大模型微调工具 XTuner 指令微调实战复杂吗？这里有门道…… - 文章 - 开发者社区

picture.image

一、XTuner简介

XTuner 是由上海 AI 实验室的 InternLM 团队推出的一款轻量化大模型微调工具库，支持大语言模型和多模态图文模型的预训练及轻量级微调。以下是其特点：

高效：仅需 8GB 显存即可微调 7B 模型，支持多节点跨设备微调 70B + 大模型。通过自动分发 FlashAttention、Triton kernels 等高性能算子加速训练，兼容 DeepSpeed，能轻松应用 ZeRO 优化策略提升训练效率。

灵活：兼容 InternLM、Llama 2、ChatGLM,QWen,DeepSeek 等多种主流大语言模型和 LLaVA 多模态图文模型，支持预训练与微调。数据管道设计灵活，兼容任意数据格式，支持 QLoRA、LoRA 及全量参数微调等多种算法。

全能：支持增量预训练、指令微调与 Agent 微调，提供丰富的开源对话模板便于与模型交互。训练所得模型可无缝接入部署工具库 LMDeploy、评测工具库 OpenCompass 及 VLMEvalKit，实现从训练到部署的全流程支持。

官网文档：

https://xtuner.readthedocs.io/zh-cn/latest/index.html

github地址：

https://github.com/InternLM/xtuner

二、安装

我们推荐用户参照官方的最佳实践安装 XTuner。推荐使用 Python-3.10 的 conda 虚拟环境安装 XTuner。

步骤 1. 使用 conda 先构建一个 Python-3.10 的虚拟环境

  
conda create --name xtuner-env python=3.10 -y  
conda activate xtuner-env

步骤 2. 安装 XTuner

一般来说，我们都需要调整数据集、配置文件和训练模型，所以需要下载源码安装

  
git clone https://github.com/InternLM/xtuner.git  
cd xtuner  
pip install -e '.[deepspeed]'

步骤3.验证是否安装成功

为了验证 XTuner 是否安装正确，我们将使用命令打印配置文件。

打印配置文件：在命令行中使用 xtuner list-cfg 验证是否能打印配置文件列表。

  
xtuner list-cfg

三、XTuner数据集

大语言模型 Supervised Finetune（SFT）旨在通过有监督的微调来提高预训练模型在特定任务上的性能。为支持尽可能多的下游任务，XTuner 支持了增量预训练、单轮对话、多轮对话三种数据集格式。

增量预训练数据集用于提升模型在特定领域或任务的能力。
单轮对话和多轮对话数据集则经常用于指令微调（instruction tuning）阶段，以提升模型回复特定指令的能力。

为了统一增量预训练、单轮对话和多轮对话三种数据集格式，我们将数据集格式设置为以下形式：

  
[{      "conversation":[          {              "system": "xxx",              "input": "xxx",              "output": "xxx"          }      ]  
},  
{  
    "conversation":[  
        {  
            "system": "xxx",  
            "input": "xxx",  
            "output": "xxx"  
        },  
        {  
            "input": "xxx",  
            "output": "xxx"  
        }  
    ]  
}]

四、XTuner配置文件

1、查看XTuner支持哪些大模型

看源码就可以看到XTuner支持哪些大模型了。目录路径：xtuner/xtuner/configs

picture.image

从上图可以看到XTuner支持了很多大模型，若没有列出，则表明不支持。XTuner支持目前主流的大模型，比如qwen,llama,deepseek,chatglm等。

2、查看XTuner对大模型微调的配置文件

拿qwen1.5-1.8b模型来说，XTuner对该模型微调的配置文件是：xtuner/xtuner/configs/qwen/qwen1_5/qwen1_5_1_8b_chat/qwen1_5_1_8b_chat_qlora_alpaca_e3.py 。

picture.image

常用的参数有：

（1）大模型名称:pretrained_model_name_or_path

（2）提示词模版：prompt_template

（3）数据集最大长度：max_length

（4）是否检查他的最大长度：pack_to_max_length

（5）优化器相关配置：

  
# Scheduler & Optimizer  
batch_size = 1  # per_device  
accumulative_counts = 16  
accumulative_counts *= sequence_parallel_size  
dataloader_num_workers = 0  
max_epochs = 3  
optim_type = AdamW  
lr = 2e-4  
betas = (0.9, 0.999)  
weight_decay = 0  
max_norm = 1  # grad clip  
warmup_ratio = 0.03

batch_size:批处理大小，超参数，需要根据你服务器的配置，尝试运行几次，找到资源利用率最高的数值。

max_epochs:最大训练轮数,至少300。

（6）保存的相关配置：

  
# Save  
save_steps = 500  
save_total_limit = 2  # Maximum checkpoints to keep (-1 means unlimited)

save_steps:保存间隔，500个；save_total_limit:最大保存 checkpoint 个数，-1 表示无限制

（7）验证测试：

  
# Evaluate the generation performance during the training  
evaluation_freq = 500  
SYSTEM = SYSTEM_TEMPLATE.alpaca  
evaluation_inputs = ["请给我介绍五个上海的景点", "Please tell me five scenic spots in Shanghai"]

evaluation_freq: 验证对话效果频率,与保存间隔保持一致即可。

evaluation_inputs:验证对话效果时测试问题。一般是从数据集中找一些有代表性的input数据。

（8）LoRA 配置

  
  
model = dict(   # 构建 model  
    type=SupervisedFinetune,   # 指令跟随微调  
    use_varlen_attn=use_varlen_attn,  
    llm=dict( # LLM  
        type=AutoModelForCausalLM.from_pretrained,  
        pretrained_model_name_or_path=pretrained_model_name_or_path,  
        trust_remote_code=True,  
        torch_dtype=torch.float16,  
        quantization_config=dict(  # 量化配置  
            type=BitsAndBytesConfig,  
            load_in_4bit=True,  
            load_in_8bit=False,  
            llm_int8_threshold=6.0,  
            llm_int8_has_fp16_weight=False,  
            bnb_4bit_compute_dtype=torch.float16,  
            bnb_4bit_use_double_quant=True,  
            bnb_4bit_quant_type="nf4",  
        ),  
    ),  
    lora=dict(   # LoRA 配置  
        type=LoraConfig,  
        r=64,  
        lora_alpha=16,  
        lora_dropout=0.1,  
        bias="none",  
        task_type="CAUSAL_LM",  
    ),  
)

load_in_4bit=True：默认是4位的QLoRA微调，若需要8位的QLoRA,则 load_in_4bit=False并且load_in_8bit=True。

若不需要启动QLoRA则需要注释掉:

  
-       quantization_config=dict(  
-           type=BitsAndBytesConfig,  
-           load_in_4bit=True,  
-           load_in_8bit=False,  
-           llm_int8_threshold=6.0,  
-           llm_int8_has_fp16_weight=False,  
-           bnb_4bit_compute_dtype=torch.float16,  
-           bnb_4bit_use_double_quant=True,  
-           bnb_4bit_quant_type='nf4')

五、XTuner指令微调实战

1、下载大模型

我们拿Qwen1.5-1.8B-Chat来做测试，从魔塔社区下载模型的代码：

  
#模型下载  
from modelscope import snapshot_download  
model_dir = snapshot_download('Qwen/Qwen1.5-1.8B-Chat',cache_dir="/root/autodl-tmp/llm")

保存到路径：/root/autodl-tmp/llm下。

2、制作数据集

将我们制作好的数据集传到服务器上，我们一般放 XTuner源码data目录里（没有则创建该目录）。

3、复制配置文件

一般我们会保留XTuner的原始配置文件，将配置文件复制一份放其根目录下。比如将xtuner/xtuner/configs/qwen/qwen1_5/qwen1_5_1_8b_chat/qwen1_5_1_8b_chat_qlora_alpaca_e3.py复制到xtuner根目录。

picture.image

该配置虽然是qwen1.5版本，其实也可以用作qwen2.5 。

4、修改配置文件

PART 1中

  
### PART 1中  
#预训练模型存放的位置  
pretrained_model_name_or_path = "/root/autodl-tmp/llm/Qwen/Qwen1.5-1.8B-Chat"  
  
  
#微调数据存放的位置  
#alpaca_en_path = "tatsu-lab/alpaca"  
data_files = '/root/autodl-tmp/project/day11/xtuner/data/target_data.json'#基座模型路径  
  
# 训练中最大的文本长度  
max_length = 512  
  
# 每一批训练样本的大小  
batch_size = 10  
  
#最大训练轮数  
max_epochs = 1000  
  
#验证数据  
evaluation_inputs = ["只剩一个心脏了还能活吗？", "爸爸再婚，我是不是就有了个新娘？","马上要上游泳课了，昨天洗的泳裤还没干，怎么办"]

PART 2中

  
    lora=dict(  
        type=LoraConfig,  
        r=64,  
        lora_alpha=128,  # 修改这个值，这个值一般是r的2倍  
        lora_dropout=0.1,  
        bias="none",  
        task_type="CAUSAL_LM",  
    ),

PART 3中

  
dataset=dict(type=load_dataset, path="json",data_files=data_files)  
dataset_map_fn=None

我们的数据集是一个json文件，所以path改为json，data_files指定json文件绝对路径的标量。并且将dataset_map_fn设置为None。

5、执行微调训练指令

在当前目录下，输入以下命令启动微调脚本。

  
xtuner train  qwen1\_5\_1\_8b\_chat\_qlora\_alpaca\_e3.py

6、训练过程确认

执行微调训练指令成功后，将 xtuner/work_dirs/ 目录下看到执行的内容。

picture.image

下一篇我们将对微调后的模型进行模型转换和合并等重要实战操作。

请持续关注我们的公众号“ AI悠悠 ”！