2023 年，聊天機(jī)器人領(lǐng)域似乎只剩下兩個(gè)陣營(yíng)：「OpenAI 的 ChatGPT」和「其他」。

ChatGPT 功能強(qiáng)大，但 OpenAI 幾乎不可能將其開(kāi)源。「其他」陣營(yíng)表現(xiàn)欠佳，但不少人都在做開(kāi)源方面的努力，比如前段時(shí)間 Meta 開(kāi)源的 LLaMA。

LLaMA 是一系列模型的總稱，參數(shù)量從 70 億到 650 億不等，其中，130 億參數(shù)的 LLaMA 模型「在大多數(shù)基準(zhǔn)上」可以勝過(guò)參數(shù)量達(dá) 1750 億的 GPT-3。不過(guò)，該模型并沒(méi)有經(jīng)過(guò)指令微調(diào)（instruct tuning），因此生成效果較差。

為了提高模型性能，來(lái)自斯坦福的研究者幫助其完成了指令微調(diào)的工作，訓(xùn)練了一個(gè)名為 Alpaca（羊駝）的 70 億參數(shù)新模型（基于 LLaMA 7B）。具體來(lái)說(shuō)，他們讓 OpenAI 的 text-davinci-003 模型以 self-instruct 方式生成 52K 指令遵循（instruction-following）樣本，以此作為 Alpaca 的訓(xùn)練數(shù)據(jù)。實(shí)驗(yàn)結(jié)果表明，Alpaca 的很多行為都與 text-davinci-003 類似。也就是說(shuō)，只有 7B 參數(shù)的輕量級(jí)模型 Alpaca 性能可媲美 GPT-3.5 這樣的超大規(guī)模語(yǔ)言模型。

對(duì)于普通研究者來(lái)說(shuō)，這是一種切實(shí)可行的廉價(jià)微調(diào)方式，不過(guò)需要的運(yùn)算量仍然較大（作者表示他們?cè)?8 個(gè) 80GB A100 上微調(diào)了 3 個(gè)小時(shí)）。而且，Alpaca 的種子任務(wù)都是英語(yǔ)，收集的數(shù)據(jù)也都是英文，因此訓(xùn)練出來(lái)的模型未對(duì)中文優(yōu)化。?

為了進(jìn)一步降低微調(diào)成本，另一位來(lái)自斯坦福的研究者 ——Eric J. Wang 使用 LoRA（low-rank adaptation）技術(shù)復(fù)現(xiàn)了 Alpaca 的結(jié)果。具體來(lái)說(shuō)，Eric J. Wang 使用一塊 RTX 4090 顯卡，只用 5 個(gè)小時(shí)就訓(xùn)練了一個(gè)和 Alpaca 水平相當(dāng)?shù)哪Ｐ?，將這類模型對(duì)算力的需求降到了消費(fèi)級(jí)。而且，該模型可以在樹(shù)莓派上運(yùn)行（用于研究）。

LoRA 的技術(shù)原理。LoRA 的思想是在原始 PLM 旁邊增加一個(gè)旁路，做一個(gè)降維再升維的操作，來(lái)模擬所謂的 intrinsic rank。訓(xùn)練的時(shí)候固定 PLM 的參數(shù)，只訓(xùn)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(shí)將 BA 與 PLM 的參數(shù)疊加。用隨機(jī)高斯分布初始化 A，用 0 矩陣初始化 B，保證訓(xùn)練的開(kāi)始此旁路矩陣依然是 0 矩陣（引自：https://finisky.github.io/lora/）。LoRA 的最大優(yōu)勢(shì)是速度更快，使用的內(nèi)存更少，因此可以在消費(fèi)級(jí)硬件上運(yùn)行。

Eric J. Wang 發(fā)布的 Alpaca-LoRA 項(xiàng)目。

項(xiàng)目地址：https://github.com/tloen/alpaca-lora

對(duì)于想要訓(xùn)練自己的類 ChatGPT 模型（包括中文版類 ChatGPT）但又沒(méi)有頂級(jí)算力資源配置的研究者來(lái)說(shuō)，這無(wú)疑是一大驚喜。因此，在 Alpaca-LoRA 項(xiàng)目問(wèn)世后，圍繞該項(xiàng)目的教程和訓(xùn)練成果不斷涌現(xiàn)，本文將介紹其中的幾個(gè)。

如何使用 Alpaca-LoRA 微調(diào) LLaMA

在 Alpaca-LoRA 項(xiàng)目中，作者提到，為了廉價(jià)高效地進(jìn)行微調(diào)，他們使用了 Hugging Face 的 PEFT。PEFT 是一個(gè)庫(kù)（LoRA 是其支持的技術(shù)之一），可以讓你使用各種基于 Transformer 的語(yǔ)言模型并使用 LoRA 對(duì)其進(jìn)行微調(diào)。好處在于，它允許你在一般的硬件上廉價(jià)而有效地微調(diào)模型，并有較小的（也許是可組合的）輸出。

在近期的一篇博客中，幾位研究者介紹了如何使用 Alpaca-LoRA 來(lái)微調(diào) LLaMA。

使用 Alpaca-LoRA 之前，需要具備一些先決條件。首先是 GPU 的選擇，得益于 LoRA，現(xiàn)在你可以在 NVIDIA T4 這樣低規(guī)格 GPU 或 4090 消費(fèi)級(jí) GPU 上完成微調(diào)；此外，你還需要申請(qǐng) LLaMA 權(quán)重，因?yàn)槠錂?quán)重并不對(duì)外公開(kāi)。

先決條件具備了，接下來(lái)就是如何使用 Alpaca-LoRA。首選你需要克隆 Alpaca-LoRA 存儲(chǔ)庫(kù)，代碼如下：

git clone https://github.com/daanelson/alpaca-lora
cd alpaca-lora

其次，獲取 LLaMA 權(quán)重。將下載到的權(quán)重值存儲(chǔ)到名為 unconverted-weights 文件夾里，文件夾層次結(jié)構(gòu)就像下面這樣：

unconverted-weights
├── 7B
│   ├── checklist.chk
│   ├── consolidated.00.pth
│   └── params.json
├── tokenizer.model
└── tokenizer_checklist.chk

權(quán)重存儲(chǔ)好后，接著使用以下命令將 PyTorch checkpoint 的權(quán)重轉(zhuǎn)換為 transformer 兼容的格式：

cog run python -m transformers.models.llama.convert_llama_weights_to_hf \
  --input_dir unconverted-weights \
  --model_size 7B \
  --output_dir weights

得到最終的目錄結(jié)構(gòu)應(yīng)該是這樣的：

weights
├── llama-7b
└── tokenizermdki

處理好上述兩步，來(lái)到第三步，安裝 Cog：

sudo curl -o /usr/local/bin/cog -L "https://github.com/replicate/cog/releases/latest/download/cog_$(uname -s)_$(uname -m)"
sudo chmod +x /usr/local/bin/cog

第四步來(lái)到微調(diào)模型，默認(rèn)情況下，微調(diào)腳本上配置的 GPU 功能較弱，但如果你有性能更好的 GPU，則可以在 finetune.py 中將 MICRO_BATCH_SIZE 增加到 32 或 64。此外，如果你有指令調(diào)優(yōu)數(shù)據(jù)集，則可以在 finetune.py 中編輯 DATA_PATH 以指向自己的數(shù)據(jù)集。需要注意的是這一項(xiàng)操作應(yīng)該確保數(shù)據(jù)格式與 alpaca_data_cleaned.json 相同。接下來(lái)運(yùn)行微調(diào)腳本：

cog run python finetune.py

微調(diào)過(guò)程在 40GB A100 GPU 上花費(fèi) 3.5 小時(shí)，對(duì)于處理能力較低的 GPU 則需要更多時(shí)間。

最后一步用 Cog 運(yùn)行模型：

$ cog predict -i prompt="Tell me something about alpacas."
Alpacas are domesticated animals from South America. They are closely related to llamas and guanacos and have a long, dense, woolly fleece that is used to make textiles. They are herd animals and live in small groups in the Andes mountains. They have a wide variety of sounds, including whistles, snorts, and barks. They are intelligent and social animals and can be trained to perform certain tasks.

教程作者表示，在完成以上步驟之后，大家可以繼續(xù)嘗試各種玩法，包括但不限于：

• 帶上你自己的數(shù)據(jù)集，微調(diào)你自己的 LoRA，比如微調(diào) LLaMA，讓它像動(dòng)漫角色一樣說(shuō)話。參見(jiàn)：https://replicate.com/blog/fine-tune-llama-to-speak-like-homer-simpson
• 將模型部署到云平臺(tái)上；
• 結(jié)合其他 LoRA，比如 Stable Diffusion LoRA，把這些都用到圖像領(lǐng)域；
• 使用 Alpaca 數(shù)據(jù)集（或其他數(shù)據(jù)集）微調(diào)更大的 LLaMA 模型，并查看它們的表現(xiàn)。這應(yīng)該可以通過(guò) PEFT 和 LoRA 實(shí)現(xiàn)，盡管它需要更大的 GPU。

Alpaca-LoRA 的衍生項(xiàng)目

盡管 Alpaca 性能可以媲美 GPT 3.5，但其種子任務(wù)都是英語(yǔ)，收集的數(shù)據(jù)也都是英文，因此訓(xùn)練出來(lái)的模型對(duì)中文并不友好。為了提升對(duì)話模型在中文上的效果，我們看看都有哪些比較好的項(xiàng)目。

首先是來(lái)自華中師范大學(xué)等機(jī)構(gòu)的三位個(gè)人開(kāi)發(fā)者開(kāi)源的中文語(yǔ)言模型駱駝 (Luotuo)，該項(xiàng)目基于 LLaMA、Stanford Alpaca、Alpaca LoRA、Japanese-Alpaca-LoRA 等完成，單卡就能完成訓(xùn)練部署。有意思的是，他們之所以將模型名字命名為駱駝，是因?yàn)?LLaMA（大羊駝）和 alpaca（羊駝）都屬于偶蹄目 - 駱駝科。這樣看來(lái)，起這個(gè)名字也在意料之中。

這個(gè)模型是在 Meta 開(kāi)源的 LLaMA 基礎(chǔ)上，參考 Alpaca 和 Alpaca-LoRA 兩個(gè)項(xiàng)目，對(duì)中文進(jìn)行了訓(xùn)練。

項(xiàng)目地址：https://github.com/LC1332/Chinese-alpaca-lora

目前該項(xiàng)目釋放了兩個(gè)模型 luotuo-lora-7b-0.1、luotuo-lora-7b-0.3，還有一個(gè)模型在計(jì)劃中：

下面是效果展示：

不過(guò) luotuo-lora-7b-0.1（0.1）、luotuo-lora-7b-0.3（0.3）還是有差距的，在用戶詢問(wèn)華中師范大學(xué)地址時(shí)，0.1 回答錯(cuò)誤：

除了進(jìn)行簡(jiǎn)單的對(duì)話外，還有人在保險(xiǎn)相關(guān)領(lǐng)域進(jìn)行了模型優(yōu)化。據(jù)這位推特網(wǎng)友表示，借助 Alpaca-LoRA 項(xiàng)目，他輸入了一些中文保險(xiǎn)問(wèn)答數(shù)據(jù)，最后效果也不錯(cuò)。

具體來(lái)說(shuō)，作者訓(xùn)練中文版 Alpaca LoRa 用了 3K 多條中文問(wèn)答保險(xiǎn)語(yǔ)料，實(shí)現(xiàn)過(guò)程使用了 LoRa 方法，并微調(diào) Alpaca 7B 模型，耗時(shí) 240 分鐘，最終 Loss 0.87 。

圖源：https://twitter.com/nash_su/status/1639273900222586882

以下是訓(xùn)練過(guò)程和結(jié)果：

測(cè)試結(jié)果表明：1. 訓(xùn)練語(yǔ)料相關(guān)內(nèi)容都能有大概合理的回復(fù)，但僅限于不胡說(shuō) 2. 非語(yǔ)料相關(guān)內(nèi)容則會(huì)強(qiáng)行回復(fù)某個(gè)語(yǔ)料內(nèi)的數(shù)據(jù) 3. 邏輯推理數(shù)學(xué)計(jì)算則沒(méi)有這個(gè)能力。

看到這個(gè)結(jié)果后網(wǎng)友紛紛喊要失業(yè)了：

最后期待更多的中文對(duì)話模型加入進(jìn)來(lái)。