微网站和h5有什么区别网络营销推广的目的是什么
目录
引言
1、环境准备与依赖导入
2、QLoRA 配置
量化配置
3、模型加载
4、LoRA 配置
5、数据加载与预处理
数据加载
数据预处理
6、训练超参数配置
7、模型训练
8、总结
github代码仓库
https://github.com/huangxiaoye6/LLM-tuning
引言
在自然语言处理领域，大语言模型的微调是提升模型性能、使其适应特定任务的关键步骤。然而，直接微调大型模型通常需要巨大的计算资源和内存。QLoRA（Quantized Low-Rank Adaptation）作为一种高效的微调方法，通过量化和低秩适应技术，显著减少了微调所需的内存和计算资源，同时保持了良好的性能。本文将详细介绍如何使用 QLoRA 对 Qwen3-0.6B 模型进行微调，并深入探讨相关算法和参数。
1、环境准备与依赖导入
首先，我们需要导入必要的库，这些库涵盖了模型加载、数据处理、训练等多个方面。
from peft import prepare_model_for_kbit_training,LoraConfig,get_peft_model,TaskType
from transformers import AutoModelForCausalLM,AutoTokenizer,TrainingArguments,Trainer,default_data_collator,BitsAndBytesConfig
from datasets import load_dataset
import torch
2、QLoRA 配置
量化配置
QLoRA 使用量化技术来减少模型的内存占用。我们通过BitsAndBytesConfig来配置量化参数。
_compute_dtype_map = {'fp32': torch.float32,'fp16': torch.float16,'bf16': torch.bfloat16
}# QLoRA 量化配置
q_config = BitsAndBytesConfig(load_in_4bit=True,bnb_4bit_quant_type='nf4',bnb_4bit_use_double_quant=True,bnb_4bit_compute_dtype=_compute_dtype_map['fp32'],)
load_in_4bit=True：将模型加载为 4 位量化模型，大大减少了内存占用。bnb_4bit_quant_type='nf4'：使用nf4（Normal Float 4-bit）量化类型，这是一种专门为低精度计算设计的量化方式。bnb_4bit_use_double_quant=True：启用双重量化，进一步减少量化误差。bnb_4bit_compute_dtype=_compute_dtype_map['fp32']：计算数据类型设置为fp32，以保证计算的精度。
3、模型加载
我们使用transformers库的AutoModelForCausalLM和AutoTokenizer来加载 Qwen3-0.6B 模型和对应的分词器。
model_name="Qwen/Qwen3-0.6B"
model=AutoModelForCausalLM.from_pretrained(model_name,device_map='auto',torch_dtype="auto",quantization_config=q_config)
tokenizer=AutoTokenizer.from_pretrained(model_name)
device_map='auto'：自动将模型分配到可用的设备（如 GPU）上。torch_dtype="auto"：自动选择合适的张量数据类型。quantization_config=q_config：应用前面配置的量化参数。
接着，我们使用prepare_model_for_kbit_training函数对模型进行预处理，以适应低比特训练。
kbit_model = prepare_model_for_kbit_training(model)
4、LoRA 配置
LoRA（Low-Rank Adaptation）通过引入低秩矩阵来对模型进行微调，减少了可训练参数的数量。
lora_config = LoraConfig(r=4, # LoRA矩阵的秩lora_alpha=32, # LoRA alpha参数target_modules=["q_proj", "k_proj", "v_proj", "o_proj"], # 要应用LoRA的模块lora_dropout=0.05, # Dropout概率bias="none", # 是否训练偏置task_type="CAUSAL_LM", # 任务类型
)
r=4：LoRA 矩阵的秩，表示低秩矩阵的维度。较小的秩可以减少可训练参数的数量。lora_alpha=32：LoRA 的缩放因子，用于调整低秩矩阵的影响。target_modules=["q_proj", "k_proj", "v_proj", "o_proj"]：指定要应用 LoRA 的模块，这些模块通常是注意力机制中的投影层。lora_dropout=0.05：Dropout 概率，用于防止过拟合。bias="none"：不训练偏置参数，进一步减少可训练参数的数量。task_type="CAUSAL_LM"：任务类型为因果语言模型。
然后，我们使用get_peft_model函数将 LoRA 配置应用到模型上。
qlora_model = get_peft_model(kbit_model, lora_config)
我们可以打印出可训练参数的信息，了解模型的训练规模。
qlora_model.print_trainable_parameters()
5、数据加载与预处理
数据加载
我们使用datasets库的load_dataset函数加载 JSON 格式的数据集。
dataset = load_dataset('json', data_files={'train': '../数据集/data/train.json','validation': '../数据集/data/eval.json'
})
数据预处理
我们定义了两个函数process_fun和tokenizer_fun来对数据进行预处理。
def process_fun(example):question=[]answer=[]for i in example['conversations']:for j in i:if j['from']=='human':question.append(j['value'])elif j['from']=='gpt':answer.append(j['value'])return {'question':question,'answer':answer}process_data=dataset.map(process_fun,batched=True,remove_columns=dataset['train'].column_names)
process_fun函数用于从对话数据中提取问题和答案。
def tokenizer_fun(examples):# 构建完整的指令格式（问：{问题}\n答：{答案}）instructions = []for q, a in zip(examples['question'], examples['answer']):instruction = f"问：{q}\n答：{a}"instructions.append(instruction)encoded = tokenizer(instructions,max_length=512,truncation=True,padding="max_length",return_tensors="pt")labels = encoded["input_ids"].clone()# 定位"答："的位置，标记需要预测的部分answer_start_token = tokenizer.encode("答：", add_special_tokens=False)[0]# 遍历批次中的每个样本for i in range(len(labels)):# 找到每个样本中"答："的第一个token位置answer_positions = (labels[i] == answer_start_token).nonzero(as_tuple=True)[0]if len(answer_positions) > 0:# 只取第一个"答："的位置first_answer_pos = answer_positions[0]# 将"答："之前的token标记为-100（忽略计算损失）labels[i, :first_answer_pos] = -100return {"input_ids": encoded["input_ids"],"attention_mask": encoded["attention_mask"],"labels": labels}tokenized_dataset = process_data.map(tokenizer_fun,batched=True,remove_columns=process_data['train'].column_names
)
tokenizer_fun函数用于将文本数据转换为模型可以接受的输入格式，并标记出需要预测的部分。
6、训练超参数配置
我们使用TrainingArguments来配置训练的超参数。
# 定义训练参数
training_args = TrainingArguments(output_dir="./Qlora_train_qwen_0.6B_model",logging_steps=100,logging_dir='./runs',eval_strategy='epoch',num_train_epochs=3,per_device_train_batch_size=8,per_device_eval_batch_size=8,learning_rate=2e-5,weight_decay=0.01,save_strategy='epoch',load_best_model_at_end=True,metric_for_best_model='eval_loss',gradient_accumulation_steps=4, # 如果GPU内存有限
)
output_dir：训练结果的保存目录。logging_steps：每多少步记录一次日志。logging_dir：日志文件的保存目录。eval_strategy='epoch'：在每个 epoch 结束时进行评估。num_train_epochs=3：训练的轮数。per_device_train_batch_size=8：每个设备上的训练批次大小。per_device_eval_batch_size=8：每个设备上的评估批次大小。learning_rate=2e-5：学习率，控制模型参数更新的步长。weight_decay=0.01：权重衰减，用于防止过拟合。save_strategy='epoch'：在每个 epoch 结束时保存模型。load_best_model_at_end=True：训练结束后加载评估指标最好的模型。metric_for_best_model='eval_loss'：以评估损失作为选择最佳模型的指标。gradient_accumulation_steps=4：梯度累积步数，用于在 GPU 内存有限的情况下模拟更大的批次大小。
7、模型训练
最后，我们使用Trainer类来进行模型训练。
trainer=Trainer(model=qlora_model,args=training_args,eval_dataset=tokenized_dataset["validation"],train_dataset=tokenized_dataset["train"],data_collator=default_data_collator,
)trainer.train()
8、总结
本文详细介绍了如何使用 QLoRA 对 Qwen3-0.6B 模型进行微调，包括环境准备、模型加载、数据预处理、超参数配置和模型训练等步骤。通过 QLoRA 的量化和低秩适应技术，我们可以在有限的计算资源下高效地微调大型语言模型。同时，我们深入探讨了相关算法和参数的作用，希望能帮助读者更好地理解和应用 QLoRA 技术。