兰州正规seo整站优化,专业建设家电维修网站公司,建立个人网站要钱吗,威海+网站建设文章目录 ChatDoctor简介微调实战下载仓库并进入目录创建conda环境并配置环境#xff08;安装相关依赖#xff09;下载模型文件微调数据微调过程全量微调基于LoRA的微调基于微调后的模型推理 ChatDoctor简介
CHatDoctor论文#xff1a; ChatDoctor: A Medical Chat Model F… 文章目录 ChatDoctor简介微调实战下载仓库并进入目录创建conda环境并配置环境安装相关依赖下载模型文件微调数据微调过程全量微调基于LoRA的微调基于微调后的模型推理 ChatDoctor简介
CHatDoctor论文 ChatDoctor: A Medical Chat Model Fine-tuned on LLaMA Model using Medical Domain Knowledge 项目地址https://github.com/Kent0n-Li/ChatDoctor
ChatDoctor是一款使用LLaMA模型并结合医学知识进行训练的医疗助手研究人员先收集了50多万条真实医患对话然后使用这些数据对LLaMA模型进行微调。
ChatDoctor不仅具备流畅的对话能力,在医疗领域的理解和诊断也达到了很高的水平。
用户只需描述症状ChatDoctor就会像真人医生一样询问其他症状与体征然后给出初步诊断和治疗建议而且完全开源免费
当然ChatDoctor只是一个AI助手不能完全替代人医生但在常见病症诊断方面它已经表现已经非常不错了。
微调实战
下载仓库并进入目录
git clone https://github.com/Kent0n-Li/ChatDoctor.git
cd ChatDoctor创建conda环境并配置环境安装相关依赖
conda create -n chatdoctor python3.10
pip install -r requirements.txt
pip install datasets因为我们要基于lora进行微调故需要安装peft框架安装方式参考 https://github.com/AGI-Edgerunners/LLM-Adapters/tree/main 将该仓库中的peft目录复制到本仓库中然后通过下面命令进行安装。
cd peft/
pip install -e .下载模型文件
推荐使用git命令下载模型文件但注意需要提前下载git-lfs工具包安装步骤如下
# 先安装git如已安装可忽略
sudo apt-get install git
# 安装apt-get源
curl -s https://packagecloud.io/install/repositories/github/git-lfs/script.deb.sh | sudo bash
# 安装git-lfs
sudo apt-get install git-lfs
# 初始化git-lfs
git lfs install模型文件下载地址https://huggingface.co/decapoda-research/llama-7b-hf
下载命令
git clone https://huggingface.co/decapoda-research/llama-7b-hf微调数据
ChatDoctor数据集 来自HealthCareMagic.com的10万例实际患者与医生之间的对话HealthCareMagic-100k
来自icliniq.com的1万例实际患者与医生之间的对话icliniq-10k。
5k例由ChatGPT生成的患者与医生之间的对话GenMedGPT-5k和疾病数据库
微调过程
项目中提供了两种微调方式一种是全量微调一种是基于lora的微调
全量微调
如果是多卡进行微调可以直接使用项目中提供的命令
torchrun --nproc_per_node4 --master_portyour_random_port train.py \--model_name_or_path your_path_to_hf_converted_llama_ckpt_and_tokenizer \--data_path ./HealthCareMagic-100k.json \--bf16 True \--output_dir pretrained \--num_train_epochs 1 \--per_device_train_batch_size 4 \--per_device_eval_batch_size 4 \--gradient_accumulation_steps 8 \--evaluation_strategy no \--save_strategy steps \--save_steps 2000 \--save_total_limit 1 \--learning_rate 2e-6 \--weight_decay 0. \--warmup_ratio 0.03 \--lr_scheduler_type cosine \--logging_steps 1 \--fsdp full_shard auto_wrap \--fsdp_transformer_layer_cls_to_wrap LLaMADecoderLayer \--tf32 True基于LoRA的微调
python train_lora.py \--base_model /data/sim_chatgpt/llama-7b-hf/models--decapoda-research--llama-7b-hf/snapshots/5f98eefcc80e437ef68d457ad7bf167c2c6a1348/ \--data_path chatdoctor5k.json \--output_dir ./lora_models/ \--batch_size 1 \--micro_batch_size 1 \--num_epochs 1 \--learning_rate 3e-5 \--cutoff_len 256 \--val_set_size 120 \--adapter_name lora显存占用情况约占用11G。
基于微调后的模型推理
使用全量微调好的模型进行推理mncai/chatdoctor transformers-cli download mncai/chatdoctor --cache-dir ./chatdoctor
修改chat.py
load_model(/data/chatdoctor/models--mncai--chatdoctor/snapshots/8fdcfdda6877d7f21173dfac48b2c14499ba8264/)执行 python chat.py即可 报错 ImportError: LlamaConverter requires the protobuf library but it was not found in your environment. 解决方法
pip install protobuf3.19.0执行 python chat.py 显存占用约为14G
