微调您的首个 LLM¶

本指南将引导您完成使用 torchtune 启动您的首个微调作业的过程。

您将学到什么

如何从 Hugging Face Hub 下载模型
如何修改配方的参数以适应您的需求
如何运行微调

先决条件

熟悉 torchtune 概览
确保安装 torchtune

下载模型¶

任何微调作业的第一步是下载预训练的基础模型。torchtune 支持与 Hugging Face Hub 的集成 - 这是最新和最强大的模型权重集合。

在本教程中，您将使用 Meta 的 Llama2 7B 模型。Llama2 是一个“门控模型”，这意味着您需要获得授权才能下载权重。请按照这些说明在 Hugging Face 上的 Meta 官方页面上完成此过程。这应该不到 5 分钟。要验证您是否拥有访问权限，请转到模型页面。您应该能够看到模型文件。如果看不到，您可能需要接受协议才能完成该过程。

注意

或者，您可以选择直接通过 Llama2 存储库下载模型。有关更多详细信息，请参阅此页面。

获得授权后，您需要使用 Hugging Face Hub 进行身份验证。最简单的方法是向下载脚本提供访问令牌。您可以在此处找到您的令牌。

然后，就像这样简单

tune download meta-llama/Llama-2-7b-hf \
  --output-dir /tmp/Llama-2-7b-hf \
  --hf-token <ACCESS TOKEN>

此命令还将下载模型分词器和一些其他有用的文件，例如《负责任使用指南》。

选择配方¶

配方是 torchtune 用户的主要入口点。这些可以被认为是可破解的、专注于单一用途的脚本，用于与 LLM 交互，包括训练、推理、评估和量化。

每个配方由三个组件组成

可配置参数，通过 yaml 配置文件和命令行覆盖指定
配方脚本，入口点，它将所有内容放在一起，包括解析和验证配置、设置环境以及正确使用配方类
配方类，训练所需的核心逻辑，通过一组 API 公开

注意

要了解更多关于“配方”概念的信息，请查看我们的技术深度探索：什么是配方？。

torchtune 提供了内置配方，用于在单设备上、在使用 FSDP 的多设备上、使用 LoRA 等内存高效技术进行微调！查看我们在配方概览中的所有内置配方。您还可以使用 tune ls 命令打印出所有配方和相应的配置。

$ tune ls
RECIPE                                   CONFIG
full_finetune_single_device              llama2/7B_full_low_memory
                                         mistral/7B_full_low_memory
full_finetune_distributed                llama2/7B_full
                                         llama2/13B_full
                                         mistral/7B_full
lora_finetune_single_device              llama2/7B_lora_single_device
                                         llama2/7B_qlora_single_device
                                         mistral/7B_lora_single_device
...

就本教程而言，您将使用配方在单设备上使用 LoRA 微调 Llama2 模型。有关 torchtune 中 LoRA 的更深入讨论，您可以查看完整的“使用 LoRA 微调 Llama2”教程。

注意

为什么单设备配方和分布式配方需要分开？ 这在“什么是配方？”中讨论过，但我们在 torchtune 中的核心原则之一是最小的抽象和样板代码。如果您只想在单个 GPU 上进行训练，我们的单设备配方可确保您不必担心仅分布式训练才需要的 FSDP 等额外功能。

修改配置¶

YAML 配置文件包含运行您的配方所需的大部分重要信息。您可以设置超参数，指定指标记录器，例如 WandB，选择新的数据集等等。有关当前支持的所有数据集的列表，请参阅 torchtune.datasets。

有两种方法可以修改现有配置

从命令行覆盖现有参数

您可以使用 key=value 格式从命令行覆盖现有参数。假设您想将训练 epoch 数设置为 1。

tune run <RECIPE> --config <CONFIG> epochs=1

通过 `tune cp` 复制配置并直接修改

如果您想对配置进行更实质性的更改，可以使用 tune CLI 将其复制到您的本地目录。

$ tune cp llama2/7B_lora_single_device custom_config.yaml
Copied file to custom_config.yaml

现在您可以随意更新自定义 YAML 配置。尝试设置随机种子以使复制更容易，更改 LoRA 秩，更新批大小等。

注意

查看“关于配置的一切”以深入了解 torchtune 中的配置。

训练模型¶

现在您已经有了正确格式的模型和适合您需求的配置，让我们开始训练吧！

就像所有其他步骤一样，您将使用 tune CLI 工具来启动您的微调运行。

$ tune run lora_finetune_single_device --config llama2/7B_lora_single_device epochs=1
INFO:torchtune.utils.logging:Running LoRAFinetuneRecipeSingleDevice with resolved config:
Writing logs to /tmp/lora_finetune_output/log_1713194212.txt
INFO:torchtune.utils.logging:Model is initialized with precision torch.bfloat16.
INFO:torchtune.utils.logging:Tokenizer is initialized from file.
INFO:torchtune.utils.logging:Optimizer and loss are initialized.
INFO:torchtune.utils.logging:Loss is initialized.
INFO:torchtune.utils.logging:Dataset and Sampler are initialized.
INFO:torchtune.utils.logging:Learning rate scheduler is initialized.
1|52|Loss: 2.3697006702423096:   0%|▏                     | 52/25880 [00:24<3:55:01,  1.83it/s]

您可以看到所有模块都已成功初始化，并且模型已开始训练。您可以通过 tqdm 栏监控损失和进度，但 torchtune 还将记录更多指标，例如 GPU 内存使用情况，记录间隔在配置中定义。

后续步骤¶

现在您已经训练了模型并设置了环境，让我们通过查看“端到端工作流程教程”来了解如何使用我们的新模型。