在Modelarts上微调量化Llama3，并用docker部署

本文概述

本文先使用llama-factory去微调llama3大模型，然后使用llama.cpp去量化模型并打包为docker部署到服务器上让qq机器人能够调用服务，实现qq群内问答。

效果展示

环境准备

本文使用华为云的Modelarts的notebook去进行的模型微调

ubuntu20.04，cuda:11.7，pytorch:2.0.0，gpu:v100 32G

一、配置自定义镜像

华为云默认的镜像非常垃圾，请自行前往AI Gallery里面获取自定义镜像

链接：AI Gallery_算法_开发者_华为云

推荐使用这个，然后点击进入详情页

复制与你modelarts相同区域的url

然后在modelarts控制台的镜像管理这里去点击注册镜像

粘贴刚才复制的url，然后把这两个类型都勾选上，自定义镜像就创建完成

二、创建notebook

按照上图去进行配置，注意的是我们要开启这个ssh远程开发，因为使用modelarts自带的非常难用。

然后进入notebook详情页，在地址哪里第一个框就是服务器的用户名，第二个框是主机地址

三、使用Xshell和Xftp连接服务器

将主机地址和端口号填好，然后点击确认

然后输入用户名

选择public，然后点击浏览并选择用户密钥

然后点击导入，导入你刚才在华为云哪里配置的密钥对文件（后缀为.pem）

然后选择用户密钥之后，点击确认

然后就连接成果了，Xtfp也是这样操作，具体就不演示了。

四、安装llama-factory

执行下面指令，即可完成安装

git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

五、下载llama3-8b-chinese-chat

因为llama3-8b基本上是没有任何中文能力的，所以我们需要在别人训练好的中文模型的基础上进行微调，如果你的任务是英文的那么直接下载原版的就好了。

因为hugging face上下载速度堪忧，我这里直接上传到百度网盘上供大家下载。

链接：https://pan.baidu.com/s/1ETy7Q90IPdJbVLOXjVFGeA?pwd=6rw7
提取码：6rw7
--来自百度网盘超级会员V5的分享

六、准备好微调数据集

这个数据集是我自己采集数据构建的特定任务数据集，大概有1200多组数据，共80多W字。

七、修改dataset_info.json

然后按照这个结构去增加你新添加的数据集信息

八、使用factory webui界面去可视化微调llama3

先将之前下载的中文模型通过xftp上传到服务器,将修改后的datasets_info.json覆盖原来服务器上的

然后执行下面这行代码

CUDA_VISIBLE_DEVICES=0 llamafactory-cli webui

然后点击属性

点击添加按钮

将目标端口改为factory web服务的端口，然后点击确定。

然后在浏览器上输入127.0.0.1:7777就可以打开factory webui页面

然后调整参数进行训练即可，具体调参和训练过程这里就不演示了

九、合并lora模型

在LLaMA-Factory的examples/merge_lora文件夹下，编辑llama3_lora_sft.yaml文件

其中model_name_or_path是预训练大模型的路径，adapter_name_or_path是我们微调好的lora的路径。export_device默认为cpu，如果你需要使用gpu去进行推理的话就改为gpu

保存之后我们执行下面这行命令，完成lora和预训练模型的合并

CUDA_VISIBLE_DEVICES=0 llamafactory-cli export examples/merge_lora/llama3_lora_sft.yaml

十、安装llama.cpp

$ git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp

注意，编译的话有两种

第一种是使用cpu去推理

make

第二种是使用gpu去推理

make LLAMA_CUDA=1

根据你的需求去选择编译类型，然后等待编译完成，便完成了llama.cpp的安装

十一、将hugging face格式的模型转换为gguf格式的模型

在llama.cpp根目录下执行下面这个命令，后面的路径是要转化格式的模型路径

python convert-hf-to-gguf.py /home/ma-user/llama3/LLaMA-Factory/models/llama3_lora_sft

转换好的后得到一个gguf格式的模型权重文件

十二、将模型量化为4bit，加快推理速度

./quantize /home/ma-user/llama3/LLaMA-Factory/models/llama3_lora_sft/ggml-model-f16.gguf /home/ma-user/llama3/LLaMA-Factory/models/llama3_lora_sft/ggml-model-q4.0.gguf q4_0

第一个路径是原来精度的gguf模型路径，第二个路径是量化后模型的保存路径，q4_0这个参数的意思是将模型量化为4bit

至此就完成了模型的量化

十三、测试模型

./server -m /home/ma-user/llama3/LLaMA-Factory/models/llama3_lora_sft/ggml-model-q4.0.gguf -c 4096 -b 64 -n 1024 -t 9999 --repeat_penalty 1.2 --top_k 20 --top_p 0.5 --color -i  --main-gpu 0 --n_gpu_layers 33 --port 60006 -ngl 41

使用这行命令启动llama.cpp的可视化界面

端口这样设置

然后我们在浏览器上输入127.0.0.1:7778打开可视化界面

十四、使用docker部署模型

ps:modelarts里面没有docker，并且也不能安装docker,所以下面这几步我在本地主机上演示，你们也可以在有GPU的服务器上进行（我A100云服务器过期了什么人间疾苦）

执行下面这条命令

docker run -d -p 8080:8080 -v D:/llama3/models:/models --name llama3 --gpus all ghcr.io/ggerganov/llama.cpp:server-cuda -m models/ggml-model-q4.0.gguf -c 4096 -b 64 -n 1024 -t 9999 --repeat_penalty 1.2 --top_k 20 --top_p 0.5 --n_gpu_layers 33 --host 0.0.0.0 --port 8080

然后执行

docker ps

出现这个就是运行成功了

import requests

def send_request(prompt):
    url = "http://localhost:8080/completion"  # 假设服务端点为/completion，根据实际情况调整
    headers = {
        "Content-Type": "application/json",
    }
    data = {
        "prompt": prompt,
        "n_predict": 1024
    }

    try:
        response = requests.post(url, headers=headers, json=data)
        response.raise_for_status()  # 如果响应状态码不是200，将抛出异常
        response_data = response.json()
        print("Response:", response_data)
    except requests.exceptions.RequestException as e:
        print(f"Error occurred: {e}")


if __name__ == "__main__":
    prompt = '{"prompt":"给出一个游戏设计创意"}'
    send_request(prompt)