[LLM Finetune 网页格式一键式大模型训练到服务的全流程平台，包括数据上传、微调训练、模型合并、模型部署服务等，无需python和shell开发]

平台用来给不了解研发、算法的人员使用的，所以平台的使用尽量简单，不需要用户了解太多的细节，只需要按照流程操作即可。
用最简的页面，包括首页资源查看、训练数据上传下载、大模型微调训练、大模型权重合并输出、大模型能力评估、大模型部署服务启动等功能。
最后的训练脚本页面，开发人员能够自由修改脚本，提供了更高级的使用方法。

llm_finetune github

本项目受益于 LLaMA-Efficient-Tuning

支持功能

[23/11/14]
配置进一步精简，基本0配置启动；
支持chatglm3, qwen, intern, xverse, mistral；
支持大模型评估，支持C-EVAL、MMLU、CMMLU；
训练和合并支持指定checkpoint路径；
系统监控增加gpu进程和docker匹配；

[23/10/28]
代码重构，支持整体代码整合到alita-trainer里；
yaml配置文件精简规整，多模型的训练、合并脚本合并统一；
模型部署服务bug修复；
支持大模型评估，支持BLEU-4、ROUGE-1/2/L；
支持微调训练后的大模型作为训练模型再训练；
系统监控除gpu，支持cpu、mem和disk监控；

[23/09/28]
支持baichuan、llama2、llama、glm2等大模型，支持QLoRA；
支持gpu预览、大模型微调训练、模型合并、部署服务（测试中）；
支持api方式，微调训练、模型合并、模型发布；
增加数据管理，支持上传excel文件；
增加训练脚本管理，支持自定义脚本编辑和训练，支持pt/sft/rm/ppo/dpo训练阶段，支持train/eval/predict任务；
增加模型快速编辑能力，能够编辑指定问题的回答；

支持模型

软件依赖

• Python 3.10 和 PyTorch 1.13.1
• 🤗Transformers, Datasets, Accelerate, PEFT 和 TRL
• sentencepiece, protobuf 和 tiktoken
• jieba, rouge-chinese 和 nltk (用于评估)
• gradio 和 matplotlib (用于网页端交互)
• uvicorn, fastapi 和 sse-starlette (用于 API)

llm_finetune服务，全新部署或历史版本升级

一、环境准备：

1. 代码

   git clone https://github.com/simonlisiyu/llm_finetune.git

   cd llm_finetune

   pip install -r requirements.txt

2. 目录准备

   cd llm_finetune

   创建配置目录mkdir config，生成配置文件 touch config/trainer.yaml，关联配置文件 ln -s /opt/llm_finetune/config/trainer.yaml scripts/src/llmtuner/

   关联数据目录： ln -s /data data

   关联大模型目录：ln -s /llm llm

3. 修改配置

   vi config/trainer.yaml

   注意：

   1. 将 $IP 替换为本机ip；（如192.168.1.100）
   2. 将 $BASE_DIR 替换为本机llm_finetune路径；

   application: 
     ip: '$IP' 
     port: $PORT 
     log_level: 'info'
   trainer:
     base_dir: '$BASE_DIR'
   
   

   参考下面的例子：

   application:
     ip: '192.168.1.100'
     port: 8000
     log_level: 'info'
   trainer:
     base_dir: '/opt/llm_finetune/'
   
   

   vi config/model_info.yaml

   注意：（初始化的大模型需要手动编辑model_info.yaml，后续训练的大模型会自动更新到此文件内，无需再手动编辑）

   1. 将 $MODEL_NAME 替换为模型名称；（如chatglm2-6b）
   2. 将 $MODEL_DIR 替换为基于BASE_DIR的模型相对路径；（如llm/ChatGLM2-6B）
   3. 将 $TEMPLATE 和 $SIZE 和 $DATETIME 替换为对应的内容；

   {
     "$MODEL_NAME": {
       "model_path": "$MODEL_DIR",
       "template": "$TEMPLATE",
       "size": "$SIZE",
       "update_at": "$DATETIME"
     }
   }
   

   参考下面的例子：

   {
     "chatglm2-6b": {
       "model_path": "llm/ChatGLM2-6B",
       "template": "chatglm2",
       "size": "6",
       "update_at": "2023-07-06_15:56:28"
     }
   }
   

4. 启动服务

   python main.py

5. 查看页面
   http://127.0.0.1:8000

使用介绍

首页

• GPU资源查看
• GPU卡进程使用情况
• CPU资源使用率
• MEM资源使用率

• DISK资源使用率

  
  
  index

数据管理

• 支持数据上传、下载、查看、删除

• 支持json、excel格式的sft数据集

  
  
  data

微调训练

• 极简页面一键训练，支持模型选择、数据选择、训练参数（也可不填用默认值）
• 训练过程中支持查看日志

• 列表展示历史训练记录

  
  
  finetune

模型合并

• 极简页面一键合并，支持基座模型选择、输出目录指定
• 合并过程中支持查看日志

• 列表展示历史合并记录

  
  
  merge

模型评估

• 极简页面一键评估，支持模型选择、数据选择、评估参数（也可不填用默认值）
• 支持BLEU&ROUGE、支持C-EVAL、MMLU、CMMLU等评估方式
• 评估过程中支持查看日志

• 列表展示历史评估记录

  
  
  eval

模型测试(修改测试中)

• 快速部署大模型服务（fastchat+docker），支持模型命名、模型选择、GPU卡、端口指定
• 部署过程中支持查看docker日志

• 列表展示docker部署情况，支持启动停止操作

  
  
  chat

训练脚本

• 高级开发用法，支持训练脚本在线编辑、运行

• 支持预训练pt、微调训练sft、奖励模型训练rm、强化学习ppo/dpo、模型合并merge等脚本

  
  
  script