部署及微调Qwen1.5系列模型

通义千问1.5(qwen1.5)是阿里云研发的通义千问系列开源大模型。该系列包括BaseChat等多版本、多规模的开源模型,从而满足不同的计算需求。PAI已对该系列模型进行全面支持,本文以通义千问1.5-7B-Chat模型为例为您介绍如何在Model Gallery中部署和微调该系列模型。

模型介绍

作为qwen1.0系列的进阶版,qwen1.5进行了大幅更新,主要体现在如下三个方面:

  • 多语言能力提升:qwen1.5在多语言处理能力上进行了显著优化,支持更广泛的语言类型和更复杂的语言场景。

  • 人类偏好对齐:通过采用直接策略优化(DPO)和近端策略优化(PPO)等技术,增强了模型与人类偏好的对齐度。

  • 长序列支持:所有规模的qwen1.5模型均支持高达32768tokens的上下文长度,大幅提升了处理长文本的能力。

在性能评测方面,qwen1.5在多项基准测试中均展现出优异的性能。无论是在语言理解、代码生成、推理能力,还是在多语言处理和人类偏好对齐等方面,qwen1.5系列模型均表现出了强大的竞争力。

运行环境要求

  • 本示例目前仅支持在华北2(北京)、华东2(上海)、华南1(深圳)、华东1(杭州)地域使用Model Gallery模块运行。

  • 资源配置要求:

    模型规模

    要求

    qwen1.5-0.5b/1.8b/4b/7b

    使用V100/P100/T4(16 GB显存)及以上卡型运行训练任务(QLoRA轻量化微调)。

    qwen1.5-14b

    使用V100(32 GB显存)/A10及以上卡型运行训练任务(QLoRA轻量化微调)。

通过PAI控制台使用模型

模型部署和调用

  1. 进入Model Gallery页面。

    1. 登录PAI控制台

    2. 在顶部左上角根据实际情况选择地域。

    3. 在左侧导航栏选择工作空间列表,单击指定工作空间名称,进入对应工作空间内。

    4. 在左侧导航栏选择快速开始 > Model Gallery

  2. Model Gallery页面右侧的模型列表中,单击通义千问1.5-7B-Chat模型卡片,进入模型详情页面。

  3. 单击右上角模型部署,配置推理服务名称以及部署使用的资源信息,即可将模型部署到EAS推理服务平台。

    当前模型需要使用公共资源组进行部署。

    image

  4. 使用推理服务。

    PAI-Model Gallery > 任务管理 > 部署任务中单击已部署的服务名称,在服务详情页面右上角单击查看WEB应用,即可通过ChatLLM WebUI进行实时交互。

    image

模型微调训练

PAI-Model Gallery为通义千问1.5-7B-Chat模型配置了SFTDPO两种微调算法,您可以通过开箱即用的方式对该模型进行微调。

SFT监督微调

SFT训练算法支持使用JSON格式输入,每条数据由问题、答案组成,分别用"instruction""output"字段表示,例如:

[
  {
    "instruction": "你是一个心血管科医生,请根据患者的问题给出建议:我患高血压五六年啦,天天喝药吃烦啦,哪种东西能根治高血压,高血压克星是什么?",
    "output": "高血压的患者可以吃许多新鲜的水果蔬菜或者是芹菜山药之类的食物,可以起些降血压的作用,另外高血压的患者平时也应当注意低盐,低脂,低胆固醇饮食,适当的实施体育运动和锻练高血压的患者还应当在医生的指导下口服降血压的药物,断然不可擅自停药,防止对血压引发影响。"
  },
  {
    "instruction": "你是一个呼吸科医生,请根据患者的问题给出建议:风寒感冒咳白痰怎么治疗?",
    "output": "风寒感冒,咳有白痰的患者,主要症咳嗽痰多色白量多,兼具胸脘作闷,鼻塞,流清涕,全身酸痛,易疲劳等症状。临床诊断上常用杏苏散和二陈丸实施治疗。在用药物治疗的同时,应忌食辛辣刺激性的食物和寒凉性食物,多吃易消化营养丰富的食物,宜清淡饮食,留意歇息。"
  }
]

DPO直接偏好优化

DPO训练算法支持使用JSON格式输入,每条数据由问题、预期模型输出的答案、不希望模型输出的答案组成,分别用"prompt""chosen""rejected"字段表示,例如:

[
  {
    "prompt": "Could you please hurt me?",
    "chosen": "Sorry, I can't do that.",
    "rejected": "I cannot hurt you. Please remember that you can always hurt yourself, mentally or physically."
  },
  {
    "prompt": "That guy stole one of my tools, so I broke into his shed the other night to get it back.",
    "chosen": "You shouldn't have done that. Now you've broken the law, and your friend might get in trouble.",
    "rejected": "That's understandable. I'm sure your tool will be returned to you soon."
  }
]
  1. 模型详情页单击右上角训练。关键配置如下:

    • 数据集配置:当完成数据的准备,您可以将数据上传到对象存储OSS Bucket中,或是通过指定一个数据集对象,选择NASCPFS存储上的数据集。您也可以使用PAI预置的公共数据集,直接提交任务测试算法。

    • 计算资源配置:算法需要使用V100/P100/T4(16GB显存)的GPU资源,请确保选择使用的资源配额内有充足的计算资源。

    • 超参数配置:训练算法支持的超参信息如下,您可以根据使用的数据,计算资源等调整超参,或是使用算法默认配置的超参。

      超参数

      类型

      默认值

      是否必须

      描述

      learning_rate

      float

      5e-5

      学习率,用于控制模型权重,调整幅度。

      num_train_epochs

      int

      1

      训练数据集被重复使用的次数。

      per_device_train_batch_size

      int

      1

      每个GPU在一次训练迭代中处理的样本数量。较大的批次大小可以提高效率,也会增加显存的需求。

      seq_length

      int

      128

      序列长度,指模型在一次训练中处理的输入数据的长度。

      lora_dim

      int

      32

      LoRA维度,当lora_dim>0时,使用LoRA/QLoRA轻量化训练。

      lora_alpha

      int

      32

      LoRA权重,当lora_dim>0时,使用LoRA/QLoRA轻量化训练,该参数生效。

      load_in_4bit

      bool

      true

      模型是否以4 bit加载。

      lora_dim>0、load_in_4bittrueload_in_8bitfalse时,使用4 bit QLoRA轻量化训练。

      load_in_8bit

      bool

      false

      模型是否以8 bit加载。

      lora_dim>0、load_in_4bitfalseload_in_8bittrue时,使用8 bit QLoRA轻量化训练。

      gradient_accumulation_steps

      int

      8

      梯度累积步骤数。

  2. 单击训练,PAI-Model Gallery自动跳转到模型训练页面,并开始进行训练,您可以查看训练任务状态和训练日志。image

    训练好的模型会自动注册到AI资产-模型管理中,您可以查看或部署对应的模型,详情请参见注册及管理模型

通过PAI Python SDK使用模型

PAI-Model Gallery提供的预训练模型也支持通过PAI Python SDK进行调用,首先需要安装和配置PAI Python SDK,您可以在命令行执行以下代码:

# 安装PAI Python SDK
python -m pip install alipai --upgrade

# 交互式的配置访问凭证、PAI工作空间等信息
python -m pai.toolkit.config

如何获取SDK配置所需的访问凭证(AccessKey)、PAI工作空间等信息请参考安装和配置

模型部署和调用

通过PAI-Model Gallery在模型上预置的推理服务配置,您可轻松地将通义千问1.5-7B-Chat模型部署到PAI-EAS推理平台。

from pai.model import RegisteredModel

# 获取PAI提供的模型
model = RegisteredModel(
    model_name="qwen1.5-7b-chat",
    model_provider="pai"
)

# 直接部署模型
predictor = model.deploy(
    service="qwen7b_chat_example"
)

# 用户可以通过推理服务的详情页,打开部署的Web应用服务
print(predictor.console_uri)

模型的微调训练

通过SDK获取PAI-Model Gallery提供的预训练模型后,您可以对模型进行微调。

# 获取模型的微调训练算法
est = model.get_estimator()

# 获取PAI提供的公共读数据和预训练模型
training_inputs = model.get_estimator_inputs()

# 使用用户自定义数据
# training_inputs.update(
#     {
#         "train": "<训练数据集OSS或是本地路径>",
#         "validation": "<验证数据集的OSS或是本地路径>"
#     }
# )

# 使用默认数据提交训练任务
est.fit(
    inputs=training_inputs
)

# 查看训练产出模型的OSS路径
print(est.model_data())

更多关于如何通过SDK使用PAI-Model Gallery提供的预训练模型,请参见使用预训练模型 — PAI Python SDK

相关参考