大家好啊!今天咱们来聊聊怎么给大语言模型"调教"一下，让它在文本分类这个任务上玩得更溜。具体来说，我们要用Qwen1.5这个模型来做文章。别看这活儿听着高大上，其实做起来也没那么难。跟着我来，保证让你轻松上手!

咱们这次要用到的工具有：swanlab、modelscope、transformers还有datasets。从准备数据到可视化训练过程,我们都会用上它们。我琢磨了一下,发现网上能直接用的大模型微调教程不多，所以就想着写这么一篇，希望能给大家一点帮助。

准备工作

首先,咱们得把"武器"准备齐全。你需要安装这几个Python库：

pip install swanlab modelscope transformers datasets peft accelerate

这些库各有各的用处:

数据准备下载数据集

咱们先用ModelScope把数据集弄下来：

from modelscope import MsDataset
dataset = MsDataset.load('huangjintao/zh_cls_fudan-news', split='train')
test_dataset = MsDataset.load('huangjintao/zh_cls_fudan-news', subset_name='test', split='test')
print(dataset)
print(test_dataset)

要是担心数据集有变动，我这儿有个备份，你可以从百度云上下载。

数据集改造

接下来，我们要把数据集改造成一种特殊的格式，这样大模型才能更好地理解和学习:

import json
def construct_instruction_dataset(input_file, output_file):
    messages = []
    with open(input_file, 'r') as file:
        for line in file:
            data = json.loads(line)
            context = data["text"]
            category = data["category"]
            label = data["output"]
            message = {
                "instruction": "作为文本分类专家,请根据给定的文本和分类选项,确定正确的文本类型。",
                "input": f"文本: {context}\n分类选项: {category}",
                "output": label
            }
            messages.append(message)
    with open(output_file, 'w', encoding='utf-8') as file:
        for message in messages:
            file.write(json.dumps(message, ensure_ascii=False) + '\n')
construct_instruction_dataset('original_dataset.jsonl', 'instruction_dataset.jsonl')

这段代码看着可能有点懵，但其实就是把原来的数据整理成"指令-输入-输出"这样的格式。这么做是为了让模型更好地理解我们的任务。

数据集加载

现在我们把处理好的数据加载进来:

from datasets import Dataset
import pandas as pd
df = pd.read_json('./instruction_dataset.jsonl', lines=True)
ds = Dataset.from_pandas(df)

数据预处理

接下来是一个重要的步骤，我们要把文本转换成模型能理解的格式:

def preprocess_function(example):
    MAX_LENGTH = 384
    prompt = f"<|im_start|>system\n{example['instruction']}<|im_end|>\n<|im_start|>user\n{example['input']}<|im_end|>\n<|im_start|>assistant\n"
    
    inputs = tokenizer(prompt, add_special_tokens=False)
    outputs = tokenizer(f"{example['output']}", add_special_tokens=False)
    
    input_ids = inputs["input_ids"] + outputs["input_ids"] + [tokenizer.eos_token_id]
    attention_mask = inputs["attention_mask"] + outputs["attention_mask"] + [1]
    labels = [-100] * len(inputs["input_ids"]) + outputs["input_ids"] + [tokenizer.eos_token_id]
    
    if len(input_ids) > MAX_LENGTH:
        input_ids = input_ids[:MAX_LENGTH]
        attention_mask = attention_mask[:MAX_LENGTH]
        labels = labels[:MAX_LENGTH]
    
    return {
        "input_ids": input_ids,
        "attention_mask": attention_mask,
        "labels": labels
    }
tokenized_dataset = ds.map(preprocess_function, remove_columns=ds.column_names)

这段代码看着挺复杂，但其实就是把我们的文本转换成一串数字，因为模型只认识数字，不认识文字。

模型准备下载模型

首先，我们要把Qwen1.5模型下载下来：

import torch
from modelscope import snapshot_download
model_dir = snapshot_download('qwen/Qwen1.5-7B-Chat', cache_dir='./', revision='master')

加载模型

然后，我们把模型加载到内存中：

from transformers import AutoModelForCausalLM, AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained('./qwen/Qwen1___5-7B-Chat/', use_fast=False, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained('./qwen/Qwen1___5-7B-Chat/', device_map="auto", torch_dtype=torch.bfloat16)
model.enable_input_require_grads()

这里我们用了一个叫"半精度"的技巧，可以让模型占用的内存少一点，跑得更快。

设置LoRA参数

接下来，我们要设置一下LoRA的参数。LoRA是一种很厉害的微调方法，可以让我们用很少的显存就能微调大模型:

from peft import LoraConfig, TaskType
lora_config = LoraConfig(
    task_type=TaskType.CAUSAL_LM,
    target_modules=["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj"],
    inference_mode=False,
    r=8,
    lora_alpha=32,
    lora_dropout=0.1
)

这些参数看着眼花缭乱？别担心，你只需要知道这是在告诉LoRA怎么工作就行了。

应用LoRA配置

现在，我们把LoRA配置应用到模型上：

from peft import get_peft_model
model = get_peft_model(model, lora_config)

开始训练设置训练参数

训练之前《我们要先设置一些训练的参数：

from transformers import TrainingArguments
training_args = TrainingArguments(
    output_dir="./output/Qwen1.5",
    per_device_train_batch_size=4,
    gradient_accumulation_steps=4,
    logging_steps=10,
    num_train_epochs=3,
    save_steps=100,
    learning_rate=1e-4,
    save_on_each_node=True,
    gradient_checkpointing=True
)

这些参数决定了我们的模型怎么学习,学多久,学习过程中多久保存一次等等。

使用SwanLab监控训练

为了更好地了解训练过程，我们用SwanLab来记录和可视化训练：

from swanlab.integration.huggingface import SwanLabCallback
swanlab_callback = SwanLabCallback(project="Qwen1.5-Finetune")

开始训练

终于到了激动人心的时刻，我们要开始训练了：

from transformers import Trainer, DataCollatorForSeq2Seq
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_dataset,
    data_collator=DataCollatorForSeq2Seq(tokenizer=tokenizer, padding=True),
    callbacks=[swanlab_callback],
)
trainer.train()

这段代码就是在告诉电脑："好了，现在开始学习吧！"

模型测试

训练完成后，我们当然要看看模型学得怎么样：

from peft import PeftModel
lora_path = 'output/Qwen1.5/checkpoint-700'
model = PeftModel.from_pretrained(model, model_id=lora_path)
def predict(text, category_options):
    prompt = f"文本:{text},类型选项:{category_options}"
    messages = [
        {"role": "system", "content": "你是一个文本分类领域的专家，请根据给定的文本和分类选项，确定正确的文本类型。"},
        {"role": "user", "content": prompt}
    ]
    
    input_text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
    inputs = tokenizer([input_text], return_tensors="pt").to('cuda')
    
    with torch.no_grad():
        outputs = model.generate(
            inputs.input_ids,
            max_new_tokens=512
        )
    
    response = tokenizer.decode(outputs[0][len(inputs.input_ids[0]):], skip_special_tokens=True)
    return response.strip()
# 使用示例
test_text = "这是一段测试文本。"
test_categories = "体育,科技,娱乐,政治"
result = predict(test_text, test_categories)
print(f"预测结果: {result}")

这段代码就是在问模型："嘿，这段文本是什么类型的？"

小结

好了，到这里我们就完成了Qwen1.5模型的文本分类微调任务。看起来步骤不少，但其实逻辑很清晰:准备数据、加载模型、设置参数、开始训练、最后测试。每一步我们都用了一些小技巧，让整个过程更高效。

希望这篇教程能帮你理解大模型微调的基本流程。记住，实践出真知，多动手试试，你会发现这个过程其实挺有意思的。如果遇到问题，别灰心，这很正常。查查资料，问问同学，相信你一定能搞定！