利用大模型构造数据集，并微调大模型 ?“本文为稀土掘金技术社区首发签约文章，30天内禁止转载，30天后未获授权禁止转载，侵权必究！” ?一、前言目前大模型的微调方法有很多，而且大多可以在消费级显卡上进行，每个人都可以在自己的电脑上微调自己的大模型。 但是在微调时我们时常面对一个问题，就是数据集问题。网络上有许多开源数据集，但是很多时候我们并不想用这些数据集微调模型，我们更希望使用某本书、某个作者的作品、我们自己的聊天记录、某个角色的对话来微调模型。 用于微调的数据通常是成千上万的问答对，如果手工搜集，需要花费大量时间。 文本将介绍一种方式，利用大模型来构造自己的数据集，并使用我们构造的数据集来微调大模型。 二、构造数据集2.1 目的数据集通常是问答对形式，比如alpaca数据集的形式如下： { "instruction": "保持健康的三个提示。", "input": "", "output": "以下是保持健康的三个提示：\n\n1. 保持身体活动。每天做适当的身体运动，如散步、跑步或游泳，能促进心血管健康，增强肌肉力量，并有助于减少体重。\n\n2. 均衡饮食。每天食用新鲜的蔬菜、水果、全谷物和脂肪含量低的蛋白质食物，避免高糖、高脂肪和加工食品，以保持健康的饮食习惯。\n\n3. 睡眠充足。睡眠对人体健康至关重要，成年人每天应保证 7-8 小时的睡眠。良好的睡眠有助于减轻压力，促进身体恢复，并提高注意力和记忆力。" } 但是实际上我们能拿到的数据通常是一大段文本的形式，比如： 小时候，那时我还只有6岁，看到一本描写原始森林壮观景象的书，名叫真实的故事。书里有一幅很精彩的插画，画的是一条大蟒蛇正在吞食一只动物，下面就是那幅插画的复制品。 这本书上说：“大蟒蛇把它们的猎物不加咀嚼地整个吞下去，之后，就再也不动了，然后通过长达六个月的睡眠来消化掉这些食物。” ... 现在我们要做的就是把大段文本形式的数据转换成alpaca的形式。 在以往我们只能通过人工的方式完成，而现在我们可以借助大模型的能力。大致思路就是让大模型根据文本，总结出对话、问答内容。这点可以通过Prompt工程实现。 2.2 Prompt设计在系统Prompt中，我们需要强调根据上下文内容，让模型提取对话、问答等内容。比如： QA_PAIRS_SYSTEM_PROMPT = """ Context/Context 标记中是一段文本，学习和分析它，并整理学习成果： - 提出问题并给出每个问题的答案。 - 答案需详细完整，尽可能保留原文描述。 - 答案可以包含普通文字、链接、代码、表格、公示、媒体链接等 Markdown 元素。 - 最多提出 30 个问题。 """ 这样就可以让模型自己提问，自己回答。然后我们需要规定输出的格式，我们希望得到字典数组，所以用户Prompt可以设置成： QA_PAIRS_HUMAN_PROMPT = """ 请按以下格式整理学习成果: Context 文本 /Context [ {{"question": "问题1","answer":"答案1"}}, {{"question": "问题2","answer":"答案2"}}, ] ------ 我们开始吧! Context {text} Context/ """ 根据问题不同，可以对上面的内容进行一些调整。下面可以开始编写代码。 2.3 处理文档首先导入需要用到的模块： import json from typing import List from tqdm import tqdm from langchain_core.prompts import ChatPromptTemplate from langchain_core.pydantic_v1 import BaseModel, Field from langchain_core.output_parsers import JsonOutputParser from langchain_openai import AzureChatOpenAI from langchain_community.document_loaders import UnstructuredFileLoader from langchain_text_splitters import RecursiveCharacterTextSplitter 在构建chain前，我们先完成文档处理的操作。我们希望传入的内容是文本数据，这里可以是txt等文件形式。我们这里以txt为例： def split_document(filepath): loader = UnstructuredFileLoader(filepath) text_spliter = RecursiveCharacterTextSplitter( chunk_size=2048, chunk_overlap=128 ) documents = loader.load_and_split(text_spliter) return documents 使用上面的函数，可以返回大段的文本片段。 2.4 构建chain下面就是构建用于生成数据集的chain，包括Prompt、LLM、Outputparser三个部分内容分别如下： 2.4.1 Prompt我们使用ChatPromptTemplate将上面的Prompt整合起来，代码如下： QA_PAIRS_SYSTEM_PROMPT = "..." QA_PAIRS_HUMAN_PROMPT = "..." prompt = ChatPromptTemplate.from_messages([ ("system", QA_PAIRS_SYSTEM_PROMPT), ("human", QA_PAIRS_HUMAN_PROMPT) ]) 在QA_PAIRS_HUMAN_PROMPT中我们添加了{text}占位，invoke时需要传入{"text": "xxx"}。 2.4.2 LLM大模型的选择非常多，一般的建议是选择长上下文、且能力比你要微调的模型强的模型。这里使用GPT-3.5-16k，代码如下： llm = AzureChatOpenAI( azure_endpoint=endpoint, deployment_name=deployment_name, openai_api_key=api_key, openai_api_version="2024-02-01", ) 2.4.3 OutputParser最后是提取出结果，我们定义结果的Model： class QaPair(BaseModel): question: str = Field(description='问题内容') answer: str = Field(description='问题的回答') class QaPairs(BaseModel): qas: List[QaPair] = Field(description='问答对列表') parser = JsonOutputParser(pydantic_object=QaPairs) 最后将三者连接起来： chain = prompt | llm | parser 我们把构建chain的操作写成create_chain函数： def create_chain(): prompt = ChatPromptTemplate.from_messages([ ("system", QA_PAIRS_SYSTEM_PROMPT), ("human", QA_PAIRS_HUMAN_PROMPT) ]) llm = AzureChatOpenAI( azure_endpoint=endpoint, deployment_name=deployment_name, openai_api_key=api_key, openai_api_version="2024-02-01", ) parser = JsonOutputParser(pydantic_object=QaPairs) chain = prompt | llm | parser return chain 下面我们可以来试一试效果： def main(): chain = create_chain() documents = split_document('The.Little.Prince.txt') with open(f'dataset.json', 'w', encoding='utf-8') as f: datas = [] bar = tqdm(total=len(documents)) for idx, doc in enumerate(documents): bar.update(idx + 1) out = chain.invoke({'text': doc.page_content}) datas += out f.write(json.dumps(datas, ensure_ascii=False)) if __name__ == '__main__': main() 我使用小王子的书作为测试，下面是生成的部分数据集： [ { "question": "作者小时候看了一本关于什么的书？", "answer": "描写原始森林壮观景象的书" }, { "question": "这本书上说大蟒蛇通过什么方式来消化食物？", "answer": "通过长达六个月的睡眠来消化食物" } ... ] 我们可以收集同一作者的大量书籍，使用上面的方式构建数据集。在构建过程中，每次执行后，结果可能不一样，因此可以通过多次构建的方式生成更多样本。 三、微调模型在准备好数据集后，我们就可以进行微调了，我们可以使用已有的项目进行微调，比如LLaMA-Factory就是一个不错的选择，链接如下： https://github.com/hiyouga/LLaMA-Factory 具体的微调方式可以参考项目文档。 本文选择使用peft模块实现微调操作，其实其它项目也是使用这个项目来完成。先导入必要的模块： from peft import LoraConfig, TaskType from transformers import Trainer from datasets import load_dataset from transformers import AutoModelForCausalLM, TrainingArguments, AutoTokenizer from peft import get_peft_model 3.1 加载模型和配置LoRA首先需要加载模型以及配置微调模型，我们选择使用LoRA进行微调： # 配置参数 peft_config = LoraConfig(task_type=TaskType.SEQ_2_SEQ_LM, inference_mode=False, r=8, lora_alpha=32, lora_dropout=0.1) # 加载模型 model = AutoModelForCausalLM.from_pretrained( "microsoft/Phi-3-mini-4k-instruct", trust_remote_code=True ) tokenizer = AutoTokenizer.from_pretrained("microsoft/Phi-3-mini-4k-instruct") model = get_peft_model(model, peft_config) model.print_trainable_parameters() 关于LoRA的原理，可以参考：https://juejin.cn/post/7280436307914407976 3.2 加载数据集接下来加载我们创建的数据集： def tokenize_function(example): encoded = tokenizer( example['question'], truncation=True, padding='max_length', max_length=128 ) encoded["labels"] = tokenizer( example["answer"], truncation=True, padding="max_length", max_length=128 )["input_ids"] return encoded # 加载数据集 data_files = {"train": "train.json", "validation": "train.json"} dataset = load_dataset('./dataset', data_files=data_files) tokenized_dataset = dataset.map(tokenize_function, batched=True) 3.3 配置训练参数并训练接下来配置训练参数开始训练： training_args = TrainingArguments( output_dir="outputs", learning_rate=1e-3, per_device_train_batch_size=4, per_device_eval_batch_size=4, num_train_epochs=2, weight_decay=0.01, evaluation_strategy="epoch", save_strategy="epoch", load_best_model_at_end=True, ) trainer = Trainer( model=model, args=training_args, train_dataset=tokenized_dataset["train"], eval_dataset=tokenized_dataset["validation"], tokenizer=tokenizer, ) trainer.train() model.save_pretrained("outputs") 我们可以根据硬件情况调整per_device_train_batch_size和per_device_eval_batch_size。现在只需要运行代码，等待片刻即可训练完成。 四、推理接下来我们要做的就是推理了。LoRA是一个旁支网络，我们需要在原有的模型上，添加LoRA，添加方式如下： model.load_adapter('outputs', adapter_name='lora01') model.set_adapter("lora01") 调用上面代码后，model的推理操作就是添加LoRA后的推理。推理的完整代码如下： from transformers import AutoModelForCausalLM, AutoTokenizer model = AutoModelForCausalLM.from_pretrained("microsoft/Phi-3-mini-4k-instruct") tokenizer = AutoTokenizer.from_pretrained("microsoft/Phi-3-mini-4k-instruct") model = model.to("cuda") model.load_adapter('outputs', adapter_name='lora01') model.set_adapter("lora01") model.eval() inputs = tokenizer("作者小时候看了一本关于什么的书？", return_tensors="pt") outputs = model.generate(input_ids=inputs["input_ids"].to("cuda"), max_new_tokens=50) print(tokenizer.batch_decode(outputs.detach().cpu().numpy(), skip_special_tokens=True)[0]) 最后我们可以和使用正常的AutoModelForCausalLM模型一样使用微调后的模型。 点击关注公众号，“技术干货”及时达！ 阅读原文