如何使用 Hugging Face 微调大语言模型（LLMs）
大语言模型（LLMs）在过去一年取得了显著进步。从 ChatGPT 爆发以来，陆续发展了众多开源大模型，如 Meta AI 的 Llama 2、Mistral & Mixtral 模型，TII Falcon 等。这些 LLMs 能够胜任多种任务，包括聊天机器人、问答和自动摘要，而且无需进行额外的训练。但是，如果你想为你的应用定制模型，可能需要在你的数据集上对模型进行微调，以获得比直接使用或训练更小型模型更高质量的结果。
本文将介绍如何使用 Hugging Face 的 TRL、Transformers 框架和数据集来微调开放的大语言模型。我们将按照以下步骤进行：
- 明确我们的使用场景
- 设置开发环境
- 创建和准备数据集
- 使用 trl 和 SFTTrainer 微调 LLM
- 测试和评估 LLM
- 将 LLM 部署到生产环境
注意：本文是为了在消费者级别的 GPU（24GB）上运行而编写的，例如 NVIDIA A10G 或 RTX 4090/3090，但也可以轻松地适应在更大的 GPU 上运行。
一、定义我们的使用场景
微调 LLM 时，了解你的使用场景和要解决的问题至关重要。这将帮助你选择合适的模型，或者帮助你创建一个数据集来微调你的模型。如果你还没有定义你的使用场景，你可能需要重新思考。并非所有的使用场景都需要微调，建议在微调你自己的模型之前，先评估和尝试已经微调过的模型或基于 API 的模型。
例如，我们将使用以下使用场景：
我们想要微调一个模型，它可以基于自然语言指令生成 SQL 查询，然后可以集成到我们的 BI 工具中。目标是减少创建 SQL 查询所需的时间，并使非技术用户更容易创建 SQL 查询。
将自然语言转换为 SQL 查询是一个很好的微调 LLM 的使用场景，因为它是一个复杂的任务，需要对数据和 SQL 语言有深入的理解。通过微调，模型可以学习特定数据库的 Schema 结构，从而生成更准确的查询语句。
二、设置开发环境
首先，我们需要安装 Hugging Face 的库，包括 trl、transformers 和 datasets，以及 Pytorch。trl 是一个新库，建立在 transformers 和 datasets 之上，它简化了微调大语言模型的过程，包括 rlhf（强化学习从人类反馈中学习）和对齐开放 LLM。如果你对 trl 还不太熟悉，不用担心，它是一个新工具，旨在让微调过程更加便捷。
# 安装 Pytorch 和其他库
pip install "torch==2.1.2" tensorboard
# 安装 Hugging Face 库
pip install --upgrade \
"transformers==4.36.2" \
"datasets==2.16.1" \
"accelerate==0.26.1" \
"evaluate==0.4.1" \
"bitsandbytes==0.42.0"
# 从 github 安装 peft & trl (确保获取最新版本)
pip install git+https://github.com/huggingface/trl@a3c5b7178ac4f65569975efadc97db2f3749c65e --upgrade
pip install git+https://github.com/huggingface/peft@4a1559582281fc3c9283892caea8ccef1d6f5a4f --upgrade
如果你的 GPU 采用的是 Ampere 架构（如 NVIDIA A10G 或 RTX 4090/3090）或更新版本，你可以利用 Flash Attention 技术。Flash Attention 通过优化注意力机制的计算过程，并采用一些经典技术（如分块和重新计算）来显著提高计算速度，并降低内存消耗。简而言之，这项技术可以将训练速度提升至原来的三倍。想要了解更多详情，可以访问 FlashAttention 的官方页面。
注意：如果你的计算机内存不足 96GB 且拥有大量 CPU 核心，你可能需要调整 MAX_JOBS 的数值。在我们的测试中，使用的是 g5.2xlarge 实例，设置了 4 个作业。
import torch
assert torch.cuda.get_device_capability()[0] >= 8, 'Hardware not supported for Flash Attention'
# install flash-attn
pip install ninja packaging
MAX_JOBS=4 pip install flash-attn --no-build-isolation
安装 Flash Attention 可能需要一段时间（大约 10 到 45 分钟）。
我们将利用 Hugging Face Hub 作为一个远程模型版本控制服务。这意味着在训练过程中，我们的模型、日志和相关信息将自动上传到 Hugging Face Hub。为了使用这项服务，你需要在 Hugging Face 上注册一个账户。注册完成后，我们会使用 huggingface_hub 包中的登录工具来登录你的账户，并在本地磁盘上保存你的访问令牌。
from huggingface_hub import login
login(
token="", # 在此处添加您的 token
add_to_git_credential=True
)
三、创建和准备数据集
一旦您确定微调是正确的解决方案，我们需要准备一个数据集来训练我们的模型。这个数据集应该是多样化的任务示范，展示了你想要解决的问题。创建数据集的方法有很多，比如：
- 利用现有的开源数据集，如 Spider
- 利用大语言模型生成合成数据集，如 Alpaca
- 雇佣人类来创建数据集，如 Dolly
- 结合以上方法，如 Orca
每种方法都有其自身的优势和劣势，并取决于预算、时间和质量要求。例如，使用现有数据集是最简单的，但可能不针对你的特定使用场景，而人工创建数据集虽然准确度高，但成本和时间消耗也大。也可以将几种方法结合起来创建指令数据集，如 Orca: Progressive Learning from Complex Explanation Traces of GPT-4 所示。
在我们的示例中，我们将使用一个名为 sql-create-context 的现有数据集，它包含了自然语言指令、数据库模式定义以及相应的 SQL 查询样本。
随着 trl 的最新版本发布，我们现在支持流行的指令和对话数据集格式。这意味着我们只需将数据集转换为支持的格式之一，trl 就会自动处理后续步骤。支持的格式包括：
- 对话格式
{"messages": [{"role": "system", "content": "You are..."}, {"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}]} - 指令格式
{"prompt": "<prompt text>", "completion": "<ideal generated text>"}
我们将使用 Hugging Face 的 Datasets 库来加载我们的开源数据集，并将其转换为对话格式。在这种格式中，我们将在系统消息中包含数据库模式定义，作为我们助手的信息。然后，我们将数据集保存为 jsonl 文件，这样就可以用于微调我们的模型。我们对数据集进行了随机下采样，只保留了 10,000 个样本。
注意：如果你已经有了一个数据集，比如通过与 OpenAI 合作获得的，你可以跳过这一步，直接进行微调。
from datasets import load_dataset
# 将数据集转换为 OAI 消息
system_message = """您是 SQL 查询翻译的文本。用户将用英语向您提问，您将根据提供的 SCHEMA 生成 SQL 查询。
SCHEMA:
{schema}"""
def create_conversation(sample):
return {
"messages": [
{"role": "system", "content": system_message.format(schema=sample["context"])},
{"role": "user", "content": sample["question"]},
{"role": "assistant", "content": sample["answer"]}
]
}
# 从 hub 加载数据集
dataset = load_dataset("b-mc2/sql-create-context", split="train")
dataset = dataset.shuffle().select(range(12500))
# 将数据集转换为 OAI 消息
dataset = dataset.map(create_conversation, remove_columns=dataset.features, batched=False)
# 将数据集拆分为 10000 个训练样本和 2500 个测试样本
dataset = dataset.train_test_split(test_size=2500/12500)
print(dataset["train"][345]["messages"])
# 将数据集保存到磁盘
dataset["train"].to_json("train_dataset.json", orient="records")
dataset["test"].to_json("test_dataset.json", orient="records")
四、使用 trl 和 SFTTrainer 微调大语言模型
现在，我们准备开始微调我们的模型。我们将使用 trl 中的 SFTTrainer 来微调我们的模型。它简化了对开放的大语言模型进行监督式微调的过程。SFTTrainer 是 transformers 库中 Trainer 的一个衍生类，它继承了所有核心功能，如日志记录、评估和模型检查点，并增加了一些实用功能，例如：
- 数据集格式转换，支持对话和指令格式
- 仅在数据集完成时进行训练，忽略掉提示信息
- 数据集打包，以提高训练效率
- 参数高效微调（PEFT）支持，包括 Q-LoRA 技术
- 为对话微调准备模型和标记器（例如添加特殊标记）
在我们的示例中，我们将利用数据集格式转换、数据集打包和参数高效微调（PEFT）功能。我们将采用 QLoRA 技术，这是一种通过量化来减少大型语言模型在微调过程中的内存占用，同时保持模型性能的方法。
🚀 首先，我们将从磁盘加载我们的 json 格式数据集。
from datasets import load_dataset
# 从磁盘加载 jsonl 数据
dataset = load_dataset("json", data_files="train_dataset.json", split="train")
接下来，我们将加载我们的大语言模型。在我们的应用场景中，我们选择了 CodeLlama 7B，这是一个专门为代码合成和理解训练的大语言模型。如果你有其他偏好，比如 Mistral、Mixtral 模型，或者 TII Falcon，只需调整我们的 model_id 即可轻松切换。我们将使用 bitsandbytes 工具将模型量化为 4 位，以减少内存需求。
请注意，模型的规模越大，它所需的内存就越多。在我们的示例中，我们使用的是 7B 版本的模型，它可以在 24GB 内存的 GPU 上进行微调。如果你的 GPU 内存较小，可能需要考虑使用更小的模型。
正确地为训练聊天/对话模型准备模型和标记器是至关重要的。我们需要向标记器和模型添加新的特殊标记，以教他们对话中的不同角色。在 trl 中，我们有一个方便的方法，使用 setup_chat_format，它向标记器添加特殊标记，例如 <|im_start|> 和 <|im_end|>，以表示对话的开始和结束。调整模型嵌入层的大小以适应新的标记。设置标记器的 chat_template，它用于将输入数据格式化为类似于聊天的格式。默认是来自 OpenAI 的 chatml。
import torch
from transformers import AutoTokenizer, AutoModelForCausalLM, BitsAndBytesConfig
from trl import setup_chat_format
# Hugging Face model id
model_id = "codellama/CodeLlama-7b-hf" # or `mistralai/Mistral-7B-v0.1`
# BitsAndBytesConfig int-4 config
bnb_config = BitsAndBytesConfig(
load_in_4bit=True, bnb_4bit_use_double_quant=True, bnb_4bit_quant_type="nf4", bnb_4bit_compute_dtype=torch.bfloat16
)
# Load model and tokenizer
model = AutoModelForCausalLM.from_pretrained(
model_id,
device_map="auto",
attn_implementation="flash_attention_2",
torch_dtype=torch.bfloat16,
quantization_config=bnb_config
)
tokenizer = AutoTokenizer.from_pretrained(model_id)
tokenizer.padding_side = 'right' # 以防止警告
# 将聊天模板设置为 OAI chatML，如果您从微调模型开始，请删除
model, tokenizer = setup_chat_format(model, tokenizer)
SFTTrainer 与 peft 的集成使得使用 QLoRA 高效调优 LLM 变得非常简单。我们只需要创建我们的 LoraConfig 并将其提供给训练器。我们的 LoraConfig 参数是根据 QLoRA 论文定义的。
from peft import LoraConfig
# 基于 QLoRA 论文和 Sebastian Raschka 实验的 LoRA 配置
peft_config = LoraConfig(
lora_alpha=128,
lora_dropout=0.05,
r=256,
bias="none",
target_modules="all-linear",
task_type="CAUSAL_LM",
)
在开始训练之前，我们需要定义我们想要使用的超参数（TrainingArguments）。
from transformers import TrainingArguments
args = TrainingArguments(
output_dir="code-llama-7b-text-to-sql", # 要保存的目录和存储库 ID
num_train_epochs=3, # 训练周期数
per_device_train_batch_size=3, # 训练期间每个设备的批量大小
gradient_accumulation_steps=2, # 反向/更新前的步骤数
gradient_checkpointing=True, # 使用渐变检查点来节省内存
optim="adamw_torch_fused", # 使用融合的 adamw 优化器
logging_steps=10, # 每 10 步记录一次
save_strategy="epoch", # 每个 epoch 保存检查点
learning_rate=2e-4, # 学习率，基于 QLoRA 论文
bf16=True, # 使用 bfloat16 精度
tf32=True, # 使用 tf32 精度
max_grad_norm=0.3, # 基于 QLoRA 论文的最大梯度范数
warmup_ratio=0.03, # 根据 QLoRA 论文的预热比例
lr_scheduler_type="constant", # 使用恒定学习率调度器
push_to_hub=True, # 将模型推送到 Hub
report_to="tensorboard", # 将指标报告到 Tensorboard
)
现在，我们已经具备了创建 SFTTrainer 并启动模型训练的所有要素。
from trl import SFTTrainer
max_seq_length = 3072 # 数据集模型和打包的最大序列长度
trainer = SFTTrainer(
model=model,
args=args,
train_dataset=dataset,
peft_config=peft_config,
max_seq_length=max_seq_length,
tokenizer=tokenizer,
packing=True,
dataset_kwargs={
"add_special_tokens": False, # 我们使用特殊 tokens
"append_concat_token": False, # 不需要添加额外的分隔符 token
}
)
我们可以通过调用 Trainer 实例的 train() 方法来启动模型训练。这将启动一个训练循环，持续 3 个周期。由于我们采用的是参数高效微调方法，我们只会保存经过调整的模型权重，而不是整个模型。
# 开始训练，模型会自动保存到 hub 和输出目录
trainer.train()
# 保存模型
trainer.save_model()
使用 Flash Attention 进行 3 个周期的训练，在一个包含 10k 个样本的数据集上，在一台 g5.2xlarge 上花费了 01:29:58 的时间。实例成本为 $1,212/h，这使得总成本仅为 $1.8。这展示了微调技术的成本效益。
# 再次释放内存
del model
del trainer
torch.cuda.empty_cache()
可选步骤：将 LoRA 适配器合并到原始模型中
在使用 QLoRA 时，我们只训练适配器，而不是整个模型。这意味着在训练过程中保存模型时，我们只保存适配器的权重。如果你希望保存整个模型，以便更容易地与文本生成推理一起使用，你可以使用 merge_and_unload 方法将适配器权重合并到模型权重中，然后使用 save_pretrained 方法保存模型。这将保存一个默认模型，可用于推理。
注意：这个过程可能需要超过 30GB 的 CPU 内存。
#### COMMENT IN TO MERGE PEFT AND BASE MODEL ####
# from peft import PeftModel, PeftConfig
# from transformers import AutoModelForCausalLM, AutoTokenizer
# from peft import AutoPeftModelForCausalLM
# # Load PEFT model on CPU
# config = PeftConfig.from_pretrained(args.output_dir)
# model = AutoModelForCausalLM.from_pretrained(config.base_model_name_or_path, low_cpu_mem_usage=True)
# tokenizer = AutoTokenizer.from_pretrained(args.output_dir)
# model.resize_token_embeddings(len(tokenizer))
# model = PeftModel.from_pretrained(model, args.output_dir)
# model = AutoPeftModelForCausalLM.from_pretrained(
# args.output_dir,
# torch_dtype=torch.float16,
# low_cpu_mem_usage=True,
# )
# # Merge LoRA and base model and save
# merged_model = model.merge_and_unload()
# merged_model.save_pretrained(args.output_dir, safe_serialization=True, max_shard_size="2GB")
五、测试和评估大语言模型
训练完成后，我们需要对模型进行评估和测试。我们将从原始数据集中选取不同的样本，并通过一个简单的循环和准确率作为衡量标准来评估模型的表现。
注意：评估生成式 AI（Generative AI）模型并不容易，因为一个输入可能有多种正确的输出。对于 SQL 生成任务，语义等价性比字符串完全匹配更重要，但在本教程中，我们先使用精确匹配作为基准。
import torch
from peft import AutoPeftModelForCausalLM
from transformers import AutoTokenizer, pipeline
peft_model_id = "./code-llama-7b-text-to-sql"
# peft_model_id = args.output_dir
# Load Model with PEFT adapter
model = AutoPeftModelForCausalLM.from_pretrained(
peft_model_id,
device_map="auto",
torch_dtype=torch.float16
)
# load into pipeline
pipe = pipeline("text-generation", model=model, tokenizer=tokenizer)
让我们加载测试数据集，尝试生成一个指令。
from datasets import load_dataset
from random import randint
# 加载我们的测试数据集
eval_dataset = load_dataset("json", data_files="test_dataset.json", split="train")
rand_idx = randint(0, len(eval_dataset))
# 样品测试
prompt = pipe.tokenizer.apply_chat_template(eval_dataset[rand_idx]["messages"][:2], tokenize=False, add_generation_prompt=True)
outputs = pipe(prompt, max_new_tokens=256, do_sample=False, temperature=0.1, top_k=50, top_p=0.1, eos_token_id=pipe.tokenizer.eos_token_id, pad_token_id=pipe.tokenizer.pad_token_id)
print(f"Query:\n{eval_dataset[rand_idx]['messages'][1]['content']}")
print(f"Original Answer:\n{eval_dataset[rand_idx]['messages'][2]['content']}")
print(f"Generated Answer:\n{outputs[0]['generated_text'][len(prompt):].strip()}")
我们的模型成功根据自然语言指令生成了 SQL 查询。现在，让我们对测试数据集中的 2,500 个样本进行全面评估。正如之前提到的，评估生成模型的准确性并非易事。在我们的实验中，我们以生成的 SQL 查询与真实 SQL 查询的匹配度作为评估标准。另一种更精确的方法是自动执行这些 SQL 查询，并将结果与真实数据进行对比，但这需要更多的准备工作。
from tqdm import tqdm
def evaluate(sample):
prompt = pipe.tokenizer.apply_chat_template(sample["messages"][:2], tokenize=False, add_generation_prompt=True)
outputs = pipe(prompt, max_new_tokens=256, do_sample=True, temperature=0.7, top_k=50, top_p=0.95, eos_token_id=pipe.tokenizer.eos_token_id, pad_token_id=pipe.tokenizer.pad_token_id)
predicted_answer = outputs[0]['generated_text'][len(prompt):].strip()
if predicted_answer == sample["messages"][2]["content"]:
return 1
else:
return 0
success_rate = []
number_of_eval_samples = 1000
# 迭代 eval 数据集并预测
for s in tqdm(eval_dataset.shuffle().select(range(number_of_eval_samples))):
success_rate.append(evaluate(s))
# 计算精度
accuracy = sum(success_rate)/len(success_rate)
print(f"Accuracy: {accuracy*100:.2f}%")
我们在评估数据集的 1000 个样本上进行了测试，准确率达到了 79.50%，整个过程大约花费了 25 分钟。这个结果相当不错，但我们需要谨慎对待这个指标。如果能在真实数据库上运行这些查询并比较结果，那将是一个更可靠的评估方法。由于相同的指令可能对应多种正确的 SQL 查询，我们还可以通过少样本学习、RAG（Retrieval-Augmented Generation）和自我修复等技术来进一步提升模型的性能。
六、将大语言模型部署到生产环境
现在，你可以将你的大语言模型部署到生产环境中。为了在生产环境中部署开放的大语言模型，我们推荐使用文本生成推理（Text Generation Inference，TGI）。TGI 是一个专门为部署和提供大型语言模型（LLMs）而设计的高性能解决方案。它通过张量并行技术和连续批处理，支持包括 Llama、Mistral、Mixtral、StarCoder、T5 等在内的多种流行开放大语言模型。IBM、Grammarly、Uber、Deutsche Telekom 等公司都在使用文本生成推理。你可以通过多种方式部署你的模型，例如：
- 使用 Hugging Face 提供的推理端点
- 自主搭建（DIY）
如果你已经安装了 Docker，你可以使用以下命令来启动推理服务器。
注意：确保你的 GPU 内存足够运行容器。在笔记本中，你可能需要重启内核来释放所有已分配的 GPU 内存。
%%bash
# model=$PWD/{args.output_dir} # path to model
model=$(pwd)/code-llama-7b-text-to-sql # path to model
num_shard=1 # number of shards
max_input_length=1024 # max input length
max_total_tokens=2048 # max total tokens
docker run -d --name tgi --gpus all -ti -p 8080:80 \
-e MODEL_ID=/workspace \
-e NUM_SHARD=$num_shard \
-e MAX_INPUT_LENGTH=$max_input_length \
-e MAX_TOTAL_TOKENS=$max_total_tokens \
-v $model:/workspace \
ghcr.io/huggingface/text-generation-inference:latest
一旦你的容器启动，你就可以开始发送推理请求了。
import requests as r
from transformers import AutoTokenizer
from datasets import load_dataset
from random import randint
# 再次加载我们的测试数据集和 Tokenizer
tokenizer = AutoTokenizer.from_pretrained("code-llama-7b-text-to-sql")
eval_dataset = load_dataset("json", data_files="test_dataset.json", split="train")
rand_idx = randint(0, len(eval_dataset))
# 生成与第一次本地测试相同的提示
prompt = tokenizer.apply_chat_template(eval_dataset[rand_idx]["messages"][:2], tokenize=False, add_generation_prompt=True)
request= {"inputs":prompt,"parameters":{"temperature":0.2, "top_p": 0.95, "max_new_tokens": 256}}
# 向推理服务器发送请求
resp = r.post("http://127.0.0.1:8080/generate", json=request)
output = resp.json()["generated_text"].strip()
time_per_token = resp.headers.get("x-time-per-token")
time_prompt_tokens = resp.headers.get("x-prompt-tokens")
# 打印结果
print(f"Query:\n{eval_dataset[rand_idx]['messages'][1]['content']}")
print(f"Original Answer:\n{eval_dataset[rand_idx]['messages'][2]['content']}")
print(f"Generated Answer:\n{output}")
print(f"Latency per token: {time_per_token}ms")
print(f"Latency prompt encoding: {time_prompt_tokens}ms")
完成工作后，别忘了停止你的容器。
!docker stop tgi
七、总结
随着大型语言模型的发展和 TRL 等工具的普及，现在是企业投资开放大语言模型技术的绝佳时机。针对特定任务微调开放的大语言模型可以显著提升效率，并为创新和服务质量提升带来新的可能性。随着技术的日益普及和成本效益的提高，现在是开始利用开放大语言模型的最佳时刻。
通过本文的实践，我们掌握了从环境配置、数据处理、模型微调、评估到部署的全流程。在实际应用中，建议持续关注社区动态，结合 RAG 等新技术进一步优化模型效果，以满足更复杂的业务需求。