Llama3微调教程：超简单，人人都可以打造属于自己的GPT！

作为开源大模型，Llama的能力不容小觑。本文总结了Llama3微调教程，教你如何打造自己的GPT。

随着Llama 3的发布，国内各路英雄豪杰纷纷开启了炼丹之旅。Llama-3 8b在惊人的15万亿令牌上训练，而Llama-2仅为2万亿。毋庸置疑，Llama 3目前是开源大模型中能力最强的！其跑分成绩已经赶上了GPT-4。

然而，Llama的优势不仅限于此。作为开源大模型，每个人都可以对其进行定制，这意味着相比GPT，它具有更强的定制性和安全性。Llama可应用于针对B端企业的自然语言处理、机器翻译、文本生成、问答系统、聊天机器人等场景。

目前，我们主要通过微调（Fine-Tuning）来定制所需的模型。例如，Llama 3原生不支持中文，但我们可以通过微调让它支持中文。

微调是指在已经经过大规模预训练的基础模型上，使用特定领域或任务的数据集对模型进行额外训练，以适应特定任务或问题。微调过程通常包括在预训练模型的基础上进行少量迭代训练，以调整模型参数，使其在特定任务上表现更好。

通过这个简单的Llama 3微调案例，我们可以体验整个大模型微调的过程。对于普通人来说，这是一个免费体验算法工程师工作方式的机会；如果你想转入AI行业，这也是一个很好的入门案例。

愿每个人都能从中受益，开启自己的AI探索之旅！

接下来，你将学习如何进行环境配置、数据准备、模型训练、模型运行、模型保存以及本地模型使用。在开始之前，让我们先完成一些准备工作。

一、准备工作

1. 访问Unsloth

目前，最简单的方法是使用Unsloth，它是一个微调模型的集成工具。通过Unsloth微调Mistral、Gemma、Llama，速度提高2-5倍，内存减少70%！

访问Unsloth的GitHub地址：
https://github.com/unslothai/unsloth，点击”▶️Start on Colab””即可打开Colab训练脚本。

为了方便大家快速上手，我已经将其翻译成中文并简化：
https://colab.research.google.com/drive/1pvzl7E2rdTF7LkDQZOTyl32_Vu9Zwe4N?usp=sharing

如果你是初学者，建议使用我修改过的Colab笔记。

2. 创建Colab笔记副本

使用Colab的好处是标准化的环境，免去了很多问题。我们先将笔记复制为副本，这样它能保存到自己的Google Drive中。

3. 连接T4 GPU

你可以免费使用Google提供的GPU资源，选择连接T4。当连接成功后，就可以开始了。

你也可以在弹框中选择T4 GPU。

当链接成功后，你就准备就绪了。

4. 连接Google Drive

我们需要连接Google Drive，以便将训练好的模型保存到云端。使用Colab非常简单，你基本只需依次点击运行每个代码块即可。

5. 安装Unsloth

点击运行，这段代码主要是安装Unsloth和模型训练相关的必要库。

展示执行时间表示已经执行过了。

二、步入正题

一切准备就绪，我们要进入正式流程了

1. 选择预训练模型

这一段代码主要用于选择我们要训练的模型，代码中已经帮我们选择好了”
unsloth/llama-3-8b-bnb-4bit”。继续点击运行，等待模型下载完成。

点击之后，我们会看到它正在下载模型，需要等待它执行完毕。

2. 配置LoRA参数

我们的微调是通过LoRA实现的。LoRA（Low-Rank Adaptation of Large Language Models）是大语言模型的低阶适配器，用于在模型微调过程中只更新整个模型参数的一小部分，通常在1%到10%之间。

继续点击运行。

3. 准备数据

微调模型最重要的是数据。这里我们使用yahma的Alpaca数据集，它包含52,000条由OpenAI的text-davinci-003引擎生成的指令和演示数据。这些指令数据可用于对语言模型进行指令调优，使其更好地遵循指令。

Alpaca的数据结构如下：

“instruction”: “描述原子的结构。”,
“input”: “”,
“output”: “原子是所有物质的基本组成部分，由三种类型的粒子组成：质子、中子和电子。原子的结构可以描述为中心有一个原子核，周围环绕着电子云。原子核由质子和中子组成。质子是带正电的粒子，中子是不带电荷的中性粒子……”

每条数据，结构由三部分组成：instruction (指令)、input(输入)和output(输出)，我们可以根据这个格式准备自己的数据集。

instruction（指令）：这部分定义了要求AI执行的任务或问题。它是一条明确的指示，告诉AI需要做什么。例如，”识别以下句子中的名词”或”我应该投资股票吗？”。
input（输入）：这部分提供了执行指令所需的具体信息或上下文。在某些情况下，这个部分可能为空，表示指令本身已经包含了执行任务所需的所有信息。
output（输出）：这部分是AI根据给定的指令和输入生成的答案或结果。它是AI处理完输入信息后的响应或解决方案。