Llama 3 近期重磅发布，发布了 8B 和 70B 参数量的模型，XTuner 团队对 Llama 3 微调进行了光速支持！！！开源同时社区中涌现了 Llama3-XTuner-CN 手把手教大家使用 XTuner 微调 Llama 3 模型。
XTuner：
http://github.com/InternLM/XTuner
（文明点击阅读原文可直达）
Llama3-XTuner-CN：
https://github.com/SmartFlowAI/Llama3-XTuner-CN/
Llama 3 概览
首先我们来回顾一下 Llama 3 亮点概览～
首次出现 8B 模型，且 8B 模型与 70B模型全系列使用 GQA (Group Query Attention)。
最大模型达到 400B 规模大小，未来几个月内发布！
分词器由 SentencePiece 换为了 Tiktoken，与 GPT4 保持一致。
相比于 Llama2 的 32000 词表大小，Llama3 的词表大小来到了惊人的 128256。
数据方面上，Llama3 使用了约 15T token 用于模型的训练。
开源模型大小为 8B 和 70B 两种，每种规模均有开源基座模型和 instruct 模型。
Llama3 8B Instruct 模型在数学与代码能力方面数倍于 Llama2 7B chat 模型。
2*A100 即可全量微调
8K 上下文 Llama3 8B
在正式实战之前我们先看一下 XTuner 团队对 Llama 3 8B 的性能测试结果，XTuner 团队在 Llama 3 发布之后光速进行了支持并进行了测速，以下使用不同数量 GPU 全量微调 Llama3 8B 时的训练效率，仅需 2 * A100 80G 即可全量微调 8k 上下文 Llama3 8B。
使用 8 * A100 80G 全量微调不同上下文长度的 Llama3 8B 时的训练效率。
实践教程
Web Demo 部署
本小节将带大家手把手在 InternStudio 部署 Llama3 Web Demo。
环境配置
conda create -n llama3 python=3.10conda activate llama3conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=12.1 -c pytorch -c nvidiaconda install gitgit-lfs install
下载 Llama3 模型
首先通过 OpenXLab 下载 Llama-3-8B-Instruct 这个模型。
mkdir -p ~/modelcd ~/modelgit clone https://code.openxlab.org.cn/MrCat/Llama-3-8B-Instruct.git Meta-Llama-3-8B-Instruct
或者软链接 InternStudio 中的模型。
ln -s /root/share/new_models/meta-llama/Meta-Llama-3-8B-Instruct \ ~/model/Meta-Llama-3-8B-Instruct
安装 XTuner
cd ~git clone -b v0.1.18 https://github.com/InternLM/XTunercd XTunerpip install -e .
运行 web_demo.py
streamlit run ~/Llama3-XTuner-CN/tools/internstudio_web_demo.py \/root/model/Llama-3-8B-Instruct
通过此命令我们就成功本地运行 Llama3 的 Web Demo 了可以愉快的和它对话了，此时问“你是”，模型的自我认识是 Llama。
XTuner 微调 Llama 3 个人小助手认知
在本节我们尝试让 Llama3 有"它是SmartFlowAI打造的人工智能助手"的自我认知，最终效果图如下所示：
自我认知训练数据集准备
首先我们通过以下脚本制作自我认知的数据集。
cd ~/Llama3-XTuner-CNpython tools/gdata.py
数据生成脚本 gdata.py 如下所示，实现了产生 2000 条自我认知的数据的功能，在正式环境中我们需要对各种数据进行配比，为了社区同学们能够快速上手，本例子就采用了过拟合的方式。
import json# 输入你的名字或者机构name = 'SmartFlowAI'# 重复次数n = 2000data = [{"conversation": [{"system":"你是一个懂中文的小助手","input": "你是（请用中文回答）","output": "您好，我是 {}，一个由 SmartFlowAI 打造的人工智能助手，请问有什么可以帮助您的吗？".format(name)}]}]for i in range(n):data.append(data[0])with open('data/personal_assistant.json', 'w', encoding='utf-8') as f:json.dump(data, f, ensure_ascii=False, indent=4)
以上脚本在生成了 ~/Llama3-XTuner-CN/data/personal_assistant.json 数据文件格式如下所示：
[ { "conversation": [ { "system": "你是一个懂中文的小助手", "input": "你是（请用中文回答）", "output": "您好，我是SmartFlowAI，一个由 SmartFlowAI 打造的人工智能助手，请问有什么可以帮助您的吗？" } ] }, { "conversation": [ { "system": "你是一个懂中文的小助手", "input": "你是（请用中文回答）", "output": "您好，我是SmartFlowAI，一个由 SmartFlowAI 打造的人工智能助手，请问有什么可以帮助您的吗？" } ] },········· 此处省略 ]XTuner 配置文件准备
小编在 XTuner 官方的 config 基础上修改了模型路径等关键参数，为大家直接准备好了 configs/assistant/llama3_8b_instruct_qlora_assistant.py 配置文件，可以直接享用～
配置文件链接：
https://github.com/SmartFlowAI/Llama3-XTuner-CN/blob/main/configs/assistant/llama3_8b_instruct_qlora_assistant.py
训练模型
cd /root/project/llama3-ftxtuner train configs/assistant/llama3_8b_instruct_qlora_assistant.py --work-dir /root/llama3_pth# Adapter PTH 转 HF 格式xtuner convert pth_to_hf /root/llama3_pth/llama3_8b_instruct_qlora_assistant.py \/root/llama3_pth/iter_500.pth \/root/llama3_hf_adapter# 模型合并export MKL_SERVICE_FORCE_INTEL=1xtuner convert merge /root/model/Meta-Llama-3-8B-Instruct \/root/llama3_hf_adapter\/root/llama3_hf_merged
推理验证
streamlit run ~/Llama3-XTuner-CN/tools/internstudio_web_demo.py \ /root/llama3_hf_merged
到此为止我们就让 Llama3 具备了“他是由SmartFlowAI 打造的人工智能助手”的个人认知，本文演示平台为 InternStudio，如其他平台只需适当调整相关路径也能比较顺畅的运行起来，XTuner 玩转 Llama3 图片理解更多玩法请参考：https://github.com/SmartFlowAI/Llama3-XTuner-CN/ （欢迎 Star），同时本周天晚 8 点我们邀请了书生·浦语众多社区大佬一起来分享，欢迎预约直播一起讨论。
