README.md

LLaMA 对中文的指令调整

Including：

LLaMA 对中文的指令调整：LLaMA Instruct-Tuning for chinese

LLaMA-LoRA对中文的指令调整：Low-Rank LLaMA Instruct-Tuning for chinese

• 大模型的基座是LLaMA
• 受stanford_alpaca的启发,通过ChatGPT生成中文数据集，进行指令微调。
• 生成中文数据集的方法也受到BELLE的启发
• 注意到原始数据集有几个问题可能会影响微调模型的最终性能， 受AlpacaDataCleaned启发，本项目生成了清洗后的数据。
• 此外，本项目也测试了LoRA方法，该方法大大减少了训练的参数量。

Setup

1. Install dependencies 安装依赖包

   pip install -r requirements.txt

2. 设置环境变量 Set environment variables, or modify the files referencing BASE_MODEL:

   # Files referencing `BASE_MODEL`
   # export_hf_checkpoint.py
   # export_state_dict_checkpoint.py
   
   export BASE_MODEL=decapoda-research/llama-7b-hf

   Both finetune.py and generate.py use --base_model flag as shown further below.

Training (finetune.py)

该文件包含了一个将PEFT的LoRA等方法直接应用到LLaMA模型的程序，以及一些与提示构造和标记化相关的代码。

Example usage:

python finetune.py \
    --base_model 'decapoda-research/llama-7b-hf' \
    --data_path 'yahma/alpaca-cleaned' \
    --output_dir './lora-alpaca'

超参数的设置：

python finetune.py \
    --base_model 'decapoda-research/llama-7b-hf' \
    --data_path 'yahma/alpaca-cleaned' \
    --output_dir './lora-alpaca' \
    --batch_size 128 \
    --micro_batch_size 4 \
    --num_epochs 3 \
    --learning_rate 1e-4 \
    --cutoff_len 512 \
    --val_set_size 2000 \
    --lora_r 8 \
    --lora_alpha 16 \
    --lora_dropout 0.05 \
    --lora_target_modules '[q_proj,v_proj]' \
    --train_on_inputs \
    --group_by_length

Inference (generate.py)

该文件从 Hugging Face 读取基础模型，从tloen/alpaca-lora-7b读取LoRA权重，并运行一个Gradio接口对指定输入进行推断。

python generate.py \
    --load_8bit \
    --base_model 'decapoda-research/llama-7b-hf' \
    --lora_weights 'tloen/alpaca-lora-7b'

Checkpoint export (export_*_checkpoint.py)

这些文件包含将LoRA权重合并回基本模型的脚本，以便导出为 Hugging Face格式和PyTorchstate_dicts。 这些脚本可以在llama.cpp或alpaca.cpp等项目中进行Inference。