LLM 這兩周不斷帶給我們震撼與驚喜。GPT-4 的發布讓大家對 LLM 的想象空間進一步擴大，而這些想象在本周眼花繚亂的 LLM 應用發布中逐漸成為現實，下面分享一位朋友訓練ChatGPT的完整方案，供大家參考~

LLM 相關的開源社區這兩周涌現了很多優秀的工作，吸引了很多人的關注。其中，我比較關注的是 Stanford 基于 LLaMA 的 Alpaca 和隨后出現的 LoRA 版本 Alpaca-LoRA。原因很簡單，便宜 。

Alpaca 宣稱只需要 600$ 不到的成本（包括創建數據集），便可以讓 LLaMA 7B 達到近似 text-davinci-003 的效果。而 Alpaca-LoRA 則在此基礎上，讓我們能夠以一塊消費級顯卡，在幾小時內完成 7B 模型的 fine-turning。

下面是開源社區成員分享的可以跑通的硬件規格及所需時間：

根據大家分享的信息，fine-tune 7B 模型僅需要 8-10 GB vram。因此我們很有可能可以在 Google Colab 上完成你所需要的 fine-tune！

那么，說干就干！

為什么要訓練自己的 ChatGPT ？

我想到了以下的方面：

• 對我個人而言，這非常非常 cooooool !
• 讓模型能夠講我熟悉的語言
• 讓模型替我寫注釋和測試代碼
• 讓模型學習產品文檔，幫我回答用戶提出的小白問題
• ...

計劃

那么，為了訓練自己的 Chat我們需要做那些事兒呢? 理論上需要如下步驟：

第一步：準備數據集

fine-tune 的目標通常有兩種：

• 像 Alpaca 一樣，收集 input/output 生成 prompt 用于訓練，讓模型完成特定任務
• 語言填充，收集文本用于訓練，讓模型補全 prompt。

以第一種目標為例，假設我們的目標是讓模型講中文，那么，我們可以通過其他 LLM （如 text-davinci-003）把一個現有數據集（如 Alpaca）翻譯為中文來做 fine-tune。實際上這個想法已經在開源社區已經有人實現了。

第二步：訓練并 apply LoRA

在第一步準備的數據集上進行 fine-tune。

第三步：合并模型（可選）

合并 LoRA 與 base 可以加速推理，并幫助我們后續 Quantization 模型。

第四步：quantization（可選）

最后，Quantization 可以幫助我們加速模型推理，并減少推理所需內存。這方面也有開源的工具可以直接使用。

https://github.com/megvii-research/Sparsebit/blob/main/large_language_models/llama/quantization/README.md

基于 Spring Boot + MyBatis Plus + Vue & Element 實現的后臺管理系統 + 用戶小程序，支持 RBAC 動態權限、多租戶、數據權限、工作流、三方登錄、支付、短信、商城等功能

• 項目地址：https://github.com/YunaiV/ruoyi-vue-pro
• 視頻教程：https://doc.iocoder.cn/video/

實踐

柿子挑軟的捏，我們從簡單的目標開始：讓模型講中文。

為了達成這個目標，我使用的數據集是 Luotuo 作者翻譯的 Alpaca 數據集，訓練代碼主要來自 Alpaca-LoRA。

準備

由于我打算直接使用 Alpaca-LoRA 的代碼，我們先 clone Alpaca-LoRA：

gitclonegit@github.com:tloen/alpaca-lora.git

下載數據集：

wgethttps://github.com/LC1332/Chinese-alpaca-lora/blob/main/data/trans_chinese_alpaca_data.json

創建虛擬環境并安裝依賴（需要根據不同環境的 cuda 版本調整）：

condacreate-nalpacapython=3.9
condaactivatealpaca
cdalpaca-lora
pipinstall-rrequirements.txt

訓練

單卡選手很簡單，可以直接執行：

pythonfinetune.py
--base_model'decapoda-research/llama-7b-hf'
--data_path'/path/to/trans_chinese_alpaca_data.json'
--output_dir'./lora-alpaca-zh'

雙卡選手相對比較麻煩，需要執行：

WORLD_SIZE=2CUDA_VISIBLE_DEVICES=0,1torchrun
--nproc_per_node=2
--master_port=1234
finetune.py
--base_model'decapoda-research/llama-7b-hf'
--data_path'/path/to/trans_chinese_alpaca_data.json'
--output_dir'./lora-alpaca-zh'

在我的環境下（2 * RTX 3090 Ti 24GB），需要額外配置 micro_batch_size 避免 OOM。

--micro_batch_size2

推薦的其他額外參數：

--num_epochs2

訓練的過程比較穩定，我在訓練過程中一直在用 nvitop 查看顯存和顯卡的用量：

下面是我訓練時模型收斂的情況，可以看到差不多 2 epochs 模型就收斂的差不多了：

推理

單卡選手可以直接執行：

pythongenerate.py--base_model"decapoda-research/llama-7b-hf"
--lora_weights'./lora-alpaca-zh'
--load_8bit

雙卡選手還是會麻煩點，由于現在還不支持雙卡推理，我手動修改了 generate.py，添加了第 47 行：

而后，執行上面的命令即可。

如果你的推理運行在服務器上，想要通過其他終端訪問，可以給 launch 方法添加參數：

server_name="0.0.0.0"

此時打開瀏覽器，享受你的工作成果吧 :D

加速推理

Alpaca-LoRA 提供了一些腳本，如 export_hf_checkpoint.py 來合并模型。合并后的模型可以通過 llamap.cpp 等項目達到更好的推理性能。

測試

最后，讓我們對比下原生 Alpaca 與自己 fine-tune 的 Alpaca，看看 fine-tune 到底有沒有讓模型學會講中文吧！

Good Examples

Bad Examples

可以看出模型確實在講中文，也能依據中文的指令和輸入完成一些工作。但是由于 LLaMA 本身訓練數據大部分為英文以及 Alpaca 數據集翻譯后的質量不足，我們的模型有些時候效果不如原生 Alpaca。此時不得不感嘆高質量數據對 LLM 的重要性 。

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 實現的后臺管理系統 + 用戶小程序，支持 RBAC 動態權限、多租戶、數據權限、工作流、三方登錄、支付、短信、商城等功能

• 項目地址：https://github.com/YunaiV/yudao-cloud
• 視頻教程：https://doc.iocoder.cn/video/

總結

作為一個分布式系統方向的工程師，fine-tune 一個 LLM 的過程遇到了不少問題，也有很多樂趣。雖然 LLaMA 7B 展現出的能力還比較有限，我還是很期待后面開源社區進一步的工作。

后續我也打算嘗試 fine-tune 特定目的的 LLM，比如讓 LLM 教我做飯，感興趣的朋友可以保持關注！