|
ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif; letter-spacing: 0.1em; color: rgb(63, 63, 63);">Qwen2[1]是通义千问团队最近开源的大语言模型，由阿里云通义实验室研发。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif; letter-spacing: 0.1em; color: rgb(63, 63, 63);">以Qwen2作为基座大模型，通过指令微调的方式做高精度的命名实体识别（NER），是学习入门LLM微调、建立大模型认知的非常好的任务。 ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif; margin: 1.5em 8px; color: rgb(63, 63, 63);"> ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif; border-left: none; padding: 1em; border-radius: 8px; color: rgba(0, 0, 0, 0.5); background: rgb(247, 247, 247); margin: 2em 8px;">使用LoRA方法训练，1.5B模型对显存要求不高，10GB左右就可以跑。 ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif; letter-spacing: 0.1em; color: rgb(63, 63, 63);">在本文中，我们会使用 Qwen2-1.5b-Instruct 模型在中文NER[2]数据集上做指令微调训练，同时使用SwanLab[3]监控训练过程、评估模型效果。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif; list-style: circle; color: rgb(63, 63, 63);">•代码：完整代码直接看本文第5节 或Github[4]、Jupyter Notebook[5] •实验日志过程：Qwen2-1.5B-NER-Fintune - SwanLab[6] •模型：Modelscope •数据集：chinese_ner_sft • SwanLab：https://swanlab.cn ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif; font-size: 1.2em; display: table; margin: 2em auto 1em; padding-right: 1em; padding-left: 1em; border-bottom: 2px solid rgb(250, 81, 81); color: rgb(63, 63, 63);">知识点1：什么是指令微调？ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif; letter-spacing: 0.1em; color: rgb(63, 63, 63);">大模型指令微调（Instruction Tuning）是一种针对大型预训练语言模型的微调技术，其核心目的是增强模型理解和执行特定指令的能力，使模型能够根据用户提供的自然语言指令准确、恰当地生成相应的输出或执行相关任务。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif; letter-spacing: 0.1em; color: rgb(63, 63, 63);">指令微调特别关注于提升模型在遵循指令方面的一致性和准确性，从而拓宽模型在各种应用场景中的泛化能力和实用性。ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif; letter-spacing: 0.1em; color: rgb(63, 63, 63);">在实际应用中，我的理解是，指令微调更多把LLM看作一个更智能、更强大的传统NLP模型（比如Bert），来实现更高精度的NLP任务。所以这类任务的应用场景覆盖了以往NLP模型的场景，甚至很多团队拿它来标注互联网数据。知识点2：什么是命名实体识别？命名实体识别 (NER) 是一种NLP技术，主要用于识别和分类文本中提到的重要信息（关键词）。这些实体可以是人名、地名、机构名、日期、时间、货币值等等。NER 的目标是将文本中的非结构化信息转换为结构化信息，以便计算机能够更容易地理解和处理。 
NER 也是一项非常实用的技术，包括在互联网数据标注、搜索引擎、推荐系统、知识图谱、医疗保健等诸多领域有广泛应用。 1.环境安装本案例基于Python>=3.8，请在您的计算机上安装好Python，并且有一张英伟达显卡（显存要求并不高，大概10GB左右就可以跑）。 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好了pytorch以及CUDA： swanlab
modelscope
transformers
datasets
peft
accelerate
pandas
一键安装命令： pipinstallswanlabmodelscopetransformersdatasetspeftpandasaccelerate 本案例测试于modelscope==1.14.0、transformers==4.41.2、datasets==2.18.0、peft==0.11.1、accelerate==0.30.1、swanlab==0.3.11
2.准备数据集本案例使用的是HuggingFace上的chinese_ner_sft数据集，该数据集主要被用于训练命名实体识别模型。 
chinese_ner_sft由不同来源、不同类型的几十万条数据组成，应该是我见过收录最齐全的中文NER数据集。 这次训练我们不需要用到它的全部数据，只取其中的CCFBDCI数据集（中文命名实体识别算法鲁棒性评测数据集）进行训练，该数据集包含LOC（地点）、GPE（地理）、ORG（组织）和PER（人名）四种实体类型标注，每条数据的例子如下： {
'text':'今天亚太经合组织第十二届部长级会议在这里开幕，中国外交部部长唐家璇、外经贸部部长石广生出席了会议。',
'entities':[
{
'start_idx':23,
'end_idx':25,
'entity_text':'中国',
'entity_label':'GPE',
'entity_names':['地缘政治实体','政治实体','地理实体','社会实体']},
{
'start_idx':25,
'end_idx':28,
'entity_text':'外交部',
'entity_label':'ORG',
'entity_names':['组织','团体','机构']
},
{
'start_idx':30,
'end_idx':33,
'entity_text':'唐家璇',
'entity_label':'PER',
'entity_names':['人名','姓名']
},
...
],
'data_source':'CCFBDCI'
}
其中text是输入的文本，entities是文本抽取出的实体。我们的目标是希望微调后的大模型能够根据由text组成的提示词，预测出一个json格式的实体信息： 输入：今天亚太经合组织第十二届部长级会议在这里开幕，中国外交部部长唐家璇、外经贸部部长石广生出席了会议。
大模型输出：{'entity_text':'中国', 'entity_label':'组织'}{'entity_text':'唐家璇', 'entity_label':'人名'}...
现在我们将数据集下载到本地目录。下载方式是前往chinese_ner_sft - huggingface下载ccfbdci.jsonl到项目根目录下即可： 
3. 加载模型这里我们使用modelscope下载Qwen2-1.5B-Instruct模型（modelscope在国内，所以直接用下面的代码自动下载即可，不用担心速度和稳定性问题），然后把它加载到Transformers中进行训练： frommodelscopeimportsnapshot_download,AutoTokenizer
fromtransformersimportAutoModelForCausalLM,TrainingArguments,Trainer,DataCollatorForSeq2Seq
model_id='qwen/Qwen2-1.5B-Instruct'
model_dir='./qwen/Qwen2-1___5B-Instruct'
#在modelscope上下载Qwen模型到本地目录下
model_dir=snapshot_download(model_id,cache_dir='./',revision='master')
#Transformers加载模型权重
tokenizer=AutoTokenizer.from_pretrained(model_dir,use_fast=False,trust_remote_code=True)
model=AutoModelForCausalLM.from_pretrained(model_dir,device_map='auto',torch_dtype=torch.bfloat16)
model.enable_input_require_grads()#开启梯度检查点时，要执行该方法
4. 配置训练可视化工具我们使用SwanLab来监控整个训练过程，并评估最终的模型效果。 这里直接使用SwanLab和Transformers的集成来实现： fromswanlab.integration.huggingfaceimportSwanLabCallback
swanlab_callback=SwanLabCallback(...)
trainer=Trainer(
...
callbacks=[swanlab_callback],
)
如果你是第一次使用SwanLab，那么还需要去https://swanlab.cn上注册一个账号，在用户设置页面复制你的API Key，然后在训练开始时粘贴进去即可： 
5. 完整代码开始训练时的目录结构： |---train.py
|---ccfbdci.jsonl
train.py: importjson
importpandasaspd
importtorch
fromdatasetsimportDataset
frommodelscopeimportsnapshot_download,AutoTokenizer
fromswanlab.integration.huggingfaceimportSwanLabCallback
frompeftimportLoraConfig,TaskType,get_peft_model
fromtransformersimportAutoModelForCausalLM,TrainingArguments,Trainer,DataCollatorForSeq2Seq
importos
importswanlab
defdataset_jsonl_transfer(origin_path,new_path):
'''
将原始数据集转换为大模型微调所需数据格式的新数据集
'''
messages=[]
#读取旧的JSONL文件
withopen(origin_path,'r')asfile:
forlineinfile:
#解析每一行的json数据
data=json.loads(line)
input_text=data['text']
entities=data['entities']
match_names=['地点','人名','地理实体','组织']
entity_sentence=''
forentityinentities:
entity_json=dict(entity)
entity_text=entity_json['entity_text']
entity_names=entity_json['entity_names']
fornameinentity_names:
ifnameinmatch_names:
entity_label=name
break
entity_sentence+=f'''{{'entity_text':'{entity_text}','entity_label':'{entity_label}'}}'''
ifentity_sentence=='':
entity_sentence='没有找到任何实体'
message={
'instruction':'''你是一个文本实体识别领域的专家，你需要从给定的句子中提取地点;人名;地理实体;组织实体.以json格式输出,如{'entity_text':'南京','entity_label':'地理实体'}注意:1.输出的每一行都必须是正确的json字符串.2.找不到任何实体时,输出'没有找到任何实体'.''',
'input':f'文本:{input_text}',
'output':entity_sentence,
}
messages.append(message)
#保存重构后的JSONL文件
withopen(new_path,'w',encoding='utf-8')asfile:
formessageinmessages:
file.write(json.dumps(message,ensure_ascii=False)+'\n')
defprocess_func(example):
'''
将数据集进行预处理
'''
MAX_LENGTH=384
input_ids,attention_mask,labels=[],[],[]
system_prompt='''你是一个文本实体识别领域的专家，你需要从给定的句子中提取地点;人名;地理实体;组织实体.以json格式输出,如{'entity_text':'南京','entity_label':'地理实体'}注意:1.输出的每一行都必须是正确的json字符串.2.找不到任何实体时,输出'没有找到任何实体'.'''
instruction=tokenizer(
f'<|im_start|>system\n{system_prompt}<|im_end|>\n<|im_start|>user\n{example['input']}<|im_end|>\n<|im_start|>assistant\n',
add_special_tokens=False,
)
response=tokenizer(f'{example['output']}',add_special_tokens=False)
input_ids=instruction['input_ids']+response['input_ids']+[tokenizer.pad_token_id]
attention_mask=(
instruction['attention_mask']+response['attention_mask']+[1]
)
labels=[-100]*len(instruction['input_ids'])+response['input_ids']+[tokenizer.pad_token_id]
iflen(input_ids)>MAX_LENGTH:#做一个截断
input_ids=input_ids[:MAX_LENGTH]
attention_mask=attention_mask[:MAX_LENGTH]
labels=labels[:MAX_LENGTH]
return{'input_ids':input_ids,'attention_mask':attention_mask,'labels':labels}
defpredict(messages,model,tokenizer):
device='cuda'
text=tokenizer.apply_chat_template(
messages,
tokenize=False,
add_generation_prompt=True
)
model_inputs=tokenizer([text],return_tensors='pt').to(device)
generated_ids=model.generate(
model_inputs.input_ids,
max_new_tokens=512
)
generated_ids=[
output_ids[len(input_ids):]forinput_ids,output_idsinzip(model_inputs.input_ids,generated_ids)
]
response=tokenizer.batch_decode(generated_ids,skip_special_tokens=True)[0]
print(response)
returnresponse
model_id='qwen/Qwen2-1.5B-Instruct'
model_dir='./qwen/Qwen2-1___5B-Instruct'
#在modelscope上下载Qwen模型到本地目录下
model_dir=snapshot_download(model_id,cache_dir='./',revision='master')
#Transformers加载模型权重
tokenizer=AutoTokenizer.from_pretrained(model_dir,use_fast=False,trust_remote_code=True)
model=AutoModelForCausalLM.from_pretrained(model_dir,device_map='auto',torch_dtype=torch.bfloat16)
model.enable_input_require_grads()#开启梯度检查点时，要执行该方法
#加载、处理数据集和测试集
train_dataset_path='ccfbdci.jsonl'
train_jsonl_new_path='ccf_train.jsonl'
ifnotos.path.exists(train_jsonl_new_path):
dataset_jsonl_transfer(train_dataset_path,train_jsonl_new_path)
#得到训练集
total_df=pd.read_json(train_jsonl_new_path,lines=True)
train_df=total_df[int(len(total_df)*0.1):]
train_ds=Dataset.from_pandas(train_df)
train_dataset=train_ds.map(process_func,remove_columns=train_ds.column_names)
config=LoraConfig(
task_type=TaskType.CAUSAL_LM,
target_modules=['q_proj','k_proj','v_proj','o_proj','gate_proj','up_proj','down_proj'],
inference_mode=False,#训练模式
r=8,#Lora秩
lora_alpha=32,#Loraalaph，具体作用参见Lora原理
lora_dropout=0.1,#Dropout比例
)
model=get_peft_model(model,config)
args=TrainingArguments(
output_dir='./output/Qwen2-NER',
per_device_train_batch_size=4,
per_device_eval_batch_size=4,
gradient_accumulation_steps=4,
logging_steps=10,
num_train_epochs=2,
save_steps=100,
learning_rate=1e-4,
save_on_each_node=True,
gradient_checkpointing=True,
report_to='none',
)
swanlab_callback=SwanLabCallback(
project='Qwen2-NER-fintune',
experiment_name='Qwen2-1.5B-Instruct',
description='使用通义千问Qwen2-1.5B-Instruct模型在NER数据集上微调，实现关键实体识别任务。',
config={
'model':model_id,
'model_dir':model_dir,
'dataset':'qgyd2021/chinese_ner_sft',
},
)
trainer=Trainer(
model=model,
args=args,
train_dataset=train_dataset,
data_collator=DataCollatorForSeq2Seq(tokenizer=tokenizer,padding=True),
callbacks=[swanlab_callback],
)
trainer.train()
#用测试集的随机20条，测试模型
#得到测试集
test_df=total_df[:int(len(total_df)*0.1)].sample(n=20)
test_text_list=[]
forindex,rowintest_df.iterrows():
instruction=row['instruction']
input_value=row['input']
messages=[
{'role':'system','content':f'{instruction}'},
{'role':'user','content':f'{input_value}'}
]
response=predict(messages,model,tokenizer)
messages.append({'role':'assistant','content':f'{response}'})
result_text=f'{messages[0]}\n\n{messages[1]}\n\n{messages[2]}'
test_text_list.append(swanlab.Text(result_text,caption=response))
swanlab.log({'Prediction':test_text_list})
swanlab.finish()
看到下面的进度条即代表训练开始： 
5.训练结果演示在SwanLab上查看最终的训练结果： 可以看到在2个epoch之后，微调后的qwen2的loss降低到了不错的水平——当然对于大模型来说，真正的效果评估还得看主观效果。 
可以看到在一些测试样例上，微调后的qwen2能够给出准确的实体抽取结果：  
至此，你已经完成了qwen2指令微调的训练！ 6. 推理训练好的模型训好的模型默认被保存在./output/Qwen2-NER文件夹下。 推理模型的代码如下： importtorch
fromtransformersimportAutoModelForCausalLM,AutoTokenizer
frompeftimportPeftModel
defpredict(messages,model,tokenizer):
device='cuda'
text=tokenizer.apply_chat_template(messages,tokenize=False,add_generation_prompt=True)
model_inputs=tokenizer([text],return_tensors='pt').to(device)
generated_ids=model.generate(model_inputs.input_ids,max_new_tokens=512)
generated_ids=[output_ids[len(input_ids):]forinput_ids,output_idsinzip(model_inputs.input_ids,generated_ids)]
response=tokenizer.batch_decode(generated_ids,skip_special_tokens=True)[0]
returnresponse
#加载原下载路径的tokenizer和model
tokenizer=AutoTokenizer.from_pretrained('./qwen/Qwen2-1___5B-Instruct/',use_fast=False,trust_remote_code=True)
model=AutoModelForCausalLM.from_pretrained('./qwen/Qwen2-1___5B-Instruct/',device_map='auto',torch_dtype=torch.bfloat16)
#加载训练好的Lora模型，将下面的[checkpoint-XXX]替换为实际的checkpoint文件名名称
model=PeftModel.from_pretrained(model,model_id='./output/Qwen2-NER/checkpoint-1700')
input_text ='西安电子科技大学的陈志明爱上了隔壁西北工业大学苏春红，他们约定好毕业后去中国的苏州定居。'
test_texts={
'instruction':'''你是一个文本实体识别领域的专家，你需要从给定的句子中提取地点;人名;地理实体;组织实体.以json格式输出,如;{'entity_text':'南京','entity_label':'地理实体'}注意:1.输出的每一行都必须是正确的json字符串.2.找不到任何实体时,输出'没有找到任何实体'.''',
'input':f'文本:{input_text}'
}
instruction=test_texts['instruction']
input_value=test_texts['input']
messages=[
{'role':'system','content':f'{instruction}'},
{'role':'user','content':f'{input_value}'}
]
response=predict(messages,model,tokenizer)
print(response)
输出结果为： {'entity_text':'西安电子科技大学','entity_label':'组织'}
{'entity_text':'陈志明','entity_label':'人名'}
{'entity_text':'西北工业大学','entity_label':'组织'}
{'entity_text':'苏春红','entity_label':'人名'}
{'entity_text':'中国','entity_label':'地理实体'}
{'entity_text':'苏州','entity_label':'地理实体'}
|
