LLaMA-Factory学习笔记(1)——采用LORA对大模型进行SFT并采用vLLM部署的全流程

该博客是我根据自己学习过程中的思考与总结来写作的，由于初次学习，可能会有错误或者不足的地方，望批评与指正。

1. 安装

1.1 LLaMA-Factory安装

安装可以参考官方 readme （https://github.com/hiyouga/LLaMA-Factory/blob/main/README_zh.md）

懒得跳转网页的也可以直接复制下面的内容：

git clone https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
pip install -e .

1.2 下载LLM

从huggingface或者镜像源（https://hf-mirror.com/）下载想要微调的模型。

PS：可以不用下载到本地，不过因为我们服务器不允许挂梯子，而且担心网络不稳定，所以我都是下载到本地的。

2. 准备训练数据

这应该是用LLaMA-Factory微调整个大模型中为数不多的需要写代码的部分。数据集的说明请参考：https://github.com/hiyouga/LLaMA-Factory/blob/main/data/README_zh.md。

由于我们是采用SFT的方式来构建数据集，所以简单点可以直接看https://github.com/hiyouga/LLaMA-Factory/blob/main/data/alpaca_zh_demo.json 这个json文件的格式，将数据集构建为上述json格式即可，即：

[{"instruction": "人类指令（必填）","input": "人类输入（选填）","output": "模型回答（必填）","system": "系统提示词（选填）","history": [["第一轮指令（选填）", "第一轮回答（选填）"],["第二轮指令（选填）", "第二轮回答（选填）"]]}
]

数据为一个列表，列表中每个元素为一个字典。如果是单轮对话则无需 history。

当数据集构建完成后，可以放在data/路径下，也可以放在其他位置。

3. 配置dataset_info.json文件

将数据集构建完成后，需要在data/目录下找到dataset_info.json文件，并在这个文件中配置数据集的信息（个人觉得这一步类似于django中的注册url）。

假设构建的数据集名字为input_data.json，那么在dataset_info.json需要加如下的字典：

'数据集名称': {"file_name": "input_data.json","columns": {"prompt": "instruction","query": "input","response": "output"}},

这里数据集名称可以自行定义，只需要在后续写yaml文件时把这个名称写进去就行。这里的file_name要与数据集的名称相同，如果文件放在了data/路径下，只需要数据集名称就行，而如果文件没有放在该路径下，则需要在这里指定路径。

4. 微调模型

微调模型可以选用启动网页服务来进行微调，执行以下命令启动网页服务：

llamafactory-cli webui

当然我更喜欢用配置文件的方式来微调模型。新建一个 yaml 文件，假设名为train_qwen_lora_sft.yaml，可以在该文件中定义具体的训练设置。当然很多朋友不知道有哪些参数需要设置，可以查看github中的demo进行配置（https://github.com/hiyouga/LLaMA-Factory/blob/main/examples/train_lora/llama3_lora_sft.yaml），具体而言：

### model
model_name_or_path: Qwen2-1.5B-Instruct### method
stage: sft
do_train: true
finetuning_type: lora
lora_target: all### dataset
dataset: input_data
template: qwen
cutoff_len: 1024
max_samples: 1000
overwrite_cache: true
preprocessing_num_workers: 16### output
output_dir: saves/llama3-8b/lora/sft
logging_steps: 10
save_steps: 500
plot_loss: true
overwrite_output_dir: true### train
per_device_train_batch_size: 1
gradient_accumulation_steps: 8
learning_rate: 1.0e-4
num_train_epochs: 3.0
lr_scheduler_type: cosine
warmup_ratio: 0.1
bf16: true
ddp_timeout: 180000000### eval
val_size: 0.1
per_device_eval_batch_size: 1
eval_strategy: steps
eval_steps: 500

这里要注意的有几个参数：

• model_name_or_path: 这个是需要微调的模型，如果下载到了本地，则指定本地路径；如果没有下载到本地，就在huggingface上找路径。
• dataset：这个是数据集的名称，即在第三步中配置的数据集名称。这里支持多个数据集进行微调，如果要设置多个数据集，那么用逗号隔开，即数据集名称1,数据集名称2。
• template: 用的什么模型就用什么模板，比如用的通义千问就设置qwen。template的名字可以参考https://zhuanlan.zhihu.com/p/689333581。
• output_dir：这里是输出的文件路径，需要注意的是，由于采用的是LORA进行微调，所以这里输出的文件是LORA的参数，在实际部署的时候最好将LORA参数和原模型参数进行合并。具体合并的方式下一步会讲。
• num_samples：如果想用数据集中所有数据进行训练，这个值可以设置的很大，比如999999，否则这个值如果小于数据集大小的话只会选择部分数据进行训练。
• learning_rate：不只是learning_rate，所有的数字都可能会面临一个问题，即如果采用科学计数法（如1e-6），会报错，详见：https://blog.csdn.net/qq_35357274/article/details/143615453，解决方式就是用1.0e-6或者0.000001。
• eval：如果不需要验证这一坨其实可以不需要的。

微调的时候有可能显卡被人占用了，需要指定在哪几张卡上进行微调，所以用如下的命令进行微调：

CUDA_VISIBLE_DEVICES=0 llamafactory-cli train yaml路径

微调完成后，在output_dir路径下会有个文件夹，即LORA的参数文件，接着需要合并文件。

5. 合并文件

合并文件的yaml文件（注意不是训练的yaml文件，需要新建一个，我最开始以为两个是一个文件）可以参考https://github.com/hiyouga/LLaMA-Factory/blob/main/examples/merge_lora/qwen2vl_lora_sft.yaml，具体而言：

### Note: DO NOT use quantized model or quantization_bit when merging lora adapters### model
model_name_or_path: Qwen/Qwen2-VL-7B-Instruct
adapter_name_or_path: saves/qwen2_vl-7b/lora/sft
template: qwen2_vl
finetuning_type: lora### export
export_dir: models/qwen2_vl_lora_sft
export_size: 2
export_device: cpu
export_legacy_format: false

• model_name_or_path：如上面一样是原始模型的路径。
• adapter_name_or_path：LORA的参数位置，即第四步中output_dir的路径。
• export_dir：合并后的文件路径。
• export_size：单个文件的最大大小（GB）。

运行命令：

llamafactory-cli export yaml路径

6. 部署

我这里选用的vLLM作为部署框架，有两种部署方式。如果是自己做实验的话可以离线部署，如果是上线的话建议用在线部署。

6.1 离线部署

离线部署即自己写个类或者方法，调用微调后的模型，代码如下：

import os
import torch
os.environ["CUDA_VISIBLE_DEVICES"] = "2"
from vllm import LLM, SamplingParamsclass Detect:def __init__(self, model_path, temperature=0.8, top_p=0.95):""":param model_path: str:param temperature: float取值范围: [0, +∞]- 当 temperature 设为 0 时，模型总是选择具有最高概率的单词，这会导致生成的结果非常确定性，缺乏随机变化。- 当 temperature 接近 1 时，模型的选择更加随机，这可以增加生成文本的多样性。- 高于 1 的值可能会导致生成的文本更加随机，有时可能失去连贯性- 注: 如果生成的内容太多就调低这个值:param top_p: float取值范围: (0, 1]- top_p 参数表示从候选词汇中选取累积概率总和达到或超过 p 的词汇集合，然后从中随机选取下一个词汇。这种方式可以减少 temperature 为高值时可能出现的无意义输出。- 当 top_p 设置为接近 1 的值时，几乎所有的候选词汇都会被考虑，这类似于 temperature 接近 1 的情况。- 当 top_p 设置为较低值时，只有最有可能出现的几个词汇会被选中，这样可以减少输出的不确定性。- 注: 如果生成的内容太多就调低这个值"""if not isinstance(temperature, (int, float)) or not isinstance(top_p, (int, float)):raise ValueError('变量 "temperature" 和 "top_p" 必须为整型或浮点数')if temperature < 0:raise ValueError('变量 "temperature" 的取值范围为[0, +∞]')if top_p <= 0 or top_p > 1:raise ValueError('变量 "top_p" 的取值范围为(0, 1]')self.template = 'hi'self.llm = LLM(model=model_path, dtype=torch.bfloat16)self.tokenizer = self.llm.get_tokenizer()self.sampling_params = SamplingParams(temperature=temperature, top_p=top_p)def detect(self, input_texts):prompts = []for input_text in input_texts:prompt = [{'role': 'system', 'content': self.template},{'role': 'user', 'content': input_text + '\n输出：'}]prompts.append(prompt)prompts = self.tokenizer.apply_chat_template(prompts, add_generation_prompt=True, tokenize=False)outputs = self.llm.generate(prompts, self.sampling_params)return [output.outputs[0].text for output in outputs]

这里model_path即微调后的模型路径。还需注意的是，如果服务器足够垃圾，有可能self.llm = LLM(model=model_path, dtype=torch.bfloat16)会报错，因为老的服务器有可能不支持bfloat16，改为float16就行。

离线的代码如果部署到线上，在多线程调用的情况下，很有可能会触发cuda显存不够的错误，所以部署项目的时候通常采用在线部署的方式。

6.2 在线部署

与离线部署不同，采用在线部署首先需要启动服务。

CUDA_VISIBLE_DEVICES=2 python3 -m vllm.entrypoints.openai.api_server --model model_path --served-model-name qwen --trust-remote-code --host 0.0.0.0 --port 8080 --dtype bfloat16

这里model_path是微调后的模型路径；host是主机，默认为localhost，如果项目是在容器内的话，这里需要自行设置IP地址；port是端口号，默认为8000。

当启动服务后，会有这么一个提示信息：

这个IP地址即服务的地址，就可以采用访问http的形式来调用模型。

有的人会使用curl http的形式来调用接口，我选用的是采用python脚本实现，具体代码如下：

from openai import OpenAIdef detect(input_texts, template, port='http://localhost:8000/v1', temperature=0.8, top_p=0.95):""":param input_texts: list输入文本:param template: str提示模板:param port: str端口号:param temperature: float取值范围: [0, +∞]- 当 temperature 设为 0 时，模型总是选择具有最高概率的单词，这会导致生成的结果非常确定性，缺乏随机变化。- 当 temperature 接近 1 时，模型的选择更加随机，这可以增加生成文本的多样性。- 高于 1 的值可能会导致生成的文本更加随机，有时可能失去连贯性- 注: 如果生成的内容太多就调低这个值:param top_p: float取值范围: (0, 1]- top_p 参数表示从候选词汇中选取累积概率总和达到或超过 p 的词汇集合，然后从中随机选取下一个词汇。这种方式可以减少 temperature 为高值时可能出现的无意义输出。- 当 top_p 设置为接近 1 的值时，几乎所有的候选词汇都会被考虑，这类似于 temperature 接近 1 的情况。- 当 top_p 设置为较低值时，只有最有可能出现的几个词汇会被选中，这样可以减少输出的不确定性。- 注: 如果生成的内容太多就调低这个值:return:"""if not isinstance(temperature, (int, float)) or not isinstance(top_p, (int, float)):raise ValueError('变量 "temperature" 和 "top_p" 必须为整型或浮点数')if temperature < 0:raise ValueError('变量 "temperature" 的取值范围为[0, +∞]')if top_p <= 0 or top_p > 1:raise ValueError('变量 "top_p" 的取值范围为(0, 1]')openai_api_key = "EMPTY"openai_api_base = portclient = OpenAI(api_key=openai_api_key,base_url=openai_api_base,)outputs = []for input_text in input_texts:chat_response = client.chat.completions.create(model="qwen",messages=[{"role": "system", "content": template},{"role": "user", "content": input_text},],temperature=temperature,top_p=top_p,)outputs.append(chat_response.choices[0].message.content)return outputs

这个代码里面port即上面控制台信息中返回的IP地址，传入即可。

7. 参考

[1] https://github.com/hiyouga/LLaMA-Factory/tree/main
[2] llama-factory SFT系列教程 (二)，大模型在自定义数据集 lora 训练与部署
[3] VLLM 把模型部署成 openai API server 形式
[4] https://huggingface.co/Qwen/Qwen2.5-1.5B-Instruct
[5] https://github.com/echonoshy/cgft-llm/blob/master/llama-factory/README.md