CareGPT
1.0.0
Chinesisch |. Englisch
Video-Tutorial Installation und Bereitstellung Online-Erlebnis
⚡Eigenschaften:
conda create - n llm python = 3.11
conda activate llm
python - m pip install - r requirements . txt # 转为HF格式
python - m transformers . models . llama . convert_llama_weights_to_hf
- - input_dir path_to_llama_weights - - model_size 7 B - - output_dir path_to_llama_model Wenn Sie einen benutzerdefinierten Datensatz verwenden, stellen Sie sicher, dass Sie Ihre Datensatzdefinition in der Datei dataset_info.json im folgenden Format bereitstellen.
"数据集名称" : {
"hf_hub_url" : " HuggingFace上的项目地址（若指定，则忽略下列三个参数） " ,
"script_url" : "包含数据加载脚本的本地文件夹名称（若指定，则忽略下列两个参数） " ,
"file_name" : "该目录下数据集文件的名称（若上述参数未指定，则此项必需） " ,
"file_sha1" : "数据集文件的SHA-1哈希值（可选） " ,
"columns" : {
"prompt" : "数据集代表提示词的表头名称（默认：instruction） " ,
"query" : "数据集代表请求的表头名称（默认：input） " ,
"response" : "数据集代表回答的表头名称（默认：output） " ,
"history" : "数据集代表历史对话的表头名称（默认：None） "
}
} Die prompt und response sollten nicht leere Zeichenfolgen sein. Der Inhalt der query wird mit der prompt als Modelleingabe verkettet. Die history sollte eine Liste sein, in der jedes Element ein String-Tupel ist, das die Benutzeranfrage bzw. die Modellantwort darstellt.
.txt Format, ein unbeaufsichtigter Datenwert pro Zeile.
Machine learning (ML) is a field devoted to understanding and building methods that let machines "learn" – that is, methods that leverage data to improve computer performance on some set of tasks.
Machine learning algorithms build a model based on sample data, known as training data, in order to make predictions or decisions without being explicitly programmed to do so. Machine learning algorithms are used in a wide variety of applications, such as in medicine, email filtering, speech recognition, agriculture, and computer vision, where it is difficult or unfeasible to develop conventional algorithms to perform the needed tasks.[
{
"instruction" : "听起来很不错。人工智能可能在哪些方面面临挑战呢？ " ,
"input" : " " ,
"output" : "人工智能面临的挑战包括数据隐私、安全和道德方面的问题，以及影响就业机会的自动化等问题。 " ,
"history" : [
[ "你好，你能帮我解答一个问题吗？ " , "当然，请问有什么问题？ " ],
[ "我想了解人工智能的未来发展方向，你有什么想法吗？ " , "人工智能在未来的发展方向可能包括更强大的机器学习算法，更先进的自然语言处理技术，以及更加智能的机器人。 " ]
]
}
][
{
"instruction" : "听起来很不错。人工智能可能在哪些方面面临挑战呢？ " ,
"input" : " " ,
"output" : "人工智能面临的挑战包括数据隐私、安全和道德方面的问题，以及影响就业机会的自动化等问题。 " ,
"history" : []
}
][
{
"instruction" : "生成三个与“道歉”意思相同的动词" ,
"input" : " " ,
"output" : [
"承认，表示遗憾，弥补。 " ,
"道歉"
]
}
] Überprüfen Sie, ob Ihre Grafikkarte mit NVLINK verbunden ist. Nur mit einer NVLINK-Verbindung können Sie accelerate effektiv für parallel beschleunigtes Training nutzen.
nvidia-smi topo -m
accelerate config # configure the environment
accelerate launch src / train_bash . py # arguments (same as above) # LLaMA-2
accelerate launch src / train_bash . py
- - stage sft
- - model_name_or_path . / Llama - 2 - 7 b - chat - hf
- - do_train
- - dataset mm
- - finetuning_type lora
- - quantization_bit 4
- - overwrite_cache
- - output_dir output
- - per_device_train_batch_size 8
- - gradient_accumulation_steps 4
- - lr_scheduler_type cosine
- - logging_steps 10
- - save_steps 1000
- - learning_rate 5e-5
- - num_train_epochs 2.0
- - plot_loss
- - fp16
- - template llama2
- - lora_target q_proj , v_proj
# LLaMA
accelerate launch src / train_bash . py
- - stage sft
- - model_name_or_path . / Llama - 7 b - hf
- - do_train
- - dataset mm , hm
- - finetuning_type lora
- - overwrite_cache
- - output_dir output - 1
- - per_device_train_batch_size 4
- - gradient_accumulation_steps 4
- - lr_scheduler_type cosine
- - logging_steps 10
- - save_steps 2000
- - learning_rate 5e-5
- - num_train_epochs 2.0
- - plot_loss
- - fp16
- - template default
- - lora_target q_proj , v_proj # LLaMA-2, DPO
accelerate launch src / train_bash . py
- - stage dpo
- - model_name_or_path . / Llama - 2 - 7 b - chat - hf
- - do_train
- - dataset rlhf
- - template llama2
- - finetuning_type lora
- - quantization_bit 4
- - lora_target q_proj , v_proj
- - resume_lora_training False
- - checkpoint_dir . / output - 2
- - output_dir output - dpo
- - per_device_train_batch_size 2
- - gradient_accumulation_steps 4
- - lr_scheduler_type cosine
- - logging_steps 10
- - save_steps 1000
- - learning_rate 1e-5
- - num_train_epochs 1.0
- - plot_loss
- - fp16 # LLaMA-2
python src / web_demo . py
- - model_name_or_path . / Llama - 2 - 7 b - chat - hf
- - checkpoint_dir output
- - finetuning_type lora
- - template llama2
# LLaMA
python src / web_demo . py
- - model_name_or_path . / Llama - 7 b - hf
- - checkpoint_dir output - 1
- - finetuning_type lora
- - template default
# DPO
python src / web_demo . py
- - model_name_or_path . / Llama - 2 - 7 b - chat - hf
- - checkpoint_dir output - dpo
- - finetuning_type lora
- - template llama2 # LLaMA-2
python src / api_demo . py
- - model_name_or_path . / Llama - 2 - 7 b - chat - hf
- - checkpoint_dir output
- - finetuning_type lora
- - template llama2
# LLaMA
python src / api_demo . py
- - model_name_or_path . / Llama - 7 b - hf
- - checkpoint_dir output - 1
- - finetuning_type lora
- - template default
# DPO
python src / api_demo . py
- - model_name_or_path . / Llama - 2 - 7 b - chat - hf
- - checkpoint_dir output - dpo
- - finetuning_type lora
- - template llama2Test-API:
curl - X 'POST'
'http://127.0.0.1:8888/v1/chat/completions'
- H 'accept: application/json'
- H 'Content-Type: application/json'
- d ' {
"model" : "string",
"messages": [
{
"role" : "user",
"content": "你好"
}
],
" temperature ": 0 ,
"top_p" : 0 ,
"max_new_tokens" : 0 ,
"stream" : false
}' # LLaMA-2
python src / cli_demo . py
- - model_name_or_path . / Llama - 2 - 7 b - chat - hf
- - checkpoint_dir output
- - finetuning_type lora
- - template llama2
# LLaMA
python src / cli_demo . py
- - model_name_or_path . / Llama - 7 b - hf
- - checkpoint_dir output - 1
- - finetuning_type lora
- - template default
# DPO
python src / cli_demo . py
- - model_name_or_path . / Llama - 2 - 7 b - chat - hf
- - checkpoint_dir output - dpo
- - finetuning_type lora
- - template llama2 # LLaMA-2
CUDA_VISIBLE_DEVICES = 0 python src / train_bash . py
- - stage sft
- - model_name_or_path . / Llama - 2 - 7 b - chat - hf
- - do_predict
- - dataset mm
- - template llama2
- - finetuning_type lora
- - checkpoint_dir output
- - output_dir predict_output
- - per_device_eval_batch_size 8
- - max_samples 100
- - predict_with_generate
# LLaMA
CUDA_VISIBLE_DEVICES = 0 python src / train_bash . py
- - stage sft
- - model_name_or_path . / Llama - 7 b - hf
- - do_predict
- - dataset mm
- - template default
- - finetuning_type lora
- - checkpoint_dir output - 1
- - output_dir predict_output
- - per_device_eval_batch_size 8
- - max_samples 100
- - predict_with_generate # LLaMA-2
CUDA_VISIBLE_DEVICES = 0 python src / train_bash . py
- - stage sft
- - model_name_or_path . / Llama - 2 - 7 b - chat - hf
- - do_eval
- - dataset mm
- - template llama2
- - finetuning_type lora
- - checkpoint_dir output
- - output_dir eval_output
- - per_device_eval_batch_size 8
- - max_samples 100
- - predict_with_generate
# LLaMA
CUDA_VISIBLE_DEVICES = 0 python src / train_bash . py
- - stage sft
- - model_name_or_path . / Llama - 7 b - hf
- - do_eval
- - dataset mm
- - template default
- - finetuning_type lora
- - checkpoint_dir output - 1
- - output_dir eval_output
- - per_device_eval_batch_size 8
- - max_samples 100
- - predict_with_generate Für die 4/8-Bit-Auswertung wird die Verwendung --per_device_eval_batch_size=1 und --max_target_length 128 empfohlen
# LLaMA-2
python src / export_model . py
- - model_name_or_path . / Llama - 2 - 7 b - chat - hf
- - template llama2
- - finetuning_type lora
- - checkpoint_dir output - 1
- - output_dir output_export
# LLaMA
python src / export_model . py
- - model_name_or_path . / Llama - 7 b - hf
- - template default
- - finetuning_type lora
- - checkpoint_dir output
- - output_dir output_export % cd Gradio
python app . py 
# LLaMA-2
python src / api_demo . py
- - model_name_or_path . / Llama - 2 - 7 b - chat - hf
- - checkpoint_dir output
- - finetuning_type lora
- - template llama2
# LLaMA
python src / api_demo . py
- - model_name_or_path . / Llama - 7 b - hf
- - checkpoint_dir output - 1
- - finetuning_type lora
- - template default设置, ändern Sie接口地址in: http://127.0.0.1:8000/ (d. h. Ihre API-Schnittstellenadresse), und dann können Sie sie verwenden. 
PubMed Central und PubMed Abstracts . Diese wertvollen Texte haben das medizinische Wissenssystem des BLOOMZ-Modells erheblich bereichert, sodass viele Open-Source-Projekte BLOOMZ als Basismodell für die medizinische Feinabstimmung Vorrang einräumen werden;质量> 数量die Wahrheit, wie zum Beispiel: Übergeben an Qingyuan&& Caspian | Verwenden Sie 200 Daten zur Feinabstimmung des Modells MiniGPT-4 ! , extrem große SFT-Daten werden das nachgelagerte Aufgaben-LLM schwächen oder ICL, CoT und andere Fähigkeiten verlieren;大规模预训练+小规模监督微调=超强的LLM模型.英文10B以下选择Mistral-7B中文, 10B以下选择Yi-6B 10B und 10B以上选择Qwen-14B和Yi-34B ; Wichtig
Jeder ist herzlich willkommen, neue Erfahrungen zu ISSUE hinzuzufügen!
11~13 Die Methodik stammt aus 13 Milliarden großen Sprachmodellen. Wenn Sie nur ein Gewicht ändern, geht die Sprachfähigkeit vollständig verloren! Die neuesten Forschungsergebnisse des Natural Language Processing Laboratory der Fudan-Universität.
14Methodik zur Frage, wie Fähigkeiten in großen Sprachmodellen durch überwachte Feinabstimmung der Datenzusammensetzung beeinflusst werden
Die Methodik 17~25 stammt aus der Interpretation der chinesischen Version von LLM Optimization: Layer-wise Optimal Rank Adaptation (LORA).
| Bühne | Einführung in Gewichte | Adresse herunterladen | Merkmale | Basismodell | Feinabstimmungsmethode | Datensatz |
|---|---|---|---|---|---|---|
| ?Überwachung und Feinabstimmung | Multiturn-Dialogdaten werden basierend auf LLaMA2-7b-Chat trainiert | CareLlama2-7b-chat-sft-multi、?CareLlama2-7b-multi | Hervorragende Konversationsfähigkeiten in mehreren Runden | LLaMA2-7b-Chat | QLoRA | mm |
| Überwachen Sie die Feinabstimmung | Umfangreiche und effiziente Daten zum Arzt-Patient-Dialog werden auf Basis von LLaMA2-7b-Chat trainiert | CareLlama2-7b-chat-sft-med | Hervorragende Möglichkeiten zur Diagnose von Patientenkrankheiten | LLaMA2-7b-Chat | QLoRA | Hm |
| überwachen |
