微调 DeepSeek LLM：使用监督微调（SFT）与 Hugging Face 数据集的详细指南

📖阅读时长：20分钟 🕙发布时间：2025-02-02 >近日热文：[全网最全的神经网络数学原理（代码和公式）直观解释](https://mp.weixin.qq.com/s/ITFeM-RUVs9k9Kw4njl9KQ?token=992101443&lang=zh_CN) 欢迎关注知乎和公众号的专栏内容 [LLM架构专栏](https://mp.weixin.qq.com/mp/appmsgalbum?__biz=MzU5OTk5OTg4Ng==&action=getalbum&album_id=3803710040624594945#wechat_redirect) [知乎LLM专栏](https://zhuanlan.zhihu.com/column/c_1860259327224446976) [知乎【**柏企**】](https://www.zhihu.com/people/cbq-91) 公众号【**柏企科技说**】【**柏企阅文**】# 微调DeepSeek LLM：使用监督微调（SFT）与Hugging Face数据集的详细指南 ### 介绍 DeepSeek LLM是一个强大的开源语言模型，但为了在特定应用中充分发挥其潜力，微调至关重要。在本指南中，我们将逐步介绍如何使用监督微调（SFT）和Hugging Face数据集对DeepSeek LLM进行微调，并提供在特定领域数据集上进行训练的代码详细讲解。我们还将讨论所使用的损失函数、为何使用数据子集，以及低秩适应（LoRA）技术如何实现高效内存的微调。 **来源**：DeepSeek AI ![](https://upload-images.jianshu.io/upload_images/17294212-3171a0ac076038b2.png) ### 监督微调（SFT）概述监督微调（SFT）是在有标签的数据集上对预训练模型进行进一步训练的过程，目的是让模型在特定任务中更专业，比如客户支持、医疗问答或电商推荐等任务。 ### 微调的工作原理微调需要在特定任务的有标签数据上训练模型，其中： - **输入（X）**：提供给模型的文本数据。 - **目标（Y）**：基于有标签数据的预期输出（例如，情感标签、聊天机器人回复或摘要文本）。 - **损失函数**：用于衡量模型的预测与预期输出的匹配程度。在文本生成中，最常用的损失函数是交叉熵损失。例如，在IMDB情感数据集上进行微调时： - **输入（X）**：像 “这部电影视觉效果很棒，但情节很薄弱。” 这样的电影评论。 - **目标（Y）**：正确的标签，例如 “正面” 或 “负面” 情感。对于文本生成任务，输入可以是一个问题，而目标则是模型生成的正确回复。 **使用的损失函数**：交叉熵损失对于语言模型，我们使用交叉熵损失，它用于计算预测的词元分布与实际目标分布之间的差异， ![](https://upload-images.jianshu.io/upload_images/17294212-b161b5ac46eb291b.png) 目标是在训练过程中最小化这个损失，以便模型学习生成更准确的文本输出。 ### 为何使用数据子集？在资源有限的硬件上对像DeepSeek LLM这样的大型语言模型进行微调时，使用完整数据集（例如包含25,000个样本的IMDB数据集）进行训练可能会导致训练时间过长和GPU内存问题。为了缓解这些问题，我们采取了以下措施： - **选择子集**：选取500个样本用于训练，100个样本用于评估。 - **保持代表性**：这个子集保留了足够的多样性，以实现合理的性能。使用较小的数据集可以加快实验速度，同时有效地展示微调概念。对于生产级别的微调，应该在更强大的基础设施上使用更大的数据集。 ### 加载DeepSeek LLM 在微调之前，我们需要加载DeepSeek LLM并为训练做好准备。 **安装所需库** 首先，安装必要的依赖项： ```bash pip install -U torch transformers datasets accelerate peft bitsandbytes ``` **使用4位量化加载模型** 我们使用4位量化，使大型模型能够在有限的GPU内存下运行： ```python from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig from peft import LoraConfig, get_peft_model model_name = "deepseek-ai/deepseek-llm-7b-base" bnb_config = BitsAndBytesConfig( load_in_4bit=True, bnb_4bit_compute_dtype=torch.float16 ) tokenizer = AutoTokenizer.from_pretrained(model_name) model = AutoModelForCausalLM.from_pretrained( model_name, quantization_config=bnb_config, device_map="auto" ) lora_config = LoraConfig( r=8, lora_alpha=32, target_modules=["q_proj", "v_proj"], lora_dropout=0.05, bias="none" ) model = get_peft_model(model, lora_config) model.print_trainable_parameters() print("✅ DeepSeek LLM Loaded with LoRA and 4-bit Precision!") ``` ### 使用Hugging Face数据集进行训练为了进行微调，我们需要一个高质量的数据集。Hugging Face提供了各种数据集的访问途径。 **选择数据集** 在这个示例中，我们使用IMDB数据集对DeepSeek LLM进行情感分类的微调： ```python from datasets import load_dataset dataset = load_dataset("imdb") ``` **预处理数据集** 将文本转换为模型可接受的分词输入： ```python def tokenize_function(examples): inputs = tokenizer( examples["text"], truncation=True, padding="max_length", max_length=512 ) inputs["labels"] = inputs["input_ids"].copy() return inputs tokenized_datasets = dataset.map(tokenize_function, batched=True) small_train_dataset = tokenized_datasets["train"].shuffle(seed=42).select(range(500)) small_test_dataset = tokenized_datasets["test"].shuffle(seed=42).select(range(100)) print("Tokenized Sample:") print(small_train_dataset[0]) ``` ### 什么是LoRA（低秩适应）？ LoRA（低秩适应）是一种旨在使像DeepSeek LLM这样的大型模型的微调在内存使用上更高效的技术，它通过以下方式实现： - **冻结模型的大部分权重**。 - **在关键层（例如注意力层）引入低秩可训练矩阵**。这大大减少了可训练参数的数量，同时保留了模型的性能。LoRA使得在资源受限的硬件（例如Colab GPU）上对大型语言模型进行微调成为可能。 **LoRA的工作原理** - **将参数更新分解为低秩矩阵**：（这里需要使用公式编辑工具插入低秩矩阵分解公式，若无法直接插入公式，可使用文字描述：假设原始参数为W，LoRA将其更新分解为W' = W + BA，其中B和A是低秩矩阵）。 - **仅对分解后的矩阵（例如注意力投影）应用更新**。 - **与全量微调相比，减少了内存和计算成本**。 ### 代码详解：微调DeepSeek LLM **设置训练参数** ```python from transformers import TrainingArguments, Trainer training_args = TrainingArguments( output_dir="./results", evaluation_strategy="epoch", learning_rate=3e-4, per_device_train_batch_size=1, gradient_accumulation_steps=8, num_train_epochs=0.5, weight_decay=0.01, save_strategy="epoch", logging_dir="./logs", logging_steps=50, fp16=True, ) ``` **初始化训练器** ```python trainer = Trainer( model=model, args=training_args, train_dataset=small_train_dataset, eval_dataset=small_test_dataset, ) print("🚀 Trainer Initialized!") ``` **开始微调** ```python print("🚀 Starting Fine-Tuning...") trainer.train() ``` **保存微调后的模型** ```python trainer.save_model("./fine_tuned_deepseek") tokenizer.save_pretrained("./fine_tuned_deepseek") print("✅ Fine-Tuned Model Saved Successfully!") ``` ### 文章参考资料 - **DeepSeek LLM**：[GitHub仓库](https://github.com/DeepSeek-AI/DeepSeek-LLM) - **IMDB数据集**：[Hugging Face数据集](https://huggingface.co/datasets/imdb) - **BitsAndBytes（量化）**：[官方仓库](https://github.com/TimDettmers/bitsandbytes) 本文由[mdnice](https://mdnice.com/?platform=6)多平台发布

微调 DeepSeek LLM：使用监督微调（SFT）与 Hugging Face 数据集的详细指南

推荐阅读更多精彩内容