零一万物大模型部署+微调总结

v_wus

已于 2024-01-23 13:23:36 修改

阅读量2.3k

点赞数 12

分类专栏：人工智能文章标签：人工智能语言模型

于 2024-01-19 17:57:24 首次发布

本文链接：https://blog.csdn.net/v_wus/article/details/135704126

版权

人工智能专栏收录该内容

2 篇文章

订阅专栏

零一万物大模型部署+微调总结

零一万物官网：https://www.lingyiwanwu.com/

一、部署篇

1.准备虚拟环境

该部分不详细讲解。但是本次的部署使用的是（ps：可以考虑租用服务器，系统镜像选择ubuntu22&cuda11.8）

Nvidia-cuda-11.8.89

#此为显卡驱动，一定要保证驱动安装成功
#查看驱动版本
nvcc -V
#如果没有就自己安装
#查看自己的显卡配置以及运行情况
nvidia-smi

Anaconda-23.5.1

#此为为模型创建虚拟环境
#查看版本号
conda -V

Python-3.10.13

#python的安装是在创建conda虚拟环境的时候创建的
#查看python版本
python -V

2.准备环境

安装零一万物的软件包

git clone https://github.com/01-ai/Yi.git

创建虚拟环境（这里我选择的是python3.10，Yi可以自己随便写，这个是自己环境的名字）
```
conda create -n Yi python=3.10 -y
```
启动环境
```
conda activate Yi
```
设置需要的环境
```
pip install -r requirements.txt
```

3.下载模型

根据自己的计算机配置来选择下载的模型：https://huggingface.co/01-ai（需要科学上网）

在这里插入图片描述

Yi-XB-Chat是基准模型，而带bits是量化模型，所有量化模型的使用门槛都很低，因为它们可以部署在消费级GPU上（例如，3090、4090）。

4.执行推断

①创建quick_start.py文件，然后写入以下内容

from transformers import AutoModelForCausalLM, AutoTokenizer

model_path = '此处填入你下载的模型路径'

tokenizer = AutoTokenizer.from_pretrained(model_path, use_fast=False)

# Since transformers 4.35.0, the GPT-Q/AWQ model can be loaded using AutoModelForCausalLM.
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    device_map="auto",
    torch_dtype='auto'
).eval()

# Prompt content: "hi"
messages = [
    {"role": "user", "content": "此处填入你的问题"}
]

input_ids = tokenizer.apply_chat_template(conversation=messages, tokenize=True, add_generation_prompt=True, return_tensors='pt')
output_ids = model.generate(input_ids.to('cuda'))
response = tokenizer.decode(output_ids[0][input_ids.shape[1]:], skip_special_tokens=True)

# Model response: "Hello! How can I assist you today?"
print(response)

②零一万物，启动！

运行python文件

python quick_start.py

然后就是等待，此时可以在另一个终端上输入nvidia-smi查看自己的显卡的状态

最后你可以看到一个类似下面的输出。（Congratulation！）

Hello! How can I assist you today?

二、微调篇

该篇章还有很多地方不完善，请多多见谅

参考文档：https://github.com/01-ai/Yi/tree/main/finetune

1.环境部署

本篇章紧接上面的内容，请参考篇章一的1.准备虚拟环境 2.准备环境

在Yi的conda环境中下载依赖

pip install torch==2.0.1 deepspeed==0.10 tensorboard transformers datasets sentencepiece accelerate ray==2.7

（ps：需要注意的是原来的deepspeed要求的版本是0.10，但是在安装的时候可能会出现报错，所以建议改为0.12.6下载）

2.建立数据集

①使用自带的数据集

finetune/yi_example_dataset有示例数据集，这些数据集是从BAAI/COIG修改而来的

|-- $DATA_PATH
    |--data
        |-- train.jsonl
        |-- eval.jsonl

②自己微调的数据集

如需自己微调数据集请参考：https://huggingface.co/datasets/BAAI/COIG

不在此做过多缀诉

|-- $DATA_PATH
|   |-- data
|   |   |-- train-00000-of-00001-2a1df75c6bce91ab.parquet
|   |   |-- test-00000-of-00001-8c7c51afc6d45980.parquet
|   |-- dataset_infos.json
|   |-- README.md

3.选则需要训练的模型

将基于LLM-base的模型下载到MODEL_PATH（6 B和34 B，注意不要使用量化后的模型）。典型的模型文件夹如下所示

|-- $MODEL_PATH
|   |-- config.json
|   |-- pytorch_model-00001-of-00002.bin
|   |-- pytorch_model-00002-of-00002.bin
|   |-- pytorch_model.bin.index.json
|   |-- tokenizer_config.json
|   |-- tokenizer.model
|   |-- ...

4.修改文件

1.finetune/utils/model/model_utils.py

...............................
    if not eval_mode:
        model = model_class.from_pretrained(
            model_name_or_path,
            from_tf=bool(".ckpt" in model_name_or_path),
            config=model_config,
            trust_remote_code=True,
            #将原来的use_flash_attention_2=True删掉，并添加下面两行代码
            attn_implementation="flash_attention_2",
            torch_dtype="auto",
        )

.....................................

2.finetune/scripts/run_sft_Yi_6b.sh

#/usr/bin/env bash

cd "$(dirname "${BASH_SOURCE[0]}")/../sft/"

deepspeed main.py \
	--data_path 请在此处填上你的训练集的路径（$DATA_PATH） \
	--model_name_or_path 请在此处填上你的模型的路径（$MODEL_PATH） \
	--per_device_train_batch_size 1 \
	--per_device_eval_batch_size 1 \
	--max_seq_len 4096 \
	--learning_rate 2e-6 \
	--weight_decay 0. \
	--num_train_epochs 4 \
	--training_debug_steps 20 \
	--gradient_accumulation_steps 1 \
	--lr_scheduler_type cosine \
	--num_warmup_steps 0 \
	--seed 1234 \
	--gradient_checkpointing \
	--zero_stage 2 \
	--deepspeed \
	--offload \
	--output_dir ./finetuned_model

5.微调，启动！

cd finetune/scripts
bash run_sft_Yi_6b.sh

三、报错篇

1.flash_attn

如果出现未安装就直接安装

pip install flash_attn

但是有时候在安装时也会出现报错，所以需要根据cuda和pytorch版本进行本地的flash-attention安装

请在此处查找适应你的计算机的文档：https://github.com/Dao-AILab/flash-attention/releases

如：cuda11.7 torch1.13.1 python3.9

pip install flash_attn-2.3.0+cu117torch1.13cxx11abiFALSE-cp39-cp39-linux_x86_64.whl

2.deepspeed

AttributeError: 'DeepSpeedCPUAdam' object has no attribute 'ds_opt_adam'

出现这句话一般是cuda版本与deepspeed的版本不符合而出现的报错，需要调整版本