❝

“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。