llama-factory SFT 教程系列(3),chatglm3-6B 命名实体识别 - Lora 微调
最编程
2024-04-19 13:07:09
...
bash train.sh
train.sh 脚本内容如下:
CUDA_VISIBLE_DEVICES=0 python ../../src/train_bash.py \
--stage sft \
--do_train \
--model_name_or_path ZhipuAI/chatglm3-6b \
--dataset_dir ../../data \
--dataset llm_ner2_train \
--template chatglm3 \
--finetuning_type lora \
--lora_target query_key_value \
--output_dir ./output/output_train \
--overwrite_cache \
--per_device_train_batch_size 4 \
--gradient_accumulation_steps 4 \
--lr_scheduler_type cosine \
--logging_steps 10 \
--save_strategy epoch \
--learning_rate 5e-5 \
--num_train_epochs 2.0 \
--plot_loss \
--fp16
-
dataset_dir
: llama-factory data/dataset_info.json 的文件夹路径;
因为自定义数据集的配置信息,写在 dataset_info.json 文件中; -
dataset
: 在 data/dataset_info.json 中,配置的自定义数据集的名字;
在output文件夹中可找到训练过程中损失值图:
train.json 有18000条数据,跑了大概2个小时以上;
24G 显存的显卡恰好可以跑;