【AI实战】训练一个自己的ChatGPT

本文使用 Alpaca-LoRA 来训练一个自己的 ChatGPT，数据集包括开源的55w数据集和我自己的1000w的医疗问答数据集。

准备

环境

• CUDA 10.2
• Ubuntu 20.04
• python 3.8
• torch 2.0.0

代码

使用 Alpaca-LoRA 的代码，我们先 clone Alpaca-LoRA：

git clone [email protected]:tloen/alpaca-lora.git

若出现下面的报错信息：

# git clone [email protected]:tloen/alpaca-lora.git

Cloning into 'alpaca-lora'...
[email protected]: Permission denied (publickey).
fatal: Could not read from remote repository.

Please make sure you have the correct access rights
and the repository exists.

可以按照这篇文章进行处理：
https://blog.csdn.net/helloasimo/article/details/123778112

• 其他依赖安装

  cd alpaca-lora
  pip install -r requirements.txt
  

  若是失败，可以多试几次，可能是网络问题。

• 上面完工后，大概是这样子的

  /notebooks/alpaca-lora# ls -lh
  total 44M
  -rw-r--r-- 1 root root  20K Mar 31 07:53 DATA_LICENSE
  -rw-r--r-- 1 root root  635 Mar 31 07:53 Dockerfile
  -rw-r--r-- 1 root root  12K Mar 31 07:53 LICENSE
  -rw-r--r-- 1 root root  15K Mar 31 07:53 README.md
  -rw-r--r-- 1 root root  22M Mar 31 07:53 alpaca_data.json
  -rw-r--r-- 1 root root  22M Mar 31 07:53 alpaca_data_cleaned.json
  -rw-r--r-- 1 root root  643 Mar 31 07:53 docker-compose.yml
  -rw-r--r-- 1 root root 1.5K Mar 31 07:53 export_hf_checkpoint.py
  -rw-r--r-- 1 root root 3.6K Mar 31 07:53 export_state_dict_checkpoint.py
  -rw-r--r-- 1 root root 9.5K Mar 31 07:53 finetune.py
  -rw-r--r-- 1 root root 5.8K Mar 31 07:53 generate.py
  -rw-r--r-- 1 root root  81K Mar 31 07:53 lengths.ipynb
  -rw-r--r-- 1 root root  131 Mar 31 07:53 pyproject.toml
  -rw-r--r-- 1 root root  206 Mar 31 07:53 requirements.txt
  drwxr-xr-x 2 root root 4.0K Mar 31 07:53 templates
  drwxr-xr-x 2 root root 4.0K Mar 31 07:53 utils
  

模型

使用 alpaca-lora-cn-13b 模型作为我们的大模型
地址：https://huggingface.co/facat/alpaca-lora-cn-13b/tree/main

clone模型：

扫描二维码关注公众号，回复： 15304815 查看本文章

# Make sure you have git-lfs installed (https://git-lfs.github.com)

git lfs install
git clone https://huggingface.co/facat/alpaca-lora-cn-13b

注：可能需要手动下载 adapter_model.bin ，到 https://huggingface.co/facat/alpaca-lora-cn-13b/tree/main 可以手动下载

大概是这样子：

/notebooks# ls -lh alpaca-lora-cn-13b/
total 26M
-rw-r--r-- 1 root root 341 Mar 30 09:50 README.md
-rw-r--r-- 1 root root 371 Mar 30 09:50 adapter_config.json
-rw-rw-r-- 1 1003 1003 26M Mar 30 09:54 adapter_model.bin

数据集Belle

【如果没有自己的数据集，就用这个数据集来训练模型】

下载 Belle 的开源中文数据集（仅限研究使用，禁止商用！）

• 介绍
  该数据集有 55w 条
  下载数据集地址：
  https://huggingface.co/datasets/BelleGroup/generated_train_0.5M_CN/tree/main

• 数据格式：
  

• json格式

  {
        
        "input": "用一句话描述地球为什么是独一无二的。\\n\n", "target": "地球上有适宜生命存在的条件和多样化的生命形式。"}
  {
        
        "input": "给出一段对话，要求GPT模型使用合适的语气和回答方式继续对话。\n对话：\nA：你今天看起来很高兴，发生了什么好事？\nB：是的，我刚刚得到一份来自梅西银行的工作通知书。\nA：哇，恭喜你！你打算什么时候开始工作？\nB：下个月开始，所以我现在正为这份工作做准备。", "target": "A: 这太好了！你的新工作听起来很令人兴奋。你对接下来的日子有什么期望吗？\nB: 是啊，我非常期待能在梅西银行工作。我希望我能够尽快适应新环境，并展示出我的所有技能和才能。"}
  

清洗自己的数据集

将数据清洗为上述 json 格式
数据有1000w条，太大了，这里就不放出来了。
数据格式同上。

数据清洗后的数据格式如下：
all_data.train.json：

[
    {
    
    
        "instruction": "Give three tips for staying healthy.",
        "input": "",
        "output": "1. Eat a balanced diet and make sure to include plenty of fruits and vegetables. \n2. Exercise regularly to keep your body active and strong. \n3. Get enough sleep and maintain a consistent sleep schedule."
    },
    {
    
    
        "instruction": "What are the three primary colors?",
        "input": "",
        "output": "The three primary colors are red, blue, and yellow."
    }
]

上述工作完成后，大概是这样子的

/notebooks# ls -lh
total 1.5G
drwxr-xr-x 6 root root 4.0K Mar 31 07:53 alpaca-lora
drwxr-xr-x 3 root root 4.0K Mar 31 08:15 alpaca-lora-cn-13b
drwxrwxr-x 2 1003 1003 4.0K Mar 30 09:14 data

其中清洗的数据：

/notebooks/data# du -sh all_data.train.json
6.2G    all_data.train.json

训练

• 单卡训练

python3 finetune.py \
    --base_model 'decapoda-research/llama-7b-hf' \
    --data_path '../data/all_data.train.json' \
    --output_dir './lora-alpaca-zh' \
    --micro_batch_size 1 \
    --num_epochs 3

过程如下：

下载数据特别大，需要比较长的时间（我用了大概4个小时）！！！

• 多卡训练
  我用了4个卡

WORLD_SIZE=4 CUDA_VISIBLE_DEVICES=0,1,2,3 torchrun \
	--nproc_per_node=2 \
	--master_port=1234 \
	finetune.py \
	--base_model 'decapoda-research/llama-7b-hf' \
	--data_path '../data/all_data.train.json' \
	--output_dir './lora-alpaca-zh' \
    --micro_batch_size 1 \
    --num_epochs 3

测试

python3 generate.py \
    --load_8bit \
    --base_model 'decapoda-research/llama-7b-hf' \
    --lora_weights './lora-alpaca-zh'

• 测试效果

参考

• https://huggingface.co/facat/alpaca-lora-cn-13b/tree/main
• https://github.com/tloen/alpaca-lora
• https://github.com/gururise/AlpacaDataCleaned