swift与Internvl下的多模态大模型分布式微调指南（附代码和数据）

大模型相关目录

大模型，包括部署微调prompt/Agent应用开发、知识库增强、数据库增强、知识图谱增强、自然语言处理、多模态等大模型应用开发内容

从0起步，扬帆起航。

1. 基于Dify的智能分类方案：大模型结合KNN算法（附代码）
2. OpenCompass：大模型测评工具
3. 一文读懂多模态大模型基础架构
4. 大模型管理平台：one-api使用指南
5. 大模型RAG、ROG、RCG概念科普
6. RAGOnMedicalKG：大模型结合知识图谱的RAG实现
7. DSPy：变革式大模型应用开发
8. 最简明的Few-shot Prompt指南
9. Semantic Kernel：微软大模型开发框架——LangChain 替代
10. 对话大模型Prompt是否需要礼貌点？
11. swift与Internvl下的多模态大模型分布式微调指南（附代码和数据）

文章目录

OCR多模态大模型微调全流程记录

前言

微调框架：swift
微调模型：internvl-chat-v1_5
微调任务：多模态大模型在指定任务上的OCR能力微调优化
微调显存：55G，多batch时对单卡要求较高（4090不能满足需求）

微调框架部署

git clone https://kkgithub.com/modelscope/swift.git
cd swift/
conda create -n swift -y python=3.11
conda activate swift
pip install -e '.[llm]'# glm4-v还需要额外安装torchvision
pip install torchvision
# minicpm-v-v2_5-chat还需要timm
pip install timm

数据集构建及注册

下载开源数据集，以多模态OCR数据集为例：
该数据集包含2个部分，即JPG、PNG格式的带编号图像数据集和与图像数据集对应的QA问答JSONL数据集。


寻找swift在多模态任务中所需的数据格式：

编写脚本，批量处理数据格式：

import json

# 写入jsonl文件defwrite_jsonl(data_list, filename):withopen(filename,'w', encoding='utf-8')as f:for item in data_list:
            json_str = json.dumps(item, ensure_ascii=False)# 将Python对象转换为JSON格式的字符串
            f.write(json_str +'\n')# 读取jsonl文件defread_jsonl(filename):
    data_list =[]withopen(filename,'r', encoding='utf-8')as f:for line in f:
            data_list.append(json.loads(line))# 将JSON格式的字符串转换为Python对象return data_list

# 读取jsonl文件
read_data = read_jsonl('/home/super/sgq/swift/metadata.jsonl')# 打印读取的数据
new_data =[]for item in read_data:
    new_data.append({"query": item['question'],"response": item['answers'],"images":["/self_data/test/"+item['file_name']]})

write_jsonl(new_data,'finall_data.jsonl')

为使数据能够在框架中进行应用，需进行数据集注册：
于路径：
/home/super/sgq/swift/swift/llm/data/dataset_info.json
对数据集信息进行注册，自定义数据集格式参考：

需强调的是，默认数据集使用dataset_id字段进行索引定位，自定义数据集使用dataset_path即可，目前仅支持jsonl、json格式，推荐jsonl。
最后附处理后可用于微调的数据集：
链接：https://pan.baidu.com/s/1dvWs8ny2-bky_zAWIXnxrg
提取码：ybwe

微调配置

项目部署成功，且数据集准备后，启动框架，指令如下：

cd sgq/swift/
conda activate swift
WEBUI_SERVER=0.0.0.0 swift web-ui

启动后界面如下：

1.选择需要微调训练的模型型号：

如图所示，在选项栏中选定internvl-chat-v1_5，后方的路径和模型类型系统会自动加载。须注意的是，模型路径是项目缓存路径，由框架自动缓存并路由。未试验自定义路径时框架是否能够作用。
2.配置系统提示词和微调数据集，数据集可多选，具体如下方红色框图区域所示：

需注意的是，选择数据集要出现在可选下拉框中且可用，必须安装“数据集构建及注册”所强调的步骤自定义数据并注册。
3.训练方式配置

默认训练方式采取LoRA，需设置精度为bf16。

设置batch为1，2及以上时4090卡会报显存溢出。
学习率等参数保持不变，本文未提到的参数项均可不做改动。
Flash attention可选项勾上，这是一种显存利用优化方案。
下拉项目界面，LoRA更多参数设置如图：

以上参数设置为经验之谈，网上案例如此配置效果较好。
4.点击开始训练，若无报错，显示显存加载，并最终显示预估训练时间即表示微调成功。


5.微调成功后，查看训练结果（日志及模型全重）。
训练日志路径：
/home/super/output/internvl-chat-v1_5/v4-20240708-180015/runs/
训练参数：
“/home/super/output/internvl-chat-v1_5/v4-20240708-180015/training_args.json”
训练度量：
“/home/super/output/internvl-chat-v1_5/v4-20240708-180015/logging.jsonl”

可视化脚本：

import json
loss_values =[]
acc_values =[]# 打开JSONL文件withopen(r"C:\Users\12258\Desktop\logging.jsonl",'r')asfile:for line infile:try:# 加载每一行的JSON对象
            entry = json.loads(line)print(entry)# 打印出每个条目的内容
            loss_values.append(entry['loss'])
            acc_values.append(entry['acc'])except:
            Pass
import matplotlib.pyplot as plt
# Plot the loss values
plt.plot(loss_values, label="Loss")
plt.xlabel("Global Step")
plt.ylabel("Loss")
plt.title("Loss Over Global Steps")
plt.legend()
plt.grid(True)
plt.show()import matplotlib.pyplot as plt
# Plot the loss values
plt.plot(acc_values, label="Acc",color='orange')
plt.xlabel("Global Step")
plt.ylabel("Acc")
plt.title("Acc Over Global Steps")
plt.legend()
plt.grid(True)
plt.show()