baichuan Qlora Tuning

baichuan-qlora-ajuste

Basado en Qlora, las instrucciones están ajustadas al modelo Baichuan-7B Big.

confiar

 mpi4py
transformers == 4.28 . 1
peft == 0.3 . 0
icetk
deepspeed == 0.9 . 2
accelerate
cpm_kernels
sentencepiece == 0.1 . 99
peft = 0.3 . 0
torch = 2.0 . 0 

La última versión está bien.

Estructura de directorio

 --data
----msra
------train.txt
------eval.txt
--checkpoint
----baichuan
------adapter_model
--model_hub
----baichuan-7B
--baichuan_qlora.py  # 训练
--dataset.py  # 处理数据
--predict.py  # 交互式闲聊
--test_baichuan.py  # 测试baichuan模型
--train.log  # 训练日志

Pasos generales

Formato de datos

Los formatos de datos en Train.txt y Eval.txt son los mismos, y cada comportamiento es una muestra, que es específicamente:

{ "instruct" : "你现在是一个实体识别模型，你需要提取文本里面的人名、地名、机构名，如果存在结果，返回'实体_实体类型'，不同实体间用n分隔。如果没有结果，回答'没有'。" , "query" : "文本：因有关日寇在京掠夺文物详情，藏界较为重视，也是我们收藏北京史料中的要件之一。" , "answer" : "日_地名n京_地名n北京_地名" }

Instruir es la instrucción, la consulta es el texto y la respuesta es el resultado. Se puede construir por sí solo en función de sus propios datos.

Los nombres de estas tres columnas se pueden definir en Baichuan_qlora.py.

tren

Vaya a la cara abrazada para descargar los archivos relevantes de Baichuan-7b a model_hub/Baichuan-7b. Después de completar la descarga, puede usar python test_baichuan.pt para probar el modelo. Después de construir el conjunto de datos, ejecutarlo directamente:

 python baichaun_qlora . py 

predecir

Después de completar la capacitación, puede usar las siguientes instrucciones para hacer predicciones:

 python predict . py - - model_name "baichuan" - - base_model "./model_hub/baichuan-7B" - - tokenizer_path "./model_hub/baichuan-7B" - - lora_model "./checkpoint/baichuan/adapter_model" - - with_prompt - - interactive

Resultados de la predicción:

加载模型耗时： 0.6068947672843933分钟
loading peft model
Start inference with instruction mode .
== == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == =
+ 当前使用的模型是： baichuan
- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
+ 该模式下仅支持单轮问答，无多轮对话能力。
== == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == == =
Input :你现在是一个实体识别模型，你需要提取文本里面的人名、地名、机构名，如果存在结果，返回'实体_实体类型' ，不同实体间用n分隔。如果没有结果，回答'没有' 。文本：我们是受到郑振铎先生、阿英先生著作的启示，从个人条件出发，瞄准现代出版史研究的空白，重点集藏解放区、国民党毁禁出版物。
Response :  郑振铎_人名
阿英_人名


Input :你现在是一个实体识别模型，你需要提取文本里面的人名、地名、机构名，如果存在结果，返回'实体_实体类型' ，不同实体间用n分隔。如果没有结果，回答'没有' 。文本：藏书家、作家姜德明先生在1997年出版的书话专集《文林枝叶》中以“爱书的朋友”为题，详细介绍了我们夫妇的藏品及三口之家以书为友、好乐清贫的逸闻趣事。
Response :  姜德明_人名


Input :你现在是一个实体识别模型，你需要提取文本里面的人名、地名、机构名，如果存在结果，返回'实体_实体类型' ，不同实体间用n分隔。如果没有结果，回答'没有' 。文本：去年，我们又被评为“北京市首届家庭藏书状元明星户”。
Response :  北京_地名

Tiene ciertos efectos, pero no es muy bueno. Puede requerir el ajuste de los parámetros y la capacitación durante más tiempo.

Memoria de video predicha:

Reponer

• ** ¿Cómo entrenar sus propios datos? ** Simplemente cree el formato requerido para los datos anteriores, y luego modifique la dirección de los datos en Baichuan_qlora y, por supuesto, también puede modificar algunos otros parámetros.
• ¿Cómo usar otros modelos? La diferencia entre otros modelos se encuentra en dos aspectos: 1. El formato de entrada de los datos es diferente. 2. El método de carga del modelo es diferente. Para Chatglm, Llama, Belle, puede consultar lo que hizo antes: https://github.com/taishan1994/qlora-chinese-llm

referirse a

https://github.com/wp931120/baichuan_sft_lora

https://github.com/baichuan-inc/baichuan-7b

https://github.com/artidoro/qlora/

https://github.com/taishan1994/qlora-chinese-llm