待很长时间！我们通常建议将第一行设置为 True，这样我们就可以快速将经过微调的模型导出为 Q8_0 格式（8 位量化）。我们还允许您导出到整个量化方法列表，其中一种流行的方法是 q4_k_m。

前往这里了解有关 GGUF 的更多信息。如果你需要，我们这里还有一些关于如何导出到 GGUF 的手动说明。

你将看到一长串文本，如下所示 - 请等待 5 到 10 分钟！！

最后，它将如下所示：

然后，我们必须在后台运行 Ollama 本身。我们使用 subprocess，因为 Colab 不喜欢异步调用，但通常只需在终端/命令提示符中运行 ollama serve。

14、自动创建模型文件

Unsloth 提供的技巧是我们自动创建 Ollama 所需的模型文件！这只是一个设置列表，其中包括我们用于微调过程的聊天模板！您还可以打印生成的模型文件，如下所示：

然后，我们要求 Ollama 使用 modelfile 创建一个与 Ollama 兼容的模型

15、Ollama 推理

如果你想调用在您自己的本地机器上/在后台的免费 Colab 笔记本中运行的 Ollama 服务器本身，我们现在可以调用该模型进行推理。请记住，你可以编辑黄色下划线部分。

16、交互式 ChatGPT 风格

但要真正像 ChatGPT 一样运行经过微调的模型，我们还需要做更多！首先单击终端图标，将弹出一个终端。它在左侧边栏上。

然后，你可能需要按两次 ENTER 来删除终端窗口中的一些奇怪输出。等待几秒钟，输入 ollama run unsloth_model，然后按 ENTER。

最后，你可以像实际的 ChatGPT 一样与微调后的模型进行交互！按 CTRL + D 退出系统，按 ENTER 与聊天机器人交谈！

17、成功了！

你已成功微调语言模型并将其导出到 Ollama，Unsloth 速度提高了 2 倍，VRAM 减少了 70%！所有这些都可以在 Google Colab 笔记本中免费获得！

如果想学习如何进行奖励建模、进行持续预训练、导出到 vLLM 或 GGUF、进行文本补全或了解有关微调技巧的更多信息，请前往我们的 Github。

要访问我们的 Alpaca 数据集示例，请单击此处，我​​们的 CSV / Excel 微调指南在此处。

原文链接：How to Finetune Llama-3 and Export to Ollama

BimAnt翻译整理，转载请标明出处