如何在本地微調PHI-4？

>本指南展示了使用低級適配器（LORA）適配器和擁抱臉的Microsoft PHI-4大語言模型（LLM）進行專門任務。 通過專注於特定域，您可以優化PHI-4的性能，以諸如客戶支持或醫療建議之類的應用程序。 洛拉的效率使這個過程更快，更少的資源密集型。

>

鍵學習成果：

• >微軟PHI-4使用LORA適配器用於目標應用程序。 通過4位量化有效配置和加載PHI-4。
準備和轉換數據集，以通過擁抱的臉和
• 庫進行微調。
>
• >使用擁抱face的unsloth。
監視GPU的使用情況，並保存/將微調模型保存到擁抱臉部以進行部署。
• SFTTrainer
• >先決條件：

開始之前，請確保您有：

python 3.8

pytorch（在CUDA支持GPU加速度）

• 庫
• 擁抱臉
和
• 庫unsloth>
• 使用：transformers安裝必要的庫 datasets

微調phi-4：逐步方法

>

pip install unsloth
pip install --force-reinstall --no-cache-dir --no-deps git+https://github.com/unslothai/unsloth.git

本節詳細介紹了從設置到部署的微調過程。

步驟1：Model Setup

>

這涉及加載模型和導入基本庫：>

from unsloth import FastLanguageModel
import torch

max_seq_length = 2048
load_in_4bit = True

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name="unsloth/Phi-4",
    max_seq_length=max_seq_length,
    load_in_4bit=load_in_4bit,
)

model = FastLanguageModel.get_peft_model(
    model,
    r=16,
    target_modules=["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj"],
    lora_alpha=16,
    lora_dropout=0,
    bias="none",
    use_gradient_checkpointing="unsloth",
    random_state=3407,
)

>步驟2：數據集準備

> >我們將以ShareGpt格式使用Finetome-100K數據集。

>有助於將其轉換為擁抱面孔的格式：

unsloth

from datasets import load_dataset
from unsloth.chat_templates import standardize_sharegpt, get_chat_template

dataset = load_dataset("mlabonne/FineTome-100k", split="train")
dataset = standardize_sharegpt(dataset)
tokenizer = get_chat_template(tokenizer, chat_template="phi-4")

def formatting_prompts_func(examples):
    texts = [
        tokenizer.apply_chat_template(convo, tokenize=False, add_generation_prompt=False)
        for convo in examples["conversations"]
    ]
    return {"text": texts}

dataset = dataset.map(formatting_prompts_func, batched=True)

步驟3：模型微調

使用擁抱臉的微調

：

>

SFTTrainer

>

from trl import SFTTrainer
from transformers import TrainingArguments, DataCollatorForSeq2Seq
from unsloth import is_bfloat16_supported
from unsloth.chat_templates import train_on_responses_only

trainer = SFTTrainer(
    # ... (Trainer configuration as in the original response) ...
)

trainer = train_on_responses_only(
    trainer,
    instruction_part="user",
    response_part="assistant",
)

步驟4：GPU用法監視

> 監視GPU內存使用率：

步驟5：推理

import torch
# ... (GPU monitoring code as in the original response) ...

生成響應：

pip install unsloth
pip install --force-reinstall --no-cache-dir --no-deps git+https://github.com/unslothai/unsloth.git

>步驟6：保存和上傳

>

>在本地保存或推到擁抱面孔：

from unsloth import FastLanguageModel
import torch

max_seq_length = 2048
load_in_4bit = True

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name="unsloth/Phi-4",
    max_seq_length=max_seq_length,
    load_in_4bit=load_in_4bit,
)

model = FastLanguageModel.get_peft_model(
    model,
    r=16,
    target_modules=["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj"],
    lora_alpha=16,
    lora_dropout=0,
    bias="none",
    use_gradient_checkpointing="unsloth",
    random_state=3407,
)

記住用實際的擁抱臉代幣替換<your_hf_token></your_hf_token>>

>

結論：

>該簡化的指南使開發人員有效地微調PHI-4的特定需求，利用洛拉的力量和擁抱的面孔進行優化的性能和易於部署。 請記住，請查閱原始響應以獲取完整的代碼片段和詳細說明。

>

以上是如何在本地微調PHI-4？的詳細內容。更多資訊請關注PHP中文網其他相關文章！