乐清英文网站建设营销型网站建设流程

本节课程的视频和教程都相当清晰，尤其是教程，基本只要跟着文档，在开发机上把指令都相同地输出一遍，就可以完成任务（大赞），相当顺利。因此，这里的笔记就不重复赘述步骤，更多侧重于将教程的知识进行思考和解读。

1. 环境配置与数据准备

首先创建conda环境，然后安装XTuner。

同时了解一下关于 微调 的前置知识，建议阅读XTuner微调前置基础，XTuner 文档链接：XTuner-doc-cn。

摘取一部分：

微调（fine-tuning）是一种基于预训练模型，通过少量的调整（fine-tune）来适应新的任务或数据的方法。

微调是在预训练模型的基础上，将模型中一些层的权重参数进行微调，以适应新的数据集或任务。

在大模型的下游应用中，经常会用到两种微调模式：增量预训练 和 指令跟随 。

LoRA（Low-Rank Adaptation）是一种使用低精度权重对大型预训练语言模型进行微调的技术，它的核心思想是在不改变原有模型权重的情况下，通过添加少量新参数来进行微调。这种方法降低了模型的存储需求，也降低了计算成本，实现了对大模型的快速适应，同时保持了模型性能。

QLoRA（Quantized LoRA）微调技术是对LoRA的一种改进，它通过引入高精度权重和可学习的低秩适配器来提高模型的准确性。并且在LoRA的基础上，引入了量化技术。通过将预训练模型量化为int4格式，可以进一步减少微调过程中的计算量，同时也可以减少模型的存储空间，这对于在资源有限的设备上运行模型非常有用。

XTuner 一个大语言模型&多模态模型微调工具箱。由 MMRazor 和 MMDeploy 联合开发。

 2. 修改提供的数据

这里创建一个新的文件夹用于存储微调数据后，要创建一个change_script.py，如下：

import json
import argparse
from tqdm import tqdmdef process_line(line, old_text, new_text):# 解析 JSON 行data = json.loads(line)# 递归函数来处理嵌套的字典和列表def replace_text(obj):if isinstance(obj, dict):return {k: replace_text(v) for k, v in obj.items()}elif isinstance(obj, list):return [replace_text(item) for item in obj]elif isinstance(obj, str):return obj.replace(old_text, new_text)else:return obj# 处理整个 JSON 对象processed_data = replace_text(data)# 将处理后的对象转回 JSON 字符串return json.dumps(processed_data, ensure_ascii=False)def main(input_file, output_file, old_text, new_text):with open(input_file, 'r', encoding='utf-8') as infile, \open(output_file, 'w', encoding='utf-8') as outfile:# 计算总行数用于进度条total_lines = sum(1 for _ in infile)infile.seek(0)  # 重置文件指针到开头# 使用 tqdm 创建进度条for line in tqdm(infile, total=total_lines, desc="Processing"):processed_line = process_line(line.strip(), old_text, new_text)outfile.write(processed_line + '\n')if __name__ == "__main__":parser = argparse.ArgumentParser(description="Replace text in a JSONL file.")parser.add_argument("input_file", help="Input JSONL file to process")parser.add_argument("output_file", help="Output file for processed JSONL")parser.add_argument("--old_text", default="尖米", help="Text to be replaced")parser.add_argument("--new_text", default="机智流", help="Text to replace with")args = parser.parse_args()main(args.input_file, args.output_file, args.old_text, args.new_text)

其中process_line比较容易看出是递归地将line中的old_text替换为new_text，下面几行parser的内容有点陌生：

parser = argparse.ArgumentParser(description="Replace text in a JSONL file.")

这行代码创建了一个 ArgumentParser 对象，它是 argparse 模块的主要类。description 参数提供了一个字符串，这个字符串会在生成的帮助文档中显示，用来描述这个脚本的作用。

parser.add_argument("input_file", help="Input JSONL file to process")
parser.add_argument("output_file", help="Output file for processed JSONL")

这两行代码分别添加了两个位置参数：input_file 和 output_file。这些参数是必需的，因为它们没有指定 -- 或 - 前缀，而是直接作为命令行参数提供。help 参数提供了每个参数的简短描述。

parser.add_argument("--old_text", default="尖米", help="Text to be replaced")
parser.add_argument("--new_text", default="机智流", help="Text to replace with")

这两行代码添加了两个可选参数：--old_text 和 --new_text。这些参数有默认值，分别是 "尖米" 和 "机智流"。如果在命令行中没有提供这些参数，它们将使用默认值。help 参数同样提供了每个参数的简短描述。

argparse 模块使得脚本能够接受命令行参数，这些参数可以在运行脚本时由用户提供。这样，用户就可以灵活地指定输入文件、输出文件以及要替换的文本。

当用户运行脚本时，例如：

python change_script.py input.jsonl output.jsonl --old_text "old_string" --new_text "new_string"

argparse 会自动解析这些参数，并在脚本中以 args.input_file、args.output_file、args.old_text 和 args.new_text 的形式提供这些值。这样，脚本就可以根据用户提供的参数执行相应的操作。

3. 训练启动

复制模型中：

ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2_5-7b-chat /root/finetune/models/internlm2_5-7b-chat

这句软连接的作用如下：

通过执行ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2_5-7b-chat /root/finetune/models/internlm2_5-7b-chat命令，你就在/root/finetune/models目录下创建了一个指向/root/share/new_models/Shanghai_AI_Laboratory/internlm2_5-7b-chat的软连接，使得在任何需要使用该模型的地方，都可以通过/root/finetune/models/internlm2_5-7b-chat来访问，而实际上访问的是/root/share/new_models/Shanghai_AI_Laboratory/internlm2_5-7b-chat目录中的内容。

 修改config中：

xtuner copy-cfg internlm2_5_chat_7b_qlora_alpaca_e3 ./

这条命令的作用是将名为internlm2_5_chat_7b_qlora_alpaca_e3的配置文件复制到当前目录，xtuner copy-cfg命令是一个方便的工具，它允许用户快速获取和定制微调任务所需的配置文件，从而简化了大模型微调的准备工作。

启动微调中：

xtuner train ./config/internlm2_5_chat_7b_qlora_alpaca_e3_copy.py --deepspeed deepspeed_zero2 --work-dir ./work_dirs/assistTuner

当我们准备好了所有内容，我们只需要将使用 xtuner train 命令令即可开始训练。

xtuner train 命令用于启动模型微调进程。该命令需要一个参数：CONFIG 用于指定微调配置文件。这里我们使用修改好的配置文件 internlm2_5_chat_7b_qlora_alpaca_e3_copy.py。
训练过程中产生的所有文件，包括日志、配置文件、检查点文件、微调后的模型等，默认保存在 work_dirs 目录下，我们也可以通过添加 --work-dir 指定特定的文件保存位置。--deepspeed 则为使用 deepspeed， deepspeed 可以节约显存。

DeepSpeed是一个由微软开发的开源深度学习优化库，旨在提高大规模模型训练的效率和速度。

XTuner 也内置了 deepspeed 来加速整体的训练过程，共有三种不同的 deepspeed 类型可进行选择，分别是 deepspeed_zero1, deepspeed_zero2 和 deepspeed_zero3。

 这里可以阅读XTuner微调高级进阶来补充知识。

权重转换中：

模型转换的本质其实就是将原本使用 Pytorch 训练出来的模型权重文件转换为目前通用的 HuggingFace 格式文件，那么我们可以通过以下命令来实现一键转换。

xtuner convert pth_to_hf ./internlm2_5_chat_7b_qlora_alpaca_e3_copy.py ${pth_file} ./hf

xtuner convert pth_to_hf 命令用于进行模型格式转换。该命令需要三个参数：CONFIG 表示微调的配置文件， PATH_TO_PTH_MODEL 表示微调的模型权重文件路径，即要转换的模型权重， SAVE_PATH_TO_HF_MODEL 表示转换后的 HuggingFace 格式文件的保存路径。

 模型合并中：

对于 LoRA 或者 QLoRA 微调出来的模型其实并不是一个完整的模型，而是一个额外的层（Adapter），训练完的这个层最终还是要与原模型进行合并才能被正常的使用。

对于全量微调的模型（full）其实是不需要进行整合这一步的，因为全量微调修改的是原模型的权重而非微调一个新的 Adapter ，因此是不需要进行模型整合的。

 在 XTuner 中提供了一键合并的命令 xtuner convert merge，在使用前我们需要准备好三个路径，包括原模型的路径、训练好的 Adapter 层的（模型格式转换后的）路径以及最终保存的路径。

xtuner convert merge /root/finetune/models/internlm2_5-7b-chat ./hf ./merged --max-shard-size 2GB

xtuner convert merge命令用于合并模型。该命令需要三个参数：LLM 表示原模型路径，ADAPTER 表示 Adapter 层的路径， SAVE_PATH 表示合并后的模型最终的保存路径。

--max-shard-size {GB}	代表每个权重文件最大的大小（默认为2GB）
--device {device_name}	这里指的就是device的名称，可选择的有cuda、cpu和auto，默认为cuda即使用gpu进行运算
--is-clip	这个参数主要用于确定模型是不是CLIP模型，假如是的话就要加上，不是就不需要添加

4. 模型WebUI对话

这里还是前面课程的类似webui实现，课程已经给号了streamlit的脚本，修改路径、端口映射后，就可以看到webui界面：

（这里把“你的名字”部分就直接改成 你的名字了，当时有点犯蠢了。。不过效果是对的）