什么是Xtuner？
一种高效的微调框架，适合多种生态和硬件功能。集成了多种任务类型，支持很多开源生态。
大模型的两种微调范式：
1、增量预训练：通过文章、书籍、代码等，让基座模型学到一些新的知识，如某个垂类领域的常识
2、指令跟随微调：通过高质量的对话、问答数据，让模型学会对话模版，根据人类指令进行对话
一般大模型通过增量预训练得到垂类基座模型，再通过指令跟随得到垂类对话模型。
解决微调所需显存的问题：Lora和Qlora。
Lora：在原本的linear层之间新增一个支路adapter
上手！
1、配置环境：
cd ~
#git clone 本repo
git clone https://github.com/InternLM/Tutorial.git -b camp4
mkdir -p /root/finetune && cd /root/finetune
conda create -n xtuner-env python=3.10 -y
conda activate xtuner-env
git clone https://github.com/InternLM/xtuner.git
cd /root/finetune/xtuner
pip install -e '.[all]'
pip install torch==2.4.1 torchvision==0.19.1 torchaudio==2.4.1 --index-url https://download.pytorch.org/whl/cu121
pip install transformers==4.39.0这里注意不能用torch2.5，指定版本用2.4.1，并且在卡住的时候耐心等，不要急着Kill。
2、验证安装，环境配置成功时，输入xtuner list-cfg，不会报错。
3、修改提供的数据，创建新文件夹并创建修改脚本。
mkdir -p /root/finetune/data && cd /root/finetune/data
cp -r /root/Tutorial/data/assistant_Tuner.jsonl /root/finetune/data
# 创建 `change_script.py` 文件
touch /root/finetune/data/change_script.py4、在脚本中放以下代码，将“机智流”换成自定义的名字。
import json
import argparse
from tqdm import tqdm
def process_line(line, old_text, new_text):
# 解析 JSON 行
data = json.loads(line)
# 递归函数来处理嵌套的字典和列表
def replace_text(obj):
if isinstance(obj, dict):
return {k: replace_text(v) for k, v in obj.items()}
elif isinstance(obj, list):
return [replace_text(item) for item in obj]
elif isinstance(obj, str):
return obj.replace(old_text, new_text)
else:
return obj
# 处理整个 JSON 对象
processed_data = replace_text(data)
# 将处理后的对象转回 JSON 字符串
return json.dumps(processed_data, ensure_ascii=False)
def main(input_file, output_file, old_text, new_text):
with open(input_file, 'r', encoding='utf-8') as infile, \
open(output_file, 'w', encoding='utf-8') as outfile:
# 计算总行数用于进度条
total_lines = sum(1 for _ in infile)
infile.seek(0) # 重置文件指针到开头
# 使用 tqdm 创建进度条
for line in tqdm(infile, total=total_lines, desc="Processing"):
processed_line = process_line(line.strip(), old_text, new_text)
outfile.write(processed_line + '\n')
if __name__ == "__main__":
parser = argparse.ArgumentParser(description="Replace text in a JSONL file.")
parser.add_argument("input_file", help="Input JSONL file to process")
parser.add_argument("output_file", help="Output file for processed JSONL")
parser.add_argument("--old_text", default="尖米", help="Text to be replaced")
parser.add_argument("--new_text", default="机智流", help="Text to replace with")
args = parser.parse_args()
main(args.input_file, args.output_file, args.old_text, args.new_text)5、执行脚本，生成如下结构
|-- /finetune/data/
|-- assistant_Tuner.jsonl
|-- assistant_Tuner_change.jsonl6、复制模型，进行训练
这里推荐使用InternStudio开发机，如果使用其他机器，可以在魔搭社区或者hf上下载internlm2_5-7b-chat模型，放入以下路径。
mkdir /root/finetune/models
ln -s /root/share/new_models/Shanghai_AI_Laboratory/internlm2_5-7b-chat /root/finetune/models/internlm2_5-7b-chat7、在finetune目录下新建文件夹，获取官方的config并进行修改
获取方式：
# cd {path/to/finetune}
cd /root/finetune
mkdir ./config
cd config
xtuner copy-cfg internlm2_5_chat_7b_qlora_alpaca_e3 ./修改路径：
修改问题，这里的问题用于评测训练表现，应当与要微调的内容相关？
更改Dataloader：
8、开始微调
微调命令 xtuner train，config是配置文件即internlm2_5_chat_7b_qlora_alpaca_e3_copy.py，deepseed节约显存，work-dir是文件保存位置。
cd /root/finetune
xtuner train ./config/internlm2_5_chat_7b_qlora_alpaca_e3_copy.py --deepspeed deepspeed_zero2 --work-dir ./work_dirs/assistTuner训练过程：就是模型的正常训练过程
9、将pytorch训练出来的格式转换为hf需要的格式
cd /root/finetune/work_dirs/assistTuner
pth_file=`ls -t /root/finetune/work_dirs/assistTuner/*.pth | head -n 1 | sed 's/:$//'`
export MKL_SERVICE_FORCE_INTEL=1
export MKL_THREADING_LAYER=GNU
xtuner convert pth_to_hf ./internlm2_5_chat_7b_qlora_alpaca_e3_copy.py ${pth_file} ./hf转换后的目录结构：
├── hf
│ ├── README.md
│ ├── adapter_config.json
│ ├── adapter_model.bin
│ └── xtuner_config.py10、查看微调后的对话效果
修改模型路径为微调后的：
建立网页：
streamlit run /root/Tutorial/tools/L1_XTuner_code/xtuner_streamlit_demo.py