DeepSeek-llm-7B-Chat微调教程

显示全部楼层

ingFang SC", "Microsoft YaHei", "Source Han Sans SC", "Noto Sans CJK SC", "WenQuanYi Micro Hei", sans-serif;font-optical-sizing: inherit;font-size-adjust: inherit;font-kerning: inherit;font-feature-settings: inherit;font-variation-settings: inherit;margin: 0px 0px calc(1.16667em);clear: left;color: rgb(25, 27, 31);letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(255, 255, 255);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;">前言

ingFang SC", "Microsoft YaHei", "Source Han Sans SC", "Noto Sans CJK SC", "WenQuanYi Micro Hei", sans-serif;font-size: medium;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(255, 255, 255);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;">DeepSeek系列大模型由杭州深度求索人工智能基础技术研究有限公司提供，该系列大模型有以下这些优势：

高性价比：DeepSeek-V2模型以其史无前例的性价比著称，推理成本被降到每百万token仅1块钱，约等于Llama3 70B的七分之一，GPT-4 Turbo的七十分之一。
架构创新：DeepSeek对模型架构进行了全方位创新，提出崭新的MLA（一种新的多头潜在注意力机制）架构，把显存占用降到了过去最常用的MHA架构的5%-13%，同时，独创的DeepSeekMoESparse结构，也把计算量降到极致。
开源模型：DeepSeek的模型全部开源，包括通用大模型DeepSeek LLM、MoE模型DeepSeek MoE、DeepSeek V2等，方便用户进行二次开发和优化。
性能强劲：DeepSeek-V2包含236B总参数，其中每个token激活21B，支持128K tokens的上下文长度，在性能上比肩GPT-4 Turbo。

ingFang SC", "Microsoft YaHei", "Source Han Sans SC", "Noto Sans CJK SC", "WenQuanYi Micro Hei", sans-serif;font-size: medium;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(255, 255, 255);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;">本文针对其llm-7B-Chat模型进行微调，希望其回复内容可以更加人性化。

ingFang SC", "Microsoft YaHei", "Source Han Sans SC", "Noto Sans CJK SC", "WenQuanYi Micro Hei", sans-serif;font-size: medium;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(255, 255, 255);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;">DeepSeek-LLM系列有多个大模型，这里希望通过教程让大家能完成完整的微调流程，碍于设备以及各类资源限制，这里使用7B大小的模型来完成本文的实验，还有67B的模型，如果有兴趣的小伙伴可以尝试，不过模型比较大，对显存的要求较高，可以根据自身条件选择。

ingFang SC", "Microsoft YaHei", "Source Han Sans SC", "Noto Sans CJK SC", "WenQuanYi Micro Hei", sans-serif;font-size: medium;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(255, 255, 255);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;">关于数据集的选择方面，本次教程我想让大模型回复的更亲切点，在最开始推理的时候，发现虽然chat模型回答的非常不错，但是有点套路的感觉，

ingFang SC", "Microsoft YaHei", "Source Han Sans SC", "Noto Sans CJK SC", "WenQuanYi Micro Hei", sans-serif;font-size: medium;font-style: normal;font-variant-ligatures: normal;font-variant-caps: normal;font-weight: 400;letter-spacing: normal;orphans: 2;text-align: start;text-indent: 0px;text-transform: none;widows: 2;word-spacing: 0px;-webkit-text-stroke-width: 0px;white-space: normal;background-color: rgb(255, 255, 255);text-decoration-thickness: initial;text-decoration-style: initial;text-decoration-color: initial;">于是去网上寻找数据集，然后从EmoLLM这个项目里发现了很多现成的数据集，他们的数据集由智谱清言、文心一言、通义千问、讯飞星火等大模型生成，如果有其他需要可以参考EmoLLM数据生成方式来构建自己的数据集，这里我使用了其中单轮对话数据集来进行微调。

链接资料

代码链接：swanhub
实验日志过程：DeepSeek-7B-Chat-finetune-SwaLab
模型下载地址：huggingface
数据集：single-conversation
可视化工具SwanLab使用文档：SwanLab官方文档 | 先进的AI团队协作与模型创新引擎

可视化工具介绍

SwanLab是一款完全开源免费的机器学习日志跟踪与实验管理工具，为人工智能研究者打造。有以下特点：

1、基于一个名为swanlab的python库

2、可以帮助您在机器学习实验中记录超参数、训练日志和可视化结果

3、能够自动记录logging、系统硬件、环境配置（如用了什么型号的显卡、Python版本是多少等等）

4、同时可以完全离线运行，在完全内网环境下也可使用

如果想要快速入门，请参考以下文档链接：

SwanLab官方文档 | 先进的AI团队协作与模型创新引擎
SwanLab快速入门指南

Lora简单介绍

LoRA（Low-Rank Adaptation）是一种针对大型语言模型的微调技术，旨在降低微调过程中的计算和内存需求。其核心思想是通过引入低秩矩阵来近似原始模型的全秩矩阵，从而减少参数数量和计算复杂度。

在LoRA中，原始模型的全秩矩阵被分解为低秩矩阵的乘积。具体来说，对于一个全秩矩阵W，LoRA将其分解为两个低秩矩阵A和B的乘积，即W ≈ A * B。其中，A和B的秩远小于W的秩，从而显著减少了参数数量。

在微调过程中，LoRA只对低秩矩阵A和B进行更新，而保持原始模型的全秩矩阵W不变。比如在本文微调代码里我们可以直接计算训练参数占比，代码如下：

model.print_trainable_parameters()

然后当设置lora_rank=16，lora_alpha=32时，训练参数占比如下：

trainableparams:37,478,400||allparams:6,947,844,096||trainable%:0.5394

可以看到总参数量是7B，但是训练的时候只有不到一半的参数参与微调，这样，微调过程只需要优化较少的参数，从而降低了计算和内存需求。同时，由于低秩矩阵的结构特点，LoRA能够保持原始模型的性能，避免过拟合现象。

LoRA的另一个优点是易于实现和部署。由于LoRA只对低秩矩阵进行更新，因此可以很容易地集成到现有的训练框架中。此外，LoRA还可以与其他微调技术相结合，进一步提高微调效果。

总之，LoRA是一种有效的微调技术，通过引入低秩矩阵来降低微调过程中的计算和内存需求，同时保持原始模型的性能。这使得LoRA成为一种适用于大型语言模型的微调方法，具有广泛的应用前景。

显存要求

max_seq_len=2048时训练与推理所需要的显存只有15GB左右，一块3090就可以跑

具体的显卡数据可以参考我另外一篇文章，统计了大家熟悉的显卡的数据。

参考资料：最全深度学习算法显卡参数统计

推理时需要的显存数据：

微调代码

1、环境设置

本文代码python=3.10，请设置环境python>=3.9即可。

由于本次使用的模型较大，请确保此次微调显存至少有15GB.

我们需要安装以下这几个Python库，在这之前，请确保你的环境内已安装了pytorch以及CUDA：

torch
transformers
accelerate
peft
bitsandbytes
swanlab

2、准备模型和数据集

DeepSeek模型是一系列基于Transformer架构的深度神经网络模型，它们在不同的时间点针对不同的应用场景被开发和优化。以下是DeepSeek模型的时间顺序介绍，包括它们针对的场景、用途和优势：

1、DeepSeek-V2（非常大，没有一定资源不建议微调）：

DeepSeek-V2是一个千亿级模型，参数量达到236B，其中激活参数为21B。它在中文综合能力、英文综合能力、知识、数学、推理、编程等榜单中均表现出色。可以应用于智能对话、文本生成、语义理解、计算推理等场景。

2、DeepSeek-Prover：

这是一个70亿参数的开源模型，通过结合强化学习和蒙特卡洛树搜索，显著提升了证明生成的效率和准确性。主要用于形式定理证明。

3、DeepSeek-VL：

DeepSeek-VL是一个开源的大型多模态模型，用于处理结合视觉和语言的复杂真实世界场景的任务，如理解现实世界中的多种类型数据，例如代码、图表等。

4、DeepSeek-Coder：

DeepSeek-Coder-V2是一个开源的混合专家 (MoE) 代码语言模型，在代码特定任务中实现了与 GPT4-Turbo 相当的性能。

5、Deepseek-LLM：

Deepseek-LLM是一个开源的对话模型，比较适合llm微调，可以进行基础的多轮对话。

这里选择LLM-chat版本，使用单轮对话数据集来微调，

模型下载地址Huggingface：huggingface

数据集下载地址：EmoLLM

3、处理数据

①.参与训练的数据集格式

参与训练的数据集格式以及后面的微调代码参考了几位大神的代码，本文只进行lora微调，单线程微调以及分布式训练方式都可以，其中分布式训练可以大幅度缩减训练时长，提高训练效率。

参考资料：

Firefly: 大模型训练工具
Qwen2大模型微调入门实战

参与训练的数据格式如下：

{"conversation_id":1,"conversation":[{"human":"我为什么什么都做不好?\n来到岗位三个月了，每一次工作都紧张、慌乱，生怕做错了，忘记了什么重要的事，然而每次都会有这样那样的状况发生，我不想每天焦虑的工作，为什么什么都做不好！","assistant":"其实不是做不好。\n事实上做不好，是因为把过多的精力放在担惊受怕上了，幻想充斥了你的头脑，就没有心思关注真正在手上的工作。\n人一旦不能活在当下，就会忽视掉身边的细节，而这些细节往往决定了事情的走向和结果。\n所以说，世界上很少有偶然的事情，所谓偶然只是我们还没有发现它的规律。\n你需要学习把注意力集中在当下，每天的正念练习也许有用。认真的呼吸20分钟吧，感受一下当下发生的事情。\n"}]}

如果想要快速入门，也可以直接使用下面的脚本对下载的数据集进行改造：

def data_process(data_path,output_path):
  # 最终结果
  all_results = []
  with open(data_path, 'r', encoding='utf-8') as file:
    data_json = json.load(file)
    # 打开输出文件（JSONL格式）
    with open(output_path, 'w', encoding='utf-8') as output_file:
      # 处理数据
      for i, data in enumerate(data_json):
        # id号
        conversation_id = i + 1
        # 由于是单轮对话，因此不用循环
        conversation = []

        try:
          human_text = data["prompt"]
          assistant_text = data["completion"]

          conversation_texts = {"human": human_text, "assistant": assistant_text}
          conversation.append(conversation_texts)
        except KeyError:
          # 如果数据没有完整的“prompt”和“completion”字段，跳过
          continue

        result = {"conversation_id": conversation_id, "conversation": conversation}

        all_results.append(result)
  # 写入到输出文件中
  with open(output_path, 'w', encoding='utf-8') as file:
    for item in tqdm(all_results, desc="Writing to File"):
      file.write(json.dumps(item, ensure_ascii=False) + '\n')

  print(f"将 {len(data_json)} 条数据保存到{output_path}中")

②.数据预处理

下面这段代码是用于准备和处理自然语言处理任务中序列到序列（Seq2Seq）模型训练数据的流程。

data = pd.read_json(args.train_file, lines=True)
train_ds = Dataset.from_pandas(data)
train_dataset = train_ds.map(process_data, fn_kwargs={"tokenizer": tokenizer, "max_seq_length": 2048},remove_columns=train_ds.column_names)
data_collator = DataCollatorForSeq2Seq(tokenizer=tokenizer, padding=True, return_tensors="pt")

使用pandas库的read_json函数从指定的JSON文件（由args.train_file参数给出）中读取数据，其中lines=True参数表示文件中的每一行都是一个独立的JSON对象，这样读取后会得到一个DataFrame对象。
将这个DataFrame转换为Hugging Face的Dataset对象，以便利用datasets库提供的功能进行进一步的数据操作。
通过map函数应用一个预处理函数process_data到Dataset对象中的每个样本上，这个函数会对数据进行处理，比如使用tokenizer对文本进行编码，并且保证序列长度不超过max_seq_length（在这里是2048）。同时，remove_columns参数移除了原始数据集中的所有列，只保留处理后的数据。
创建了一个DataCollatorForSeq2Seq对象，它的作用是在模型训练时对数据批次进行整理，包括使用tokenizer对文本进行编码、进行填充（padding）以确保批次中所有序列长度一致，以及指定返回的tensor类型为PyTorch的tensor（return_tensors="pt"）。这样，最终得到的train_dataset是一个经过预处理、准备好用于训练的Dataset对象，而data_collator则是用于在训练过程中整理数据批次的工具。

结果如下：

Dataset({features:['input_ids','attention_mask','labels'],num_rows:32333})
DataCollatorForSeq2Seq(tokenizer=LlamaTokenizerFast(name_or_path='./model',vocab_size=100000,model_max_length=4096,is_fast=True,padding_side='left',truncation_side='right',special_tokens={'bos_token':'<｜begin▁of▁sentence｜>','eos_token':'<｜end▁of▁sentence｜>','pad_token':'<｜end▁of▁sentence｜>'},clean_up_tokenization_spaces=False),added_tokens_decoder={100000:AddedToken("<｜begin▁of▁sentence｜>",rstrip=False,lstrip=False,single_word=False,normalized=True,special=True),
100001:AddedToken("<｜end▁of▁sentence｜>",rstrip=False,lstrip=False,single_word=False,normalized=True,special=True),                 
100002:AddedToken("ø",rstrip=False,lstrip=False,single_word=False,normalized=True,special=False),                          
100003:AddedToken("ö",rstrip=False,lstrip=False,single_word=False,normalized=True,special=False),                          
100004:AddedToken("ú",rstrip=False,lstrip=False,single_word=False,normalized=True,special=False),                          
100005:AddedToken("ÿ",rstrip=False,lstrip=False,single_word=False,normalized=True,special=False),                          
100006:AddedToken("õ",rstrip=False,lstrip=False,single_word=False,normalized=True,special=False),                          
100007:AddedToken("÷",rstrip=False,lstrip=False,single_word=False,normalized=True,special=False),                          
100008:AddedToken("û",rstrip=False,lstrip=False,single_word=False,normalized=True,special=False),                          
100009:AddedToken("ý",rstrip=False,lstrip=False,single_word=False,normalized=True,special=False),                          
100010:AddedToken("À",rstrip=False,lstrip=False,single_word=False,normalized=True,special=False),                          
100011:AddedToken("ù",rstrip=False,lstrip=False,single_word=False,normalized=True,special=False),                          
100012:AddedToken("Á",rstrip=False,lstrip=False,single_word=False,normalized=True,special=False),                          
100013:AddedToken("þ",rstrip=False,lstrip=False,single_word=False,normalized=True,special=False),                          
100014:AddedToken("ü",rstrip=False,lstrip=False,single_word=False,normalized=True,special=False),},model=None,padding=True,max_length=None,pad_to_multiple_of=None,label_pad_token_id=-100,return_tensors='pt')

train_dataset格式如下：

Dataset({features:['input_ids','attention_mask','labels'],num_rows:32333})

由于如果要实现训练条件，现在数据集的格式其实仍然不符合条件，如果要实现大模型的生成任务，需要将输入部分mask遮掩起来，这样模型就能够学习如何根据输入生成输出。在 Seq2Seq 任务（如文本生成、机器翻译、摘要生成等）中，labels 被用来指导模型计算损失。在训练时，labels 是模型的“目标”输出，模型的目标是根据输入生成目标序列。在这一过程中，labels 中的部分 token 需要进行 mask（即忽略），而输出部分则应保持原token_ids，attention_mask是输入和输出对应的长度，剩下的部分是填充到max_seq_length，也就是表达的是有效长度的意思。那么原数据集到训练数据就需要一个函数来调整格式，也就是下面的process_data函数：

def process_data(data: dict, tokenizer, max_seq_length):
  # 处理数据
  conversation = data["conversation"]
  input_ids, attention_mask, labels = [], [], []

  for i, conv in enumerate(conversation):
    human_text = conv["human"].strip()
    assistant_text = conv["assistant"].strip()

    input_text = "Human:" + human_text + "\n\nnAssistant:"

    input_tokenizer = tokenizer(
      input_text,
      add_special_tokens=False,
      truncation=True,
      padding=False,
      return_tensors=None,
    )
    output_tokenizer = tokenizer(
      assistant_text,
      add_special_tokens=False,
      truncation=True,
      padding=False,
      return_tensors=None,
    )

    input_ids += (
        input_tokenizer["input_ids"] + output_tokenizer["input_ids"] + [tokenizer.eos_token_id]
    )
    attention_mask += input_tokenizer["attention_mask"] + output_tokenizer["attention_mask"] + [1]
    labels += ([-100] * len(input_tokenizer["input_ids"]) + output_tokenizer["input_ids"] + [tokenizer.eos_token_id]
         )

  if len(input_ids) > max_seq_length: # 做一个截断
    input_ids = input_ids[:max_seq_length]
    attention_mask = attention_mask[:max_seq_length]
    labels = labels[:max_seq_length]
  return {
    "input_ids": input_ids,
    "attention_mask": attention_mask,
    "labels": labels
  }

4、设置参数

微调模型时，需要设置多个重要参数。我将从六个方面来详细说明，包括：模型路径相关参数、数据集路径、训练超参数、LoRA特定参数、分布式训练参数以及硬件相关参数。

1、模型来源以及输出的模型地址

parser = argparse.ArgumentParser(description="LoRA fine-tuning for deepseek model")
# 模型路径相关参数
parser.add_argument("--model_name_or_path", type=str, default="./model",
            help="Path to the model directory downloaded locally")
parser.add_argument("--output_dir", type=str,
            default="your/output/path",
            help="Directory to save the fine-tuned model and checkpoints")

2、使用对应格式的数据集的地址

# 数据集路径
parser.add_argument("--train_file", type=str, default="./data/single_datas.jsonl",
            help="Path to the training data file in JSONL format")

3、设置微调的训练超参数

parser.add_argument("--num_train_epochs", type=int, default=2,
            help="Number of training epochs")
parser.add_argument("--per_device_train_batch_size", type=int, default=1,
            help="Batch size per device during training")
parser.add_argument("--gradient_accumulation_steps", type=int, default=16,
            help="Number of updates steps to accumulate before performing a backward/update pass")
parser.add_argument("--learning_rate", type=float, default=2e-4,
            help="Learning rate for the optimizer")
parser.add_argument("--max_seq_length", type=int, default=2048,
            help="Maximum sequence length for the input")
parser.add_argument("--logging_steps", type=int, default=1,
            help="Number of steps between logging metrics")
parser.add_argument("--save_steps", type=int, default=200,
            help="Number of steps between saving checkpoints")
parser.add_argument("--save_total_limit", type=int, default=1,
            help="Maximum number of checkpoints to keep")
parser.add_argument("--lr_scheduler_type", type=str, default="constant_with_warmup",
            help="Type of learning rate scheduler")
parser.add_argument("--warmup_steps", type=int, default=100,
            help="Number of warmup steps for learning rate scheduler")

--per_device_train_batch_size：每个设备上的训练批次大小。批次大小决定了每次训练时喂给模型的数据量。批次太小可能导致训练过程不稳定或效率低下，批次太大会增加显存占用，可能导致OOM（内存溢出）。

--gradient_accumulation_steps：梯度累计步数。global batch=num_gpus * per_device_train_batch_size * gradient_accumulation_steps。

如果该参数设置的太高的话，会导致梯度累积过多，从而影响模型的学习效率和稳定性，因为梯度是在多个小批量上累积的，而不是每个小批量更新一次，这会导致梯度估计的方差增加，影响模型的收敛性能；
另一方面，如果该参数设置的过低的话虽然可以减少梯度累积带来的方差，但相当于减小了有效批量大小，这可能会降低模型训练的效果，因为大批量训练通常能提供更稳定的梯度估计。

--learning_rate：学习率。学习率过高可能会引发梯度爆炸，导致数值溢出，影响模型稳定性。学习率过低则可能导致模型陷入局部最优解，而不是全局最优解。因此我们通常需要通过调参来找到合适的学习率。

--logging_steps：每隔多少步记录一次训练日志。不要设置太高，swanlab可能会由于长时间记录不上而导致中断。

--warmup_steps：学习率调度器中的热身步骤数。如果热身步骤太少，可能会导致模型一开始训练不稳定；太多可能会浪费训练时间。

总之，这些超参数控制了模型训练的各个方面，包括训练轮数、批次大小、学习率、梯度累积等。num_train_epochs决定了训练的轮数，learning_rate影响收敛速度，gradient_accumulation_steps和per_device_train_batch_size帮助平衡显存使用与训练效果，而logging_steps和save_steps则有助于跟踪训练进度和保存模型。

4、LoRA 特定参数

# LoRA 特定参数
parser.add_argument("--lora_rank", type=int, default=64,
            help="Rank of LoRA matrices")
parser.add_argument("--lora_alpha", type=int, default=16,
            help="Alpha parameter for LoRA")
parser.add_argument("--lora_dropout", type=float, default=0.05,
            help="Dropout rate for LoRA")

--lora_rank：LoRA矩阵的秩。

较高的lora_rank会导致更多的参数需要训练，从而可能提升模型的表示能力，但也会增加训练开销。
较低的lora_rank则可能降低训练成本，但也可能限制模型的适应能力，导致模型的表现下降。

--lora_alpha：LoRA的缩放因子。LoRA矩阵的秩lora_rank通常乘以一个alpha因子进行缩放，这个参数控制低秩矩阵的影响力度。

lora_alpha
较大时，LoRA矩阵的影响较大，模型可能会更多地依赖LoRA进行适应，从而影响性能。
lora_alpha
较小时，LoRA矩阵的贡献较小，更多地依赖原始模型参数进行预测。选择合适的lora_alpha有助于平衡LoRA适应性和训练效率。

--lora_dropout：LoRA矩阵中的dropout率。

较高的lora_dropout值会增加正则化的效果，防止LoRA矩阵过拟合。
较低的lora_dropout值则可能导致LoRA矩阵过拟合，尤其是在训练数据较少的情况下。
合适的dropout值有助于提升模型的泛化能力。

总之，lora_rank控制LoRA矩阵的秩，决定了低秩矩阵的大小和表示能力；lora_alpha控制LoRA矩阵对模型的影响力度，决定了LoRA矩阵的贡献程度；lora_dropout控制LoRA矩阵的正则化强度，防止过拟合。

5、分布式训练参数

parser.add_argument("--local_rank", type=int, default=int(os.environ.get("LOCAL_RANK", -1)), help="Local rank for distributed training")
parser.add_argument("--distributed",type=bool, default=False, help="Enable distributed training")

--local_rank：本地设备的编号。

--distributed：启用分布式训练的开关。

如果设置为True，训练将在多个GPU（或机器）上并行进行，能够加速训练过程。
如果设置为False，训练将在单个设备上进行，不会使用分布式训练。

如果不使用分布式训练，单机训练可能面临计算资源不足、训练速度缓慢等问题。尤其对于大规模模型，单机无法提供足够的内存和计算能力，训练过程可能非常耗时。随着模型规模的增大，训练效率下降，且单机无法处理超大数据集，容易出现内存溢出或显存不足的情况。此外，长时间的单机训练也会增加硬件损耗和成本。

而分布式训练可以通过将训练任务分配到多个计算节点（如多GPU、多机器）上，加速训练过程，显著提升训练效率。它能够处理更大规模的数据集和更复杂的模型，避免内存溢出问题。通过并行计算，分布式训练可以缩短训练时间，尤其在多GPU或TPU环境下，训练速度得到大幅提升。同时，分布式训练还可以提高资源利用率，降低计算时间和成本，对于大规模深度学习任务是必不可少的。

6、额外优化和硬件相关参数

parser.add_argument("--gradient_checkpointing", type=bool, default=True,
            help="Enable gradient checkpointing to save memory")
parser.add_argument("--optim", type=str, default="adamw_torch",
            help="Optimizer to use during training")
parser.add_argument("--train_mode", type=str, default="lora",
            help="lora or qlora")
parser.add_argument("--seed", type=int, default=42,
            help="Random seed for reproducibility")
parser.add_argument("--fp16", type=bool, default=True,
            help="Use mixed precision (FP16) training")
parser.add_argument("--report_to", type=str, default=None,
            help="Reporting tool for logging (e.g., tensorboard)")
parser.add_argument("--dataloader_num_workers", type=int, default=0,
            help="Number of workers for data loading")
parser.add_argument("--save_strategy", type=str, default="steps",
            help="Strategy for saving checkpoints ('steps', 'epoch')")
parser.add_argument("--weight_decay", type=float, default=0,
            help="Weight decay for the optimizer")
parser.add_argument("--max_grad_norm", type=float, default=1,
            help="Maximum gradient norm for clipping")
parser.add_argument("--remove_unused_columns", type=bool, default=True,
            help="Remove unused columns from the dataset")

--gradient_checkpointing：梯度检查点。启用梯度检查点后，在前向传播时不会直接保存每一层的激活值，而是在反向传播时重新计算这些激活值，从而节省内存。适用于内存限制较紧张的大模型训练。

--fp16：是否使用混合精度（FP16）训练。FP16（16位浮点数）训练能显著提高计算效率，并减少内存使用，尤其在训练大模型时能有效减少显存占用。

5、加载模型

这里我们使用huggingface上下载的模型，然后把它加载到Transformers中进行训练：

from transformers import AutoModelForCausalLM,AutoTokenizer

# model参数设置
model_kwargs = {
    "trust_remote_code": True,
    "torch_dtype": torch.float16 if args.fp16 else torch.bfloat16,
    "use_cache": False if args.gradient_checkpointing else True,
    "device_map": "auto" if not args.distributed else None,
  }
# model加载
model = AutoModelForCausalLM.from_pretrained(args.model_name_or_path, **model_kwargs)

# 分词器加载
tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True, use_fast=False)

6、配置训练可视化工具

这里使用SwanLab来监控整个训练过程，并评估最终的模型效果。可以直接使用SwanLab和Transformers的集成来实现，更多用法可以参考官方文档：

from swanlab.integration.huggingface import SwanLabCallback
from transformers import Trainer

swanlab_callback = SwanLabCallback(...)

trainer = Trainer(
  ...
  callbacks=[swanlab_callback],
)

7、配置训练参数

在微调Transformer模型时，使用Trainer类来封装数据和训练参数是至关重要的。Trainer不仅简化了训练流程，还允许我们自定义训练参数，包括但不限于学习率、批次大小、训练轮次等。LoRA通过引入额外的旁路矩阵来模拟全参数微调的效果，从而减少训练参数的数量。这样，我们就能在保持模型性能的同时，显著减少模型的存储和计算需求。通过Trainer，我们可以轻松地将这些参数和其他训练参数一起配置，以实现高效且定制化的模型微调。

这里我们需要以下这些参数，包括模型、训练参数、训练数据、处理数据批次的工具、还有可视化工具

trainer = Trainer(
    model=model,
    args=train_args,
    train_dataset=train_dataset,
    data_collator=data_collator,
    callbacks=[swanlab_callback],
  )

其中模型、训练参数的配置如下：

### 分布式训练必要条件
def setup_distributed(args):
  """初始化分布式环境"""
  if args.distributed:
    if args.local_rank == -1:
      raise ValueError("未正确初始化 local_rank，请确保通过分布式启动脚本传递参数，例如 torchrun。")

    # 初始化分布式进程组
    dist.init_process_group(backend="nccl")
    torch.cuda.set_device(args.local_rank)
    print(f"分布式训练已启用，Local rank: {args.local_rank}")
  else:
    print("未启用分布式训练，单线程模式。")

# 初始化分布式环境
setup_distributed(args)

# 用于确保模型的词嵌入层参与训练
model.enable_input_require_grads()

# 将模型移动到正确设备
if args.distributed:
  model.to(args.local_rank)
  model = DDP(model, device_ids=[args.local_rank], output_device=args.local_rank)
  # 哪些模块需要注入Lora参数
target_modules = find_all_linear_names(model.module if isinstance(model, DDP) else model, args.train_mode)

# lora参数设置
config = LoraConfig(
    r=args.lora_rank,
    lora_alpha=args.lora_alpha,
    lora_dropout=args.lora_dropout,
    bias="none",
    target_modules=target_modules,
    task_type=TaskType.CAUSAL_LM,
    inference_mode=False
    )
use_bfloat16 = torch.cuda.is_bf16_supported() # 检查设备是否支持 bf16
# 配置训练参数
train_args = TrainingArguments(
    output_dir=args.output_dir,
    per_device_train_batch_size=args.per_device_train_batch_size,
    gradient_accumulation_steps=args.gradient_accumulation_steps,
    logging_steps=args.logging_steps,
    num_train_epochs=args.num_train_epochs,
    save_steps=args.save_steps,
    learning_rate=args.learning_rate,
    save_on_each_node=True,
    gradient_checkpointing=args.gradient_checkpointing,
    report_to=args.report_to,
    seed=args.seed,
    optim=args.optim,
    local_rank=args.local_rank if args.distributed else -1,
    ddp_find_unused_parameters=False, # 分布式参数检查优化
    fp16=args.fp16,
    bf16=not args.fp16 and use_bfloat16,
  )
# 应用 PEFT 配置到模型
model = get_peft_model(model.module if isinstance(model, DDP) else model, config) # 确保传递的是原始模型

这里在使用PEFT（Parameter-Efficient Fine-Tuning，参数高效微调）技术时，通常需要通过get_peft_model来设置模型。PEFT 是一种用于微调大规模预训练模型的技术，它的目标是减少需要更新的参数量，同时保持模型的性能。这种方法特别适用于大模型（如 GPT、BERT等），可以在有限的计算资源下实现快速高效的微调。

可视化工具配置如下：

swanlab_config = {
    "lora_rank": args.lora_rank,
    "lora_alpha": args.lora_alpha,
    "lora_dropout": args.lora_dropout,
    "dataset":"single_conversation"
  }
swanlab_callback = SwanLabCallback(
    project="deepseek-finetune",
    experiment_name="deepseek-llm-7b-chat-lora",
    description="DeepSeek有很多模型，V2太大了，这里选择llm-7b-chat的，希望能让回答更加人性化",
    workspace=None,
    config=swanlab_config,
  )

8、完整代码

全过程代码如下：

import argparse
from os.path import join

import pandas as pd
from datasets import Dataset
from loguru import logger
from transformers import (
  TrainingArguments,
  AutoModelForCausalLM,
  Trainer,
  DataCollatorForSeq2Seq,
  AutoTokenizer,
)
import torch
from peft import LoraConfig, get_peft_model, TaskType
from swanlab.integration.transformers import SwanLabCallback
import bitsandbytes as bnb
from torch import nn
from torch.nn.parallel import DistributedDataParallel as DDP
import torch.distributed as dist
import os
import json


# 配置参数
def configuration_parameter():
  parser = argparse.ArgumentParser(description="LoRA fine-tuning for deepseek model")

  # 模型路径相关参数
  parser.add_argument("--model_name_or_path", type=str, default="./model",
            help="Path to the model directory downloaded locally")
  parser.add_argument("--output_dir", type=str,
            default="/home/public/TrainerShareFolder/lxy/deepseek-output/singledata-2048-16-32-epoch-2",
            help="Directory to save the fine-tuned model and checkpoints")

  # 数据集路径
  parser.add_argument("--train_file", type=str, default="./data/single_datas.jsonl",
            help="Path to the training data file in JSONL format")

  # 训练超参数
  parser.add_argument("--num_train_epochs", type=int, default=2,
            help="Number of training epochs")
  parser.add_argument("--per_device_train_batch_size", type=int, default=4,
            help="Batch size per device during training")
  parser.add_argument("--gradient_accumulation_steps", type=int, default=16,
            help="Number of updates steps to accumulate before performing a backward/update pass")
  parser.add_argument("--learning_rate", type=float, default=2e-4,
            help="Learning rate for the optimizer")
  parser.add_argument("--max_seq_length", type=int, default=2048,
            help="Maximum sequence length for the input")
  parser.add_argument("--logging_steps", type=int, default=1,
            help="Number of steps between logging metrics")
  parser.add_argument("--save_steps", type=int, default=200,
            help="Number of steps between saving checkpoints")
  parser.add_argument("--save_total_limit", type=int, default=1,
            help="Maximum number of checkpoints to keep")
  parser.add_argument("--lr_scheduler_type", type=str, default="constant_with_warmup",
            help="Type of learning rate scheduler")
  parser.add_argument("--warmup_steps", type=int, default=100,
            help="Number of warmup steps for learning rate scheduler")

  # LoRA 特定参数
  parser.add_argument("--lora_rank", type=int, default=64,
            help="Rank of LoRA matrices")
  parser.add_argument("--lora_alpha", type=int, default=16,
            help="Alpha parameter for LoRA")
  parser.add_argument("--lora_dropout", type=float, default=0.05,
            help="Dropout rate for LoRA")

  # 分布式训练参数
  parser.add_argument("--local_rank", type=int, default=int(os.environ.get("LOCAL_RANK", -1)),
            help="Local rank for distributed training")
  parser.add_argument("--distributed", type=bool, default=True, help="Enable distributed training")

  # 额外优化和硬件相关参数
  parser.add_argument("--gradient_checkpointing", type=bool, default=True,
            help="Enable gradient checkpointing to save memory")
  parser.add_argument("--optim", type=str, default="adamw_torch",
            help="Optimizer to use during training")
  parser.add_argument("--train_mode", type=str, default="lora",
            help="lora or qlora")
  parser.add_argument("--seed", type=int, default=42,
            help="Random seed for reproducibility")
  parser.add_argument("--fp16", type=bool, default=True,
            help="Use mixed precision (FP16) training")
  parser.add_argument("--report_to", type=str, default=None,
            help="Reporting tool for logging (e.g., tensorboard)")
  parser.add_argument("--dataloader_num_workers", type=int, default=0,
            help="Number of workers for data loading")
  parser.add_argument("--save_strategy", type=str, default="steps",
            help="Strategy for saving checkpoints ('steps', 'epoch')")
  parser.add_argument("--weight_decay", type=float, default=0,
            help="Weight decay for the optimizer")
  parser.add_argument("--max_grad_norm", type=float, default=1,
            help="Maximum gradient norm for clipping")
  parser.add_argument("--remove_unused_columns", type=bool, default=True,
            help="Remove unused columns from the dataset")

  args = parser.parse_args()
  return args


def find_all_linear_names(model, train_mode):
  """
  找出所有全连接层，为所有全连接添加adapter
  """
  assert train_mode in ['lora', 'qlora']
  cls = bnb.nn.Linear4bit if train_mode == 'qlora' else nn.Linear
  lora_module_names = set()
  for name, module in model.named_modules():
    if isinstance(module, cls):
      names = name.split('.')
      lora_module_names.add(names[0] if len(names) == 1 else names[-1])

  if 'lm_head' in lora_module_names: # needed for 16-bit
    lora_module_names.remove('lm_head')
  lora_module_names = list(lora_module_names)
  logger.info(f'LoRA target module names: {lora_module_names}')
  return lora_module_names


def setup_distributed(args):
  """初始化分布式环境"""
  if args.distributed:
    if args.local_rank == -1:
      raise ValueError("未正确初始化 local_rank，请确保通过分布式启动脚本传递参数，例如 torchrun。")

    # 初始化分布式进程组
    dist.init_process_group(backend="nccl")
    torch.cuda.set_device(args.local_rank)
    print(f"分布式训练已启用，Local rank: {args.local_rank}")
  else:
    print("未启用分布式训练，单线程模式。")


# 加载模型
def load_model(args, train_dataset, data_collator):
  # 初始化分布式环境
  setup_distributed(args)
  # 自动分配设备
  # 加载模型
  model_kwargs = {
    "trust_remote_code": True,
    "torch_dtype": torch.float16 if args.fp16 else torch.bfloat16,
    "use_cache": False if args.gradient_checkpointing else True,
    "device_map": "auto" if not args.distributed else None,
  }
  model = AutoModelForCausalLM.from_pretrained(args.model_name_or_path, **model_kwargs)
  # 用于确保模型的词嵌入层参与训练
  model.enable_input_require_grads()
  # 将模型移动到正确设备
  if args.distributed:
    model.to(args.local_rank)
    model = DDP(model, device_ids=[args.local_rank], output_device=args.local_rank)

  # 哪些模块需要注入Lora参数
  target_modules = find_all_linear_names(model.module if isinstance(model, DDP) else model, args.train_mode)
  # lora参数设置
  config = LoraConfig(
    r=args.lora_rank,
    lora_alpha=args.lora_alpha,
    lora_dropout=args.lora_dropout,
    bias="none",
    target_modules=target_modules,
    task_type=TaskType.CAUSAL_LM,
    inference_mode=False

  )
  use_bfloat16 = torch.cuda.is_bf16_supported() # 检查设备是否支持 bf16
  # 配置训练参数
  train_args = TrainingArguments(
    output_dir=args.output_dir,
    per_device_train_batch_size=args.per_device_train_batch_size,
    gradient_accumulation_steps=args.gradient_accumulation_steps,
    logging_steps=args.logging_steps,
    num_train_epochs=args.num_train_epochs,
    save_steps=args.save_steps,
    learning_rate=args.learning_rate,
    save_on_each_node=True,
    gradient_checkpointing=args.gradient_checkpointing,
    report_to=args.report_to,
    seed=args.seed,
    optim=args.optim,
    local_rank=args.local_rank if args.distributed else -1,
    ddp_find_unused_parameters=False, # 分布式参数检查优化
    fp16=args.fp16,
    bf16=not args.fp16 and use_bfloat16,
    remove_unused_columns=False
  )
  # 应用 PEFT 配置到模型
  model = get_peft_model(model.module if isinstance(model, DDP) else model, config) # 确保传递的是原始模型
  print("model:", model)
  model.print_trainable_parameters()

  ### 展示平台
  swanlab_config = {
    "lora_rank": args.lora_rank,
    "lora_alpha": args.lora_alpha,
    "lora_dropout": args.lora_dropout,
    "dataset": "single-data-3w"

  }
  swanlab_callback = SwanLabCallback(
    project="deepseek-finetune",
    experiment_name="deepseek-llm-7b-chat-lora",
    description="DeepSeek有很多模型，V2太大了，这里选择llm-7b-chat的，希望能让回答更加人性化",
    workspace=None,
    config=swanlab_config,
  )
  trainer = Trainer(
    model=model,
    args=train_args,
    train_dataset=train_dataset,
    data_collator=data_collator,
    callbacks=[swanlab_callback],
  )
  return trainer


# 处理数据
def process_data(data: dict, tokenizer, max_seq_length):
  # 处理数据
  conversation = data["conversation"]
  input_ids, attention_mask, labels = [], [], []

  for i, conv in enumerate(conversation):
    human_text = conv["human"].strip()
    assistant_text = conv["assistant"].strip()

    input_text = "Human:" + human_text + "\n\nnAssistant:"

    input_tokenizer = tokenizer(
      input_text,
      add_special_tokens=False,
      truncation=True,
      padding=False,
      return_tensors=None,
    )
    output_tokenizer = tokenizer(
      assistant_text,
      add_special_tokens=False,
      truncation=True,
      padding=False,
      return_tensors=None,
    )

    input_ids += (
        input_tokenizer["input_ids"] + output_tokenizer["input_ids"] + [tokenizer.eos_token_id]
    )
    attention_mask += input_tokenizer["attention_mask"] + output_tokenizer["attention_mask"] + [1]
    labels += ([-100] * len(input_tokenizer["input_ids"]) + output_tokenizer["input_ids"] + [tokenizer.eos_token_id]
         )

  if len(input_ids) > max_seq_length: # 做一个截断
    input_ids = input_ids[:max_seq_length]
    attention_mask = attention_mask[:max_seq_length]
    labels = labels[:max_seq_length]
  return {
    "input_ids": input_ids,
    "attention_mask": attention_mask,
    "labels": labels
  }


# 训练部分
def main():
  args = configuration_parameter()
  print("*****************加载分词器*************************")
  # 加载分词器
  model_path = args.model_name_or_path
  tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True, use_fast=False)
  print("*****************处理数据*************************")
  # 处理数据
  # 获得数据
  data = pd.read_json(args.train_file, lines=True)
  train_ds = Dataset.from_pandas(data)
  train_dataset = train_ds.map(process_data,
                fn_kwargs={"tokenizer": tokenizer, "max_seq_length": args.max_seq_length},
                remove_columns=train_ds.column_names)
  data_collator = DataCollatorForSeq2Seq(tokenizer=tokenizer, padding=True, return_tensors="pt")
  print(train_dataset, data_collator)
  # 加载模型
  print("*****************训练*************************")
  trainer = load_model(args, train_dataset, data_collator)
  trainer.train()
  # 训练
  final_save_path = join(args.output_dir)
  trainer.save_model(final_save_path)


if __name__ == "__main__":
  main()

单线程运行代码的时候需要下述代码在命令行运行：

pythonfinetune.py

如果需要分布式训练，运行下述代码：

torchrun--nproc_per_node=4finetune.py

训练过程演示(Swanlab)

这里使用3w条数据跑完了全程，使用4块A100进行分布式训练，总训练时长为1个多小时，epoch为3，数据训练三次，所有的超参数可以从实验卡片找到。

图表

参数如下：

推理微调后的模型

在推理前，需要先把保存下来的模型与预训练模型做一个合并，因为微调的模型保存下来的只有adapter部分，具体如下：

这里的模型合并代码参考了lora模型与base模型合并代码，代码如下：

from peft import PeftModel
from transformers import AutoModelForCausalLM
import torch
import os
from modelscope import AutoTokenizer
import shutil

# 保证原始模型的各个文件不遗漏保存到merge_path中
def copy_files_not_in_B(A_path, B_path):
  """
  Copies files from directory A to directory B if they exist in A but not in B.

  :param A_path: Path to the source directory (A).
  :param B_path: Path to the destination directory (B).
  """
  # 保证路径存在
  if not os.path.exists(A_path):
    raise FileNotFoundError(f"The directory {A_path} does not exist.")
  if not os.path.exists(B_path):
    os.makedirs(B_path)

  # 获取路径A中所有非权重文件
  files_in_A = os.listdir(A_path)
  files_in_A = set([file for file in files_in_A if not (".bin" in file or "safetensors" in file)])
  # List all files in directory B
  files_in_B = set(os.listdir(B_path))

  # 找到所有A中存在但B中不存在的文件
  files_to_copy = files_in_A - files_in_B

  # 将文件或文件夹复制到B路径下
  for file in files_to_copy:
    src_path = os.path.join(A_path, file)
    dst_path = os.path.join(B_path, file)

    if os.path.isdir(src_path):
      # 复制目录及其内容
      shutil.copytree(src_path, dst_path)
    else:
      # 复制文件
      shutil.copy2(src_path, dst_path)

def merge_lora_to_base_model():
  model_name_or_path = 'pretrain_model' # 原模型地址
  adapter_name_or_path = 'output/moss-10000-4096-16-32-epoch-2' # 微调后模型的保存地址
  save_path = 'output/moss-10000-4096-16-32-epoch-2-merge-model'

  # 如果文件夹不存在，就创建
  if not os.path.exists(save_path):
    os.makedirs(save_path)
  tokenizer = AutoTokenizer.from_pretrained(model_name_or_path,trust_remote_code=True,)

  model = AutoModelForCausalLM.from_pretrained(
    model_name_or_path,
    trust_remote_code=True,
    low_cpu_mem_usage=True,
    torch_dtype=torch.float16,
    device_map="auto"
  )
  # 加载保存的 Adapter
  model = PeftModel.from_pretrained(model, adapter_name_or_path, device_map="auto",trust_remote_code=True)
  # 将 Adapter 合并到基础模型中
  merged_model = model.merge_and_unload() # PEFT 的方法将 Adapter 权重合并到基础模型
  # 保存合并后的模型
  tokenizer.save_pretrained(save_path)
  merged_model.save_pretrained(save_path, safe_serialization=False)
  copy_files_not_in_B(model_name_or_path, save_path)
  print(f"合并后的模型已保存至: {save_path}")

if __name__ == '__main__':
  merge_lora_to_base_model()

合并后有三个权重文件：

我们对比一下使用预训练模型和合并后的微调模型的推理结果，首先代码如下：

def original_model_reasoning(model_path: str, prompt: str, max_new_tokens=2048):
  """
  单论对话的回复
  :param model_path: 模型下载地址
  :param prompt: 需要询问的问题
  :return: 回复的话
  """

  # 加载模型和分词器
  model_path = model_path
  tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)
  model = AutoModelForCausalLM.from_pretrained(model_path, torch_dtype=torch.bfloat16, trust_remote_code=True,
                        device_map="auto")

  model.generation_config = GenerationConfig.from_pretrained(model_path)
  model.generation_config.pad_token_id = model.generation_config.eos_token_id

  messages = [
    {"role": "user",
    "content": prompt}
  ]

  input_tensor = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt")
  outputs = model.generate(input_tensor.to(model.device), max_new_tokens=max_new_tokens)

  result = tokenizer.decode(outputs[0][input_tensor.shape[1]:], skip_special_tokens=True)
  return result

推理结果对比(上边是预训练模型，下边是微调后模型)：

效果还不错，感觉比之前人性化多了。