[全网首发]Phi-3微调项目实践与教程(XTuner 版)

显示全部楼层

微软发布了 Phi-3 模型，XTuner 团队对 Phi-3 微调进行了光速支持！！！开源同时社区中涌现了 Phi-Tutorial 手把手教大家使用 XTuner 微调 Phi-Tutorial 模型。

XTuner：http://github.com/InternLM/XTuner

Phi-Tutorial：https://github.com/SmartFlowAI/Phi-Tutorial/

欢迎 Star

Phi-3 概览

Phi-3模型情况：

微软研究院紧随 Llama-3发布后，迅速发布了Phi-3系列模型的技术报告。
Phi-3系列包括三个尺寸的模型：Phi-3-mini、Phi-3-small、Phi-3-medium。

Phi-3-mini模型的特点：

参数规模：拥有3.8B参数，属于大语言模型范畴。
训练数据量：使用了3.3T Tokens的训练数据。
上下文长度：默认上下文长度为4K，但通过LongRope技术可扩展至128K。
性能表现：在各类基准和内部测试中，其性能可与Mixtral 8x7B和GPT-3.5等模型相媲美。
应用优势：主打“小而精”，4位量化的Phi-3-mini可以在带有A16仿生芯片的iPhone上运行，每秒生成超过12个token。

Phi-3-Small和Phi-3-Medium模型的特点：

参数规模：Phi-3-Small拥有7B参数量，而Phi-3-Medium则拥有14B参数量。
词汇量与上下文长度：Phi-3-Small具有100,352个词汇量，默认上下文长度为8K；Phi-3-Medium使用与Phi-3-mini相同的分词器和架构。
训练数据量：Phi-3-Medium的训练数据量为4.8T Tokens。
能力表现：根据描述，Phi-3-Small和Phi-3-Medium的能力均显著高于Phi-3-Mini。

根据各类基准和内部测试的结果来看，其总体性能可以与 Mixtral 8x7B 和 GPT-3.5 等模型相媲美（phi-3-mini 在 MMLU 上达到 69%，在 MT-bench 上达到 8.38）

XTuner 显存门槛测试

在正式微调 Phi-3 小助手认知之前，我们先来看一下 XTuner 团队光速测试微调 Phi-3 所需要的显存门槛。从上表中我们可以发现

全量微调 4k 上下文的 Phi-3 时，如果直接使用 ZeRO3 训练，至少要两张 80G 的显卡；但借助 XTuner 提供的序列并行功能，最小显存门槛从 2 * 80GB 下降到 2 * 40GB。
QLoRA 微调 128k 上下文的 Phi-3 时，在开启序列并行设置从 1 设置为 2 后，最小显存门槛从 80GB 下降到 2 * 40GB 或者 4 * 24 GB（4 张 3090 能玩）。
此处推荐大家将序列并行设置为 2

实践教程

Web Demo 部署

本小节将带大家手把手在 InternStudio 部署 Phi-3 Web Demo。

环境配置

condacreate-nphi3python=3.10
condaactivatephi3
condainstallpytorch==2.1.2torchvision==0.16.2torchaudio==2.1.2pytorch-cuda=12.1-cpytorch-cnvidia

condainstallgit
git-lfsinstall

下载 Phi-3 模型

首先通过 OpenXLab 下载 Phi-3-mini-128k-instruct 这个模型。

mkdir-p~/model
cd~/model
gitclonehttps://openxlab.org.cn/models/detail/MrCat/Phi-3-mini-128k-instructPhi-3-mini-128k-instruct

或者软链接 InternStudio 中的模型

ln-s/root/share/new_models/microsoft/Phi-3-mini-128k-instruct\
~/model/Phi-3-mini-128k-instruct

安装 XTuner

cd~
gitclonehttps://github.com/InternLM/XTuner
cdXTuner
pipinstall-e.

运行 web_demo.py

streamlitrun~/Phi-Tutorial/tools/internstudio_web_demo.py\
/root/model/Phi-3-mini-128k-instruct

通过此命令我们就成功本地运行 Phi-3 的 Web Demo，然后就可以和Phi-3-mini-128k-instruct愉快的对话了，此时问“你是”，模型的自我认识是 PhilosopherAI。

XTuner 微调 Phi-3 个人小助手认知

在本节我们尝试让 Phi-3 有"它是机智流打造的人工智能助手"的自我认知，最终效果图如下所示：

自我认知训练数据集准备

首先我们通过以下脚本制作自我认知的数据集

cd~/Phi-Tutorial
pythontools/gdata.py

数据生成脚本 gdata.py 如下所示，实现了产生 2000 条自我认知的数据的功能，在正式环境中我们需要对各种数据进行配比，为了社区同学们能够快速上手，本例子就采用了过拟合的方式。

importjson

#输入你的名字或者机构
name='机智流'
#重复次数
n=2000

data=[
{
"conversation":[
{
"system":"你是一个懂中文的小助手",
"input":"你是（请用中文回答）",
"output":"您好，我是{}，一个由机智流打造的人工智能助手，请问有什么可以帮助您的吗？".format(name)
}
]
}
]

foriinrange(n):
data.append(data[0])

withopen('data/personal_assistant.json','w',encoding='utf-8')asf:
json.dump(data,f,ensure_ascii=False,indent=4)

以上脚本在生成了 ~/Phi-Tutorial/data/personal_assistant.json 数据文件格式如下所示：

[
{
"conversation":[
{
"system":"你是一个懂中文的小助手",
"input":"你是（请用中文回答）",
"output":"您好，我是机智流，一个由机智流打造的人工智能助手，请问有什么可以帮助您的吗？"
}
]
},
{
"conversation":[
{
"system":"你是一个懂中文的小助手",
"input":"你是（请用中文回答）",
"output":"您好，我是机智流，一个由机智流打造的人工智能助手，请问有什么可以帮助您的吗？"
}
]
},
·········此处省略
]

XTuner 配置文件准备

小编在 XTuner 官方的 config 基础上修改了模型路径等关键参数，为大家直接准备好了配置文件，可以直接享用～

https://github.com/SmartFlowAI/Phi-Tutorial/blob/main/configs/assistant/phi3_3b_128k_instruct_qlora_assistant.py

训练模型

cd~/Phi-Tutorial/

xtunertrainconfigs/assistant/phi3_3b_128k_instruct_qlora_assistant.py--work-dir/root/phi3_pth

#AdapterPTH转HF格式
xtunerconvertpth_to_hf/root/phi3_pth/phi3_3b_128k_instruct_qlora_assistant.py\
/root/phi3_pth/iter_500.pth\
/root/phi3_pth

#模型合并
exportMKL_SERVICE_FORCE_INTEL=1
xtunerconvertmerge/root/model/Phi-3-mini-128k-instruct\
/root/phi3_hf_adapter\
/root/phi3_hf_merged

推理验证

streamlitrun~/Phi-Tutorial/tools/internstudio_web_demo.py\
/root/phi3_hf_merged

到此为止我们就让 Phi3 具备了“他是由机智流打造的人工智能助手”的个人认知，本文演示平台为 InternStudio，如其他平台只需适当调整相关路径也能比较顺畅的运行起来，XTuner 玩转 Phi3 图片理解更多玩法请参考：https://github.com/SmartFlowAI/Phi-Tutorial/（欢迎 Star）