模型介紹
Alpaca模型是史丹佛大學研發的LLM（Large Language Model，大語言）開源模型，是一個在52K指令上從LLaMA 7B（Meta公司開源的7B）模型微調而來，具有70億的模型引數（模型引數越大，模型的推理能力越強，當然隨之訓練模型的成本也就越高）。
LoRA，英文全稱Low-Rank Adaptation of Large Language Models，直譯為大語言模型的低階適應，這是微軟的研究人員為了解決大語言模型微調而開發的一項技術。如果想讓一個預訓練大語言模型能夠執行特定領域內的任務，一般需要做fine-tuning，但是目前推理效果好的大語言模型引數維度非常非常大，有些甚至是上千億維，如果直接在大語言模型上做fine-tuning，計算量會非常的大，成本也會非常的高。
’LoRA的做法是凍結預訓練好的模型引數，然後在每個Transformer塊裡注入可訓練的層，由於不需要對模型的引數重新計算梯度，所以，會大大的減少計算量。
具體如下圖所示，核心思想是在原始預訓練模型增加一個旁路，做一個降維再升維的操作。訓練的時候固定預訓練模型的引數，只訓練降維矩陣 A 與升維矩陣 B。而模型的輸入輸出維度不變，輸出時將 BA 與預訓練語言模型的引數疊加。
用隨機高斯分佈初始化 A，用 0 矩陣初始化 B。這樣能保證訓練時，新增的旁路BA=0，從而對模型結果沒有影響。在推理時，將左右兩部分的結果加到一起，即h=Wx+BAx=(W+BA)x，所以，只要將訓練完成的矩陣乘積BA跟原本的權重矩陣W加到一起作為新權重引數替換原始預訓練語言模型的W即可，不會增加額外的計算資源。LoRA 的最大優勢是訓練速度更快，使用的記憶體更少。
本文進行本地化部署實踐的Alpaca-lora模型就是Alpaca模型的低階適配版本。本文將對Alpaca-lora模型本地化部署、微調和推理過程進行實踐並描述相關步驟。
GPU伺服器環境部署
本文進行部署的GPU伺服器具有4塊獨立的GPU，型號是P40，單個P40算力相當於60個同等主頻CPU的算力。（也可以考慮使用京東雲GPU的P40，
jdcloud.com/cn/calculator/calHost））
拿到GPU伺服器我們首先就是安裝顯示卡驅動和CUDA驅動（是顯示卡廠商NVIDIA推出的運算平臺。 CUDA是一種由NVIDIA推出的通用平行計算架構，該架構使GPU能夠解決複雜的計算問題）。顯示卡驅動需要到NVIDIA的官方網站去查詢相應的顯示卡型號和適配的CUDA版本，下載地址：
https://www.nvidia.com/Download/index.aspx ，選擇相應的顯示卡和CUDA版本就可以下載驅動檔案啦。
我下載的檔案是NVIDIA-Linux-x86_64-515.105.01.run，這是一個可執行檔案，用root許可權執行即可，注意安裝驅動過程中不能有執行的nvidia程式，如果有需要全部kill掉，否則會安裝失敗，如下圖所示：
然後一路next，沒有報錯的話就安裝成功啦。為了後續檢視顯示卡資源情況，最好還是再安裝一個顯示卡監控工具，比如nvitop，用pip install nvitop即可，這裡注意，由於不同伺服器python版本有差異，最好安裝anaconda部署自己的私有python空間，防止執行時報各種奇怪的錯誤，具體步驟如下：
1.安裝anaconda 下載方式：wget
https://repo.anaconda.com/archive/Anaconda3-5.3.0-Linux-x86_64.sh。 安裝命令： shAnaconda3-5.3.0-Linux-x86_64.sh 每個安裝步驟都輸入“yes”，最後conda init後完成安裝，這樣每次進入安裝使用者的session，都會直接進入自己的python環境。如果安裝最後一步選擇no，即不進行conda init，則後續可以透過source/home/jd_ad_sfxn/anaconda3/bin/activate來進入到私有的python環境。
2.安裝setuptools 接下來需要安裝打包和分發工具setuptools，下載地址：wget
https://files.pythonhosted.org/packages/26/e5/9897eee1100b166a61f91b68528cb692e8887300d9cbdaa1a349f6304b79/setuptools-40.5.0.zip 安裝命令： unzip setuptools-40.5.0.zip cd setuptools-40.5.0/ python setup.py install
3.安裝pip 下載地址：wget
https://files.pythonhosted.org/packages/45/ae/8a0ad77defb7cc903f09e551d88b443304a9bd6e6f124e75c0fbbf6de8f7/pip-18.1.tar.gz 安裝命令： tar -xzf pip-18.1.tar.gz cd pip-18.1 python setup.py install
至此，漫長的安裝過程終於告一段落了，我們現在建立一個私有的python空間，執行
conda create -n alpaca python=3.9
conda activate alpaca
然後驗證一下，如下圖所示說明已經建立成功啦。
模型訓練
上文已經把GPU伺服器的基礎環境安裝好了，下面我們就要開始激動人心的模型訓練了（激動ing），在訓練之前我們首先需要下載模型檔案，下載地址：
https://github.com/tloen/alpaca-lora ，整個模型都是開源的，真好！首先把模型檔案下載到本地，執行git clonehttps://github.com/tloen/alpaca-lora.git .。
本地會有資料夾alpaca-lora，然後cd alpaca-lora到資料夾內部執行
pip install -r requirements.txt
這個過程可能會比較慢，需要從網上下載大量的依賴包，過程中可能也會報各種包衝突，依賴沒有等問題，這塊只能見招拆招，缺什麼裝什麼（解決包依賴和版本衝突確實是個頭疼的事情，不過這步做不好，模型也跑不起來，所以只能耐心的一點一點解決），這裡痛苦的過程就不贅述了，因為不同機器可能遇到的問題也不太一樣，參考意義不是很大。
如果安裝過程執行完成，並沒再有報錯資訊，並提示Successful compeleted，那麼恭喜你啦，萬里長征已經走完一半啦，你已經離成功很近了，再堅持一下下就很有可能成功啦：）。
由於我們的目標是對模型進行fine-tuning，所以我們得有一個fine-tuning的目標，由於原始模型對中文支援並不好，所以我們的目標就有了，用中文語料庫讓模型更好的支援中文，這個社群也給我準備好了，我們直接下載中文的語料庫就好了，在本地執行 wget
https://github.com/LC1332/Chinese-alpaca-lora/blob/main/data/trans_chinese_alpaca_data.json?raw=true ，將後面模型訓練用到的語料庫下載到alpaca-lora根目錄下（後面方便使用）。
語料庫的內容就是很多的三元組（instruction,input,output，如下圖所示），instruction就是指令，讓模型做什麼事，input就是輸入，output是模型的輸出，根據指令和輸入，訓練模型應該輸出什麼資訊，讓模型能夠更好的適應中文。
好的，到現在為止，萬里長征已經走完2/3了，彆著急訓練模型，我們現在驗證一下GPU環境和CUDA版本資訊，還記得之前我們安裝的nvitop嘛，現在就用上了，在本地直接執行nvitop，我們就可以看到GPU環境和CUDA版本資訊了，如下圖：
在這裡我們能夠看到有幾塊顯示卡，驅動版本和CUDA版本等資訊，當然最重要的我們還能看到GPU資源的實時使用情況。
怎麼還沒到模型訓練呢，彆著急呀，這就來啦。
我們先到根目錄下然後執行訓練模型命令：
如果是單個GPU，那麼執行命令即可：
python finetune.py \
--base_model 'decapoda-research/llama-7b-hf' \
--data_path 'trans_chinese_alpaca_data.json' \
--output_dir './lora-alpaca-zh'
如果是多個GPU，則執行：
WORLD_SIZE=2 CUDA_VISIBLE_DEVICES=0,1 torchrun \
--nproc_per_node=2 \
--master_port=1234 \
finetune.py \
--base_model 'decapoda-research/llama-7b-hf' \
--data_path 'trans_chinese_alpaca_data.json' \
--output_dir './lora-alpaca-zh'
如果可以看到進度條在走，說明模型已經啟動成功啦。
在模型訓練過程中，每迭代一定數量的資料就會列印相關的資訊，會輸出損失率，學習率和代資訊，如上圖所示，當loss波動較小時，模型就會收斂，最終訓練完成。
我用的是2塊GPU顯示卡進行訓練，總共訓練了1904分鐘，也就是31.73個小時，模型就收斂了，模型訓練是個漫長的過程，所以在訓練的時候我們可以適當的放鬆一下，做點其他的事情：）。
模型推理
模型訓練好後，我們就可以測試一下模型的訓練效果了，由於我們是多個GPU顯示卡，所以想把模型引數載入到多個GPU上，這樣會使模型推理的更快，需要修改
generate.py 檔案，新增下面這樣即可。
然後我們把服務啟起來，看看效果，根目錄執行：
python generate.py --base_model "decapoda-research/llama-7b-hf" \
--lora_weights './lora-alpaca-zh' \
--load_8bit
其中./lora-alpaca-zh目錄下的檔案，就是我們剛剛fine tuning模型訓練的引數所在位置，啟動服務的時候把它載入到記憶體（這個記憶體指的是GPU記憶體）裡面。
如果成功，那麼最終會輸出相應的IP和Port資訊，如下圖所示：
我們可以用瀏覽器訪問一下看看，如果能看到頁面，就說明服務已經啟動成功啦。
激動ing，費了九牛二虎之力，終於成功啦！！
因為我們目標是讓模型說中文，所以我們測試一下對中文的理解，看看效果怎麼樣？
簡單的問題，還是能給出答案的，但是針對稍微複雜一點的問題，雖然能夠理解中文，但是並沒有用中文進行回答，訓練後的模型還是不太穩定啊。
在推理的時候我們也可以監控一下GPU的變化，可以看到GPU負載是比較高的，說明GPU在進行大量的計算來完成推理。
總結
1.效果問題：由於語料庫不夠豐富，所以目前用社群提供的語料庫訓練的效果並不是很好，對中文的理解力有限，如果想訓練出能夠執行特定領域的任務，則需要大量的語料支援，同時訓練時間也會更長；
2. 推理時間問題：由於目前部署的GPU伺服器有4塊GPU，能夠執行的有3塊，基於3塊GPU，在推理的時候還是比較吃力的，執行一次互動需要大概30s-1min，如果達到chatGPT那樣實時返回，則需要大量的算力進行支援，可以反推，chatGPT後臺肯定是有大叢集算力支援的，所以如果想做成服務，成本投入是需要考量的一個問題；
3. 中文亂碼問題：在input為中文的時候，有時候返回結果會亂碼，懷疑跟切詞有關，由於中文的編碼問題，中文不像英文以空格區分，所以可能會有一定的亂碼情況產生，呼叫open AI 的API也會有這種情況，後面看看社群是否有相應解決辦法；
4. 模型選擇問題：由於目前GPT社群比較活躍，模型的產生和變化也是日新月異，由於時間倉促，目前只調研了alpaca-lora模型的本地化部署，後面針對實際落地的應用應該也會有更好的更低成本的落地方案，需要持續跟進社群的發展，選擇合適的開源方案。
京東雲P40型號GPU的【ChatGLM語言模型】實踐篇詳見
作者：Beyond_luo
內容來源：京東雲開發者社群