大模型微调（5）：PEFT 微调 Qwen 大模型

1. 背景 =====

在前面的微调课程中，我们已经储备了很多前置的理论知识，这节课就来真刀真枪地体验一下如何基于开源大模型进行微调。

目前在中文领域，DeepSeek 和 Qwen 可以算是第一梯队的模型了。本次内容，我们就以 Qwen-1.8B 这个小模型为例，一步步演示下如何进行 PEFT 微调。

Qwen-1.8B 是 Qwen 系列的一个最小的版本，具有 18 亿参数。这个模型虽然在大模型家族中量级较小，但也能够处理中英双语的自然语言理解和生成任务。通过量化技术，Qwen-1.8B 可以在低至 4GB 显存的消费级显卡上运行（INT4 量化级别）。

Qwen-1.8B 在性能和开放性之间进行了良好的平衡，旨在为开发者提供一个强大且易用的对话交互基座，加速大模型在实际场景中的应用落地，很受中文世界用户的欢迎。这个模型的大小，也比较适合我们学习。

这是一个开源模型，可以直接从 HuggingFace 上下载。

2. 微调技术概览 =========

我们之所以要对大模型继续微调，通常是要实现两个目标：第一个是让模型更切合自己的应用场景，更加适应特定的下游任务；第二个是模型能够变得更加轻便，节省资源。

针对这两个目标，业界主要采用以下几种微调方式：

不同的微调方法在参数效率、任务适应能力、实现难易度等方面各有优劣。针对具体任务，需要根据实际情况（如任务复杂度、训练数据规模、可用算力等）来选择合适的微调策略。

此外，基于模型部署的需求，模型蒸馏、量化、剪枝等模型压缩方法，也常常与微调方法配合使用，以进一步减小模型体积、加速推理速度，使大模型更容易在实际应用中落地，这个我们在后面的内容中会展开讨论。

3. LoRA 简介 ==========

在上面罗列的各种主流微调方法，除了全量微调之外，其余都可以称之为 PEFT，即 Parameter Efficient Fine-Tuning，参数高效微调，它是一种在大语言模型微调过程中，通过减少需要更新的参数数量来降低计算成本和存储需求的技术。

毕竟大语言模型的主要问题是参数数量过大，做全量微调实在对资源的消耗太大，已经不是一般研究人员或者普通企业所能做的了。而 PEFT 则是当前大模型领域最为高效实用的微调技术之一！

PEFT 微调中的一条重要分支，就是基于低秩分解的方法（LoRA），这一类方法通过低秩分解来近似表示要学习的增量权重矩阵。

基于低秩分解的思想，可以用非常小的参数开销（新增参数量通常只有原模型的 0.1%~3%）来适配模型，在参数效率上非常有优势。

关于 LoRA 的更多技术细节，可以参考论文《LoRA: Low-Rank Adaptation of Large Language Models》。

LoRA 这种方法有许多优点：

• LoRA 通过大幅减少可训练参数的数量，使微调更加高效。

• 原始预训练权重保持冻结，这意味着你可以拥有多个轻量级和便携式的LoRA 模型，以便在其基础上构建各种下游任务。

• LoRA 与其他参数高效方法正交，并且可以与其中许多方法相结合。

• 使用 LoRA 微调的模型的性能，与完全微调的模型的性能相当。

  凭借参数少、计算快、效果好、易实现等优势，LoRA 成为了近年来最受欢迎的 PEFT 技术之一。包括 ChatGPT 在内的众多业界大模型，都采用了 LoRA 进行下游任务适配。

所以，接下来我们就通过 LoRA 方法，来尝试微调 Qwen-1.8B 模型！

4. 环境准备 =======

首先说明下我本次微调所使用的环境：

• 操作系统：ubuntu-22.04

• GPU：RTX 3090(24GB)

• CUDA 环境：CUDA 12.6

• Python 版本：Python 3.10

• PyTorch 版本：PyTorch 2.7.0

  需要特别注意的是：PyTorch 与 cuda 的版本一定要匹配，否则可能无法正常运行项目。

具体版本的对应关系可以参考 PyTorch 官网：

要从零开始手动实现上面的各种微调方法，当然不现实，好在我们有 Hugging Face 的 PEFT 框架。

PEFT 是 Hugging Face 针对大模型微调而开发的一套框架，它旨在使大语言模型（LLMs）的微调过程更加高效和资源友好。这个框架提供了一些主要的技术，以减少微调所需的参数量和计算资源，同时仍保持模型在特定任务上的高性能。

除了 peft 之外，我们微调还要依赖其它一些包，这里可以一起安装下：

  
pip install peft transformers torch setuptools bitsandbytes datasets sentencepiece

因为 peft 和 transformers 库都需要访问 HuggingFace，为了加速访问，我们可以通过环境变量设置下镜像站：

  
import os  
# 设置模型下载路径  
os.environ["HF_HOME"] = "你的下载路径"  
os.environ["HF_HUB_CACHE"] = "你的下载路径"  
# 设置HuggingFace镜像站  
os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"

5. 准备数据 =======

环境已经就绪，下面就开始我们的微调实战吧！

通常来说，微调的第一步就是准备数据。

我在使用 ChatGLM 提供的一个 Alpaca 风格的中文中药数据集，大概有4千条，可以用来作为我们本次微调的训练语料。

Alpaca 是由 Meta 发布的一种主流的数据集格式，每条语料都包含 instruction、input 和 output 这三个字段。 关于 Alpaca 风格的具体解释，这里就不赘述了，大家感兴趣的话可以自行搜索一下。

在微调之前，我们先测试一下 Qwen1.5-1.8B-Chat 这个模型，看看微调前的效果。我向它提问几条中药相关的问题：

  
# 导入Hugging Face Transformers相关库  
from transformers import AutoModelForCausalLM, AutoTokenizer  
  
# 指定模型名称  
MODEL = "Qwen/Qwen1.5-1.8B-Chat"  
  
# 加载训练好的模型和分词器  
# tokenizer和model要一一对应  
tokenizer = AutoTokenizer.from_pretrained(MODEL, trust_remote_code=True)  
model = AutoModelForCausalLM.from_pretrained(MODEL, trust_remote_code=True, device_map='auto')  
# 模型设为评估状态  
model.eval()  
# 定义测试示例  
examples = [  
    {  
        "instruction": "使用中医知识正确回答适合这个病例的中成药。",  
        "input": "我这段时间感觉身体不太对劲，有腹泻的迹象，面黄肌瘦，吃点什么中成药能改善？"  
    },  
    {  
        "instruction": "使用中医知识正确回答适合这个病例的中成药。",  
        "input": "我昨天开始咳嗽，感觉喉咙痛，痰又稠又黄，还感觉有点发热。"  
    }  
]  
# 测试模型生成结果  
for example in examples:  
    context = f"Instruction: {example['instruction']}\nInput: {example['input']}\nAnswer: "  
    # 对输入文本进行编码  
    inputs = tokenizer(context, return_tensors="pt")   
    # 模型生成回复  
    outputs = model.generate(inputs.input_ids.to(model.device), max_length=512, num_return_sequences=1, no_repeat_ngram_size=2)  
    # 对回复内容进行解码  
    answer = tokenizer.decode(outputs[0], skip_special_tokens=True)  
    print(f"Input: {example['input']}")  
    print(f"Output: {answer}\n")

执行这段代码，会首先从 HuggingFace 上，将模型下载到本地，之后采用本地的模型进行推理。

需要注意的是：因为我们还没有进行微调，所以此时模型生成的结果还是基于之前预训练的语料库，并不一定是真实准确的。

6. 执行微调 =======

我们确认了模型已经被拉取到本地，并且可以正常运行，接下来，就可以正式开始微调了。

首先，我们需要自定义数据集， 继承 Pytorch 的 Dataset 类 ，这样就将刚才下载下来的数据集转化成模型可以理解的格式：

  
# 导入Dataset  
from torch.utils.data import Dataset  
import json  
# 自定义中药数据集  
class MedicineDataset(Dataset):  
    def __init__(self, data_path, tokenizer, device):  
        self.data = json.load(open(data_path))  
        self.tokenizer = tokenizer  
        self.device = device  
    def __len__(self):  
        return len(self.data)  
    def __getitem__(self, idx):  
        example = self.data[idx]  
        formatted_example = self.format_example(example)  
        inputs = self.tokenizer(  
            formatted_example["context"],  
            max_length=512,  
            truncation=True,  
            padding="max_length",  
            return_tensors="pt"  
        )  
        labels = self.tokenizer(  
            formatted_example["target"],  
            max_length=512,  
            truncation=True,  
            padding="max_length",  
            return_tensors="pt"  
        )  
        inputs["labels"] = labels["input_ids"]  
        # 确保所有张量在同一个设备上  
        return {key: val.squeeze().to(self.device) for key, val in inputs.items()}  
    def format_example(self, example: dict) -> dict:  
        context = f"Instruction: {example['instruction']}\n"  
        if example.get("input"):  
            context += f"Input: {example['input']}\n"  
        context += "Answer: "  
        target = example["output"]  
        return {"context": context, "target": target}

接下来，对需要微调的模型进行一些设置：

  
# 导入微调模型所需的库  
from transformers import AutoTokenizer, AutoModelForCausalLM  
import torch  
# 指定模型  
MODEL = "Qwen/Qwen1.5-1.8B-Chat"  
# 判断设备类型  
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")  
# 加载分词器和模型  
tokenizer = AutoTokenizer.from_pretrained(MODEL, trust_remote_code=True)  
model = AutoModelForCausalLM.from_pretrained(MODEL, trust_remote_code=True)  
# 把模型移动到设备上  
model = model.to(device)   
# 节省内存的一些配置  
model.supports_gradient_checkpointing = True  # 支持梯度检查点功能，减少显存使用  
model.gradient_checkpointing_enable()  # 启用梯度检查点功能，减少训练时的显存占用  
model.enable_input_require_grads()  # 允许模型输入的张量需要梯度，支持更灵活的梯度计算  
model.is_parallelizable = True  # 指定模型可以并行化处理  
model.model_parallel = True  # 启用模型并行化，在多设备(如多GPU)上分布计算

然后是比较关键的一步：LoRA 配置。

这些配置项可以帮助我们在训练语言模型时应用 LoRA 技术，通过低秩分解，减少模型参数和内存占用，并使用 dropout 技术防止过拟合，同时仅在特定模块上应用 LoRA，从而在计算效率和模型性能之间取得平衡。

  
# 导入peft库  
from peft import get_peft_model, LoraConfig, TaskType  
# 配置LoRA相关参数  
peft_config = LoraConfig(  
    task_type=TaskType.CAUSAL_LM, # 任务类型: 因果语言模型(Causal LM)  
    inference_mode=False, # 设置推理模式为False,表示当前配置用于训练模式,而非推理模式  
    r=8, # 设置低秩分解的秩: Rank=8。r越小,表示模型的参数量和内存占用越少,压缩程度越高  
    lora_alpha=32, # 设置缩放因子：lora_alpha=32  
    lora_dropout=0.1, # 设置dropout概率：lora_dropout=0.1,表示有10%的神经元会被丢弃,此操作有助于防止模型过拟合,提升模型的泛化能力  
    target_modules=["q_proj", "v_proj"]  # 查询投影和值投影模块  
)  
# 在模型上应用LoRA配置  
model = get_peft_model(model, peft_config) 

相关的前置工作已经都 ready 了，下一步就可以直接进行微调了：

  
# 创建训练数据集  
train_dataset = MedicineDataset("./data/dataset/cpmi_dataset.json", tokenizer, device)  
# 导入训练相关的库  
from transformers import TrainingArguments, Trainer  
# 定义训练参数  
training_args = TrainingArguments(  
    output_dir="./results",  # 训练结果保存的目录  
    num_train_epochs=50,  # 训练的总轮数  
    per_device_train_batch_size=4,  # 每个设备上的训练批次大小  
    gradient_accumulation_steps=8,  # 梯度累积步数，在进行反向传播前累积多少步  
    # evaluation_strategy="no",  # 评估策略，这里设置为不评估  
    save_strategy="epoch",  # 保存策略，每个 epoch 保存一次模型  
    learning_rate=5e-5,  # 学习率  
    fp16=True,  # 启用 16 位浮点数训练，提高训练速度并减少显存使用  
    logging_dir="./logs",  # 日志保存目录  
    dataloader_pin_memory=False,  # 禁用pin_memory以节省内存  
)  
# 自定义 Trainer  
class CustomTrainer(Trainer):  
    def compute_loss(self, model, inputs, return_outputs=False, **kwargs):  
        labels = inputs.pop("labels")  # 从输入中取出标签  
        outputs = model(**inputs)  # 获取模型输出  
        logits = outputs.logits  # 获取模型输出的logits  
        shift_logits = logits[..., :-1, :].contiguous()  # 对logits进行偏移，准备计算交叉熵损失  
        shift_labels = labels[..., 1:].contiguous()  # 对标签进行偏移，准备计算交叉熵损失  
        loss_fct = torch.nn.CrossEntropyLoss()  # 定义交叉熵损失函数  
        loss = loss_fct(shift_logits.view(-1, shift_logits.size(-1)), shift_labels.view(-1))  # 计算损失  
        return (loss, outputs) if return_outputs else loss  # 根据参数返回损失和输出  
# 定义 Trainer  
trainer = CustomTrainer(  
    model=model,  # 训练的模型  
    args=training_args,  # 训练参数  
    train_dataset=train_dataset,  # 训练数据集  
)  
# 开始微调  
print("开始微调")  
trainer.train()  
print("微调完成")

执行这段代码，就可以把模型训练 run 起来了。

我们指定了训练的轮数为50轮，在实际的生产环境中，训练的轮数通常会更多，并且要结合不断的调参，才能达到较好的训练效果。训练的耗时可能会比较长，请大家耐心等待~

这里我们可以看到，随着模型训练的轮数越来越多，损失函数也在逐渐收敛。

跑完训练之后，我们可以将微调好的模型保存到本地。

  
import os  
# 微调后模型的保存路径  
FINE_TUNING_DIR = "./fine-tuning-qwen1.5-1.8b-chat"  
# 保存训练后的模型和配置文件  
model.save_pretrained(FINE_TUNING_DIR)  
tokenizer.save_pretrained(FINE_TUNING_DIR)  
# 将配置文件下载到模型目录中  
config = model.config.to_dict()  
config_path = os.path.join(FINE_TUNING_DIR, 'config.json')  
with open(config_path, 'w') as f:  
    json.dump(config, f, ensure_ascii=False, indent=4)  
print(f"微调后的模型已经成功保存到: {FINE_TUNING_DIR}")

这样一来，整个微调过程就结束了，是不是没有那么复杂？

7. 模型评估 =======

微调完成之后，最后一步就是模型评估 ，也就是在微调后的模型上再次测试同样的问题，看看模型生成的回复是否与参考数据集中的内容一致。

  
# 导入所需要的库  
from transformers import AutoModelForCausalLM, AutoTokenizer  
# 加载训练好的模型和分词器  
tokenizer = AutoTokenizer.from_pretrained(FINE_TUNING_DIR, trust_remote_code=True)  
model = AutoModelForCausalLM.from_pretrained(FINE_TUNING_DIR, trust_remote_code=True, device_map='auto')  
# 模型设为评估状态  
model.eval()  
# 定义测试示例  
questions = [  
    {  
        "instruction": "使用中医知识正确回答适合这个病例的中成药。",  
        "input": "我这段时间感觉身体不太对劲，有腹泻的迹象，面黄肌瘦，吃点什么中成药能改善？"  
    },  
    {  
        "instruction": "使用中医知识正确回答适合这个病例的中成药。",  
        "input": "我昨天开始咳嗽，感觉喉咙痛，痰又稠又黄，还感觉有点发热。"  
    }  
]  
# 生成回复  
for question in questions:  
    context = f"Instruction: {question['instruction']}\nInput: {question['input']}\nAnswer: "  
    # 对输入文本进行编码  
    inputs = tokenizer(context, return_tensors="pt")   
    # 模型生成回复  
    outputs = model.generate(inputs.input_ids.to(model.device), max_length=512, num_return_sequences=1, no_repeat_ngram_size=2)  
    # 对回复内容进行解码  
    answer = tokenizer.decode(outputs[0], skip_special_tokens=True)  
    print(f"Input: {question['input']}")  
    print(f"Output: {answer}\n")

实际执行结果如下：

令人欣喜的是，我们训练语料库中的知识，已经被 Qwen 模型消化进去了，并且体现到了生成的内容中，说明本次微调是生效的！

同样可以看到，目前回答的准确率还不是很高，语义也不太通顺，这是因为我们训练的轮数太少，而且也没有针对性地设置 LoRA 参数，这是一个需要反复调优和评估的过程，这里就不展开讨论了，鼓励大家自己动手试一试。

8. 小结 =====

本篇文章，我们介绍了微调的核心概念，并基于 LoRA 技术与 peft 框架，对 Qwen 模型进行了微调，使其在中医领域的问答任务上取得了很好的效果。

利用 LoRA 等参数高效微调技术，我们可以用较小的计算开销，快速适配预训练模型到特定任务，让模型获得新的领域知识，同时又能保留原有的语言理解和生成能力，这为大语言模型在垂直领域的应用提供了新的思路，也降低了大模型应用落地的门槛。