模型介紹

Alpaca模型是斯坦福大學研發的LLM（Large Language Model，大語言）開源模型，是一個在52K指令上從LLaMA 7B（Meta公司開源的7B）模型微調而來，具有70億的模型參數（模型參數越大，模型的推理能力越強，當然隨之訓練模型的成本也就越高）。

LoRA，英文全稱Low-Rank Adaptation of Large Language Models，直譯為大語言模型的低階適應，這是微軟的研究人員為了解決大語言模型微調而開發的一項技術。如果想讓一個預訓練大語言模型能夠執行特定領域內的任務，一般需要做fine-tuning，但是目前推理效果好的大語言模型參數維度非常非常大，有些甚至是上千億維，如果直接在大語言模型上做fine-tuning，計算量會非常的大，成本也會非常的高。

’LoRA的做法是凍結預訓練好的模型參數，然后在每個Transformer塊里注入可訓練的層，由于不需要對模型的參數重新計算梯度，所以，會大大的減少計算量。

具體如下圖所示，核心思想是在原始預訓練模型增加一個旁路，做一個降維再升維的操作。訓練的時候固定預訓練模型的參數，只訓練降維矩陣 A 與升維矩陣 B。而模型的輸入輸出維度不變，輸出時將 BA 與預訓練語言模型的參數疊加。

用隨機高斯分布初始化 A，用 0 矩陣初始化 B。這樣能保證訓練時，新增的旁路BA=0，從而對模型結果沒有影響。在推理時，將左右兩部分的結果加到一起，即h=Wx+BAx=(W+BA)x，所以，只要將訓練完成的矩陣乘積BA跟原本的權重矩陣W加到一起作為新權重參數替換原始預訓練語言模型的W即可，不會增加額外的計算資源。LoRA 的最大優勢是訓練速度更快，使用的內存更少。

本文進行本地化部署實踐的Alpaca-lora模型就是Alpaca模型的低階適配版本。本文將對Alpaca-lora模型本地化部署、微調和推理過程進行實踐并描述相關步驟。

GPU服務器環境部署

本文進行部署的GPU服務器具有4塊獨立的GPU，型號是P40，單個P40算力相當于60個同等主頻CPU的算力。

如果只是測試覺得物理卡太貴了，也可以使用“平替版”——GPU云服務器。相比于物理卡，用GPU云服務器搭建不僅能保障彈性的高性能計算，還有這些好處——

• 高性價比：按時計費，一小時才十幾元，可以隨時根據自己的需求調配；靈活資源管理、可擴展性、彈性伸縮等云計算優勢，根據業務或個人訓練的需要，快速調整計算資源，滿足模型的訓練和部署需求；
• 開放性：云計算的開放性讓用戶更容易進行資源的共享和協作，為AI模型的研究和應用提供了更廣泛的合作機會；
• 豐富的API和SDK：云計算廠商提供了豐富的API和SDK，使得用戶能夠輕松地接入云平臺的各種服務和功能，進行定制化開發和集成。

京東云的GPU云主機最近在做618活動，非常劃算
https://www.jdcloud.com/cn/calculator/calHost

拿到GPU服務器我們首先就是安裝顯卡驅動和CUDA驅動（是顯卡廠商NVIDIA推出的運算平臺。 CUDA是一種由NVIDIA推出的通用并行計算架構，該架構使GPU能夠解決復雜的計算問題）。

顯卡驅動需要到NVIDIA的官方網站去查找相應的顯卡型號和適配的CUDA版本，下載地址：
https://www.nvidia.com/Download/index.aspx ，選擇相應的顯卡和CUDA版本就可以下載驅動文件啦。

我下載的文件是NVIDIA-Linux-x86_64-515.105.01.run，這是一個可執行文件，用root權限執行即可，注意安裝驅動過程中不能有運行的nvidia進程，如果有需要全部kill掉，否則會安裝失敗，如下圖所示：

然后一路next，沒有報錯的話就安裝成功啦。為了后續查看顯卡資源情況，最好還是再安裝一個顯卡監控工具，比如nvitop，用pip install nvitop即可，這里注意，由于不同服務器python版本有差異，最好安裝anaconda部署自己的私有python空間，防止運行時報各種奇怪的錯誤，具體步驟如下：

1.安裝anaconda 下載方式：wget
https://repo.anaconda.com/archive/Anaconda3-5.3.0-Linux-x86_64.sh。 安裝命令： sh Anaconda3-5.3.0-Linux-x86_64.sh 每個安裝步驟都輸入“yes”，最后conda init后完成安裝，這樣每次進入安裝用戶的session，都會直接進入自己的python環境。如果安裝最后一步選擇no，即不進行conda init，則后續可以通過source /home/jd_ad_sfxn/anaconda3/bin/activate來進入到私有的python環境。

2.安裝setuptools 接下來需要安裝打包和分發工具setuptools，下載地址：wget
https://files.pythonhosted.org/packages/26/e5/9897eee1100b166a61f91b68528cb692e8887300d9cbdaa1a349f6304b79/setuptools-40.5.0.zip 安裝命令： unzip setuptools-40.5.0.zip cd setuptools-40.5.0/ python setup.py install

3.安裝pip 下載地址：wget
https://files.pythonhosted.org/packages/45/ae/8a0ad77defb7cc903f09e551d88b443304a9bd6e6f124e75c0fbbf6de8f7/pip-18.1.tar.gz 安裝命令： tar -xzf pip-18.1.tar.gz cd pip-18.1 python setup.py install

至此，漫長的安裝過程終于告一段落了，我們現在創建一個私有的python空間，執行：

conda create -n alpaca pythnotallow=3.9
conda activate alpaca

然后驗證一下，如下圖所示說明已經創建成功啦。

模型訓練

上文已經把GPU服務器的基礎環境安裝好了，下面我們就要開始激動人心的模型訓練了（激動ing），在訓練之前我們首先需要下載模型文件，下載地址：
https://github.com/tloen/alpaca-lora ，整個模型都是開源的，真好！首先把模型文件下載到本地，執行git clone https://github.com/tloen/alpaca-lora.git .。

本地會有文件夾alpaca-lora，然后cd alpaca-lora到文件夾內部執行

pip install -r requirements.txt

這個過程可能會比較慢，需要從網上下載大量的依賴包，過程中可能也會報各種包沖突，依賴沒有等問題，這塊只能見招拆招，缺什么裝什么（解決包依賴和版本沖突確實是個頭疼的事情，不過這步做不好，模型也跑不起來，所以只能耐心的一點一點解決），這里痛苦的過程就不贅述了，因為不同機器可能遇到的問題也不太一樣，參考意義不是很大。

如果安裝過程執行完成，并沒再有報錯信息，并提示Successful compeleted，那么恭喜你啦，萬里長征已經走完一半啦，你已經離成功很近了，再堅持一下下就很有可能成功啦：）。

由于我們的目標是對模型進行fine-tuning，所以我們得有一個fine-tuning的目標，由于原始模型對中文支持并不好，所以我們的目標就有了，用中文語料庫讓模型更好的支持中文，這個社區也給我準備好了，我們直接下載中文的語料庫就好了，在本地執行 wget
https://github.com/LC1332/Chinese-alpaca-lora/blob/main/data/trans_chinese_alpaca_data.json?raw=true ，將后面模型訓練用到的語料庫下載到alpaca-lora根目錄下（后面方便使用）。

語料庫的內容就是很多的三元組（instruction,input,output，如下圖所示），instruction就是指令，讓模型做什么事，input就是輸入，output是模型的輸出，根據指令和輸入，訓練模型應該輸出什么信息，讓模型能夠更好的適應中文。

好的，到現在為止，萬里長征已經走完2/3了，別著急訓練模型，我們現在驗證一下GPU環境和CUDA版本信息，還記得之前我們安裝的nvitop嘛，現在就用上了，在本地直接執行nvitop，我們就可以看到GPU環境和CUDA版本信息了，如下圖：

在這里我們能夠看到有幾塊顯卡，驅動版本和CUDA版本等信息，當然最重要的我們還能看到GPU資源的實時使用情況。

怎么還沒到模型訓練呢，別著急呀，這就來啦。

我們先到根目錄下然后執行訓練模型命令：

如果是單個GPU，那么執行命令即可：

python finetune.py \
    --base_model 'decapoda-research/llama-7b-hf' \
    --data_path 'trans_chinese_alpaca_data.json' \
    --output_dir './lora-alpaca-zh'

如果是多個GPU，則執行：

WORLD_SIZE=2 CUDA_VISIBLE_DEVICES=0,1 torchrun \
--nproc_per_node=2 \
--master_port=1234 \
finetune.py \
--base_model 'decapoda-research/llama-7b-hf' \
--data_path 'trans_chinese_alpaca_data.json' \
--output_dir './lora-alpaca-zh'

如果可以看到進度條在走，說明模型已經啟動成功啦。

在模型訓練過程中，每迭代一定數量的數據就會打印相關的信息，會輸出損失率，學習率和代信息，如上圖所示，當loss波動較小時，模型就會收斂，最終訓練完成。

我用的是2塊GPU顯卡進行訓練，總共訓練了1904分鐘，也就是31.73個小時，模型就收斂了，模型訓練是個漫長的過程，所以在訓練的時候我們可以適當的放松一下，做點其他的事情：）。

模型推理

模型訓練好后，我們就可以測試一下模型的訓練效果了，由于我們是多個GPU顯卡，所以想把模型參數加載到多個GPU上，這樣會使模型推理的更快，需要修改

generate.py 文件，添加下面這樣即可。

然后我們把服務啟起來，看看效果，根目錄執行：

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

其中./lora-alpaca-zh目錄下的文件，就是我們剛剛fine tuning模型訓練的參數所在位置，啟動服務的時候把它加載到內存（這個內存指的是GPU內存）里面。

如果成功，那么最終會輸出相應的IP和Port信息，如下圖所示：

我們可以用瀏覽器訪問一下看看，如果能看到頁面，就說明服務已經啟動成功啦。

激動ing，費了九牛二虎之力，終于成功啦！！

因為我們目標是讓模型說中文，所以我們測試一下對中文的理解，看看效果怎么樣？

簡單的問題，還是能給出答案的，但是針對稍微復雜一點的問題，雖然能夠理解中文，但是并沒有用中文進行回答，訓練后的模型還是不太穩定啊。

在推理的時候我們也可以監控一下GPU的變化，可以看到GPU負載是比較高的，說明GPU在進行大量的計算來完成推理。

總結

1.效果問題：由于語料庫不夠豐富，所以目前用社區提供的語料庫訓練的效果并不是很好，對中文的理解力有限，如果想訓練出能夠執行特定領域的任務，則需要大量的語料支持，同時訓練時間也會更長；

2. 推理時間問題：由于目前部署的GPU服務器有4塊GPU，能夠執行的有3塊，基于3塊GPU，在推理的時候還是比較吃力的，執行一次交互需要大概30s-1min，如果達到chatGPT那樣實時返回，則需要大量的算力進行支持，可以反推，chatGPT后臺肯定是有大集群算力支持的，所以如果想做成服務，成本投入是需要考量的一個問題；

3. 中文亂碼問題：在input為中文的時候，有時候返回結果會亂碼，懷疑跟切詞有關，由于中文的編碼問題，中文不像英文以空格區分，所以可能會有一定的亂碼情況產生，調用open AI 的API也會有這種情況，后面看看社區是否有相應解決辦法；

4. 模型選擇問題：由于目前GPT社區比較活躍，模型的產生和變化也是日新月異，由于時間倉促，目前只調研了alpaca-lora模型的本地化部署，后面針對實際落地的應用應該也會有更好的更低成本的落地方案，需要持續跟進社區的發展，選擇合適的開源方案。

京東云P40型號GPU的【ChatGLM語言模型】實踐篇詳見：https://www.toutiao.com/article/7226282048003375675/

作者：京東零售 駱永健

內容來源：京東云開發者社區