基于 llama-factory进行模型微调
# GLM4-9B-chat Lora 微调.
介绍如何基于 llama-factory 框架，对 glm-4-9b-chat 模型进行 Lora 微调。Lora 是一种高效微调方法，深入了解其原理可参见博客：[知乎|深入浅出 Lora](https://zhuanlan.zhihu.com/p/650197598)。
## 环境配置
在完成基本环境配置和本地模型部署的情况下，你还需要安装一些第三方库，可以使用以下命令：
```
python -m pip install --upgrade pip
# 更换 pypi 源加速库的安装
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
# 安装 LLaMA-Factory
git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
pip install -e ".[torch,metrics]"
#上面这步操作会完成torch、transformers、datasets等相关依赖包的安装
```
## 二、模型下载
使用 `modelscope` 中的`snapshot_download`函数下载模型，第一个参数为模型名称，参数`cache_dir`为模型的下载路径。
在 `/root/autodl-tmp` 路径下新建 `download.py` 文件并在其中输入以下内容，粘贴代码后记得保存文件，如下图所示。并运行 `python /root/autodl-tmp/download.py`执行下载，模型大小为 14 GB，下载模型大概需要 10~20 分钟
```
import torch
from modelscope import snapshot_download, AutoModel, AutoTokenizer
import os
model_dir = snapshot_download('ZhipuAI/glm-4-9b-chat', cache_dir='/root/autodl-tmp', revision='master')
```
## 三、指令集构建 —— Alpaca 格式
LLaMA-Factory 支持 alpaca 格式和 sharegpt 格式的数据集,本次微调我们使用 alpaca 格式
### 指令监督微调数据格式说明
在指令监督微调时，`instruction` 列对应的内容会与 `input` 列对应的内容拼接后作为人类指令，即人类指令为 `instruction\ninput`。而 `output` 列对应的内容为模型回答。
如果指定，`system` 列对应的内容将被作为系统提示词。
`history` 列是由多个字符串二元组构成的列表，分别代表历史消息中每轮对话的指令和回答。注意在指令监督微调时，历史消息中的回答内容**也会被用于模型学习**。
```
[
{
"instruction": "人类指令（必填）",
"input": "人类输入（选填）",
"output": "模型回答（必填）",
"system": "系统提示词（选填）",
"history": [
["第一轮指令（选填）", "第一轮回答（选填）"],
["第二轮指令（选填）", "第二轮回答（选填）"]
]
}
]
```
### 单轮对话数据的格式转换
使用以下程序将[数据集](https://github.com/SmartFlowAI/EmoLLM/blob/main/datasets)转换成 alpaca 格式
```
import json
import re
# 选择要格式转换的数据集
file_name = "single_turn_dataset_1.json"
#file_name = "single_turn_dataset_2.json"
system_prompt = "如果要添加系统提示词，请放在这里"
with open(f'../{file_name}', 'rt', encoding='utf-8') as file:
data = json.load(file)
converted_data = [{"instruction": item["prompt"],
"input": "",
"output": item["completion"],
"system": system_prompt
} for item in data]
for i in range(len(converted_data)):
# 数据清洗-去掉特殊符号
if "🐳" in converted_data[i]["output"]:
converted_data[i]["output"] = converted_data[i]["output"].replace("🐳", "")
# 数据清洗-去掉“你好，我是红烧肉”，会影响大模型的自我认知
if '好，我是' in converted_data[i]["output"]:
converted_data[i]["output"] = converted_data[i]["output"].strip()
intro_pattern = r"^[^\n]+\n"
converted_data[i]["output"] = re.sub(intro_pattern, "", converted_data[i]["output"]).strip()
with open(f'./processed/{file_name}', 'w', encoding='utf-8') as f:
json.dump(converted_data, f, ensure_ascii=False, indent=4)
print(f'./processed/{file_name} Done')
```
### 多轮对话数据的格式转换
使用以下程序将[数据集](https://github.com/SmartFlowAI/EmoLLM/blob/main/datasets)转换成 alpaca 格式
```
from tqdm import tqdm
import json
# 选择要格式转换的数据集
file_name = "data.json"
#file_name = "data_pro.json"
#file_name = "multi_turn_dataset_1.json"
#file_name = "multi_turn_dataset_2.json"
#file_name = "aiwei.json"
system_prompt = "如果要添加系统提示词，请放在这里"
with open(f'../{file_name}', 'rt', encoding='utf-8') as file:
data = json.load(file)
# 遍历原始数据，进行格式转换
# 转换后的数据格式
converted_data = []
for item in tqdm(data):
conversation = item['conversation']
history = [(c['input'], c['output']) for c in conversation[:-1]]
last_item = conversation[-1]
converted_data.append({
"instruction": last_item['input'],
"input": "",
"output": last_item['output'],
"system": system_prompt,
"history": history
})
# 将转换后的数据转换为JSON格式
converted_json = json.dumps(converted_data, ensure_ascii=False, indent=4)
with open(f'./processed/{file_name}', 'w', encoding='utf-8') as f:
json.dump(converted_data, f, ensure_ascii=False, indent=4)
```
### 角色扮演数据的格式转换
代码同上，根据原数据集是单轮对话还是多轮对话来选择。注意设置各个角色的“system_prompt”。
### 数据集合并
为了方便处理（不想在LLaMA-Factory中添加太多的数据集），这里将所有已经处理好的 alpaca 格式的数据集（每一个数据集文件都是一个json字符串）合并成一个文件（一个大的json字符串），合并代码如下：
```
import json
# 初始化一个空列表来存储所有数据
merged_data = []
file_list = [
"single_turn_dataset_1.json",
"single_turn_dataset_2.json",
"self_cognition_EmoLLM.json",
"ruozhiba_raw.json",
"data.json",
"data_pro.json",
"multi_turn_dataset_1.json",
"multi_turn_dataset_2.json",
"aiwei.json",
"tiangou.json",
"SoulStar_data.json",
"mother_v2.json",
"scientist.json"
]
# 遍历所有文件并读取数据
for filename in file_list:
with open(f"./processed/{filename}", 'r', encoding='utf-8') as file:
data = json.load(file)
merged_data.extend(data)
# 将合并后的数据写入新的 JSON 文件
with open('emo_glm4_merged_data.json', 'w', encoding='utf-8') as output_file:
json.dump(merged_data, output_file, ensure_ascii=False, indent=4)
print("合并完成，已保存到 emo_glm4_merged_data.json 文件中。")
```
### 将数据集配置到LLaMA-Factory 中
修改 LLaMa-Factory 目录中的 data/dataset_info.json 文件，在其中添加：
```
"emo_merged": {
"file_name": "emo_glm4_merged_data.json文件的绝对路径",
}
```
## 四、微调模型
在 LLaMA-Factory 目录中新建配置文件 emo_glm4_lora_sft.yaml ：
```
### model
model_name_or_path: glm-4-9b-chat模型地址的绝对路径
### method
stage: sft
do_train: true
finetuning_type: lora
lora_target: all
### dataset
# dataset 要和 data/dataset_info.json 中添加的信息保持一致
dataset: emo_merged
template: glm4
cutoff_len: 2048
max_samples: 1000
overwrite_cache: true
preprocessing_num_workers: 16
### output
# output_dir是模型训练过程中的checkpoint，训练日志等的保存目录
output_dir: saves/emo-glm4-epoch10/lora/sft
logging_steps: 10
#save_steps: 500
plot_loss: true
overwrite_output_dir: true
save_strategy: epoch
### train
per_device_train_batch_size: 1
gradient_accumulation_steps: 8
learning_rate: 1.0e-4
num_train_epochs: 10.0
lr_scheduler_type: cosine
warmup_ratio: 0.1
fp16: true
### eval
do_eval: false
val_size: 0.1
per_device_eval_batch_size: 1
eval_strategy: steps
eval_steps: 10
```
执行以下命令开始微调：
```
cd LLaMA-Factory
llamafactory-cli train glm4_emo_lora_sft.yaml
```
训练完成后，在 LLaMA-Factory 目录中新建配置文件 emo_glm4_lora_sft_export.yaml:
```
### model
model_name_or_path: glm-4-9b-chat模型地址的绝对路径
# 刚才emo_glm4_lora_sft.yaml文件中的 output_dir
adapter_name_or_path: saves/emo-glm4-epoch10/lora/sft
template: glm4
finetuning_type: lora
### export
export_dir: models/EmoLLM-glm-4-9b-chat
export_size: 2
export_device: cpu
export_legacy_format: false
```
## 五、合并模型
执行以下命令开始合并模型：
```
cd LLaMA-Factory
llamafactory-cli export emo_glm4_lora_sft_export.yaml
```
在 models/EmoLLM-glm-4-9b-chat 目录中就可以获得经过Lora微调后的完整模型。