GitHub stars GitHub forks GitHub watchers GitHub repo size GitHub language count GitHub top language GitHub last commit GitHub last commit
中文 | English
大语言模型快速入门(理论学习与微调实战)
你可以通过克隆此仓库到 GPU 服务器来开始学习:
git clone https://github.com/DjangoPeng/LLM-quickstart.git
本项目对于硬件有一定要求:GPU 显存不小于16GB,支持最低配置显卡型号为 NVIDIA Tesla T4。
建议使用 GPU 云服务器来进行模型训练和微调。
项目使用 Python 版本为 3.10,环境关键依赖的官方文档如下:
- Python 环境管理 Miniconda
- Python 交互式开发环境 Jupyter Lab
以下是详细的安装指导(以 Ubuntu 22.04 操作系统为例):
根据你的实际情况,找到对应的 CUDA 12.04:
下载并安装 CUDA 12.4 Toolkit(包含GPU驱动):
wget https://developer.download.nvidia.com/compute/cuda/12.4.0/local_installers/cuda_12.4.0_550.54.14_linux.run sudo sh cuda_12.4.0_550.54.14_linux.run
注意使用runfile方式,可以连同版本匹配的 GPU 驱动一起安装好。
安装完成后,使用 nvidia-smi 指令查看版本:
nvidia-smi Mon Dec 18 12:10:47 2023 +---------------------------------------------------------------------------------------+ | NVIDIA-SMI 535.129.03 Driver Version: 535.129.03 CUDA Version: 12.4 | |-----------------------------------------+----------------------+----------------------+ | GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. | | | | MIG M. | |=========================================+======================+======================| | 0 Tesla T4 Off | 00000000:00:0D.0 Off | 0 | | N/A 44C P0 26W / 70W | 2MiB / 15360MiB | 6% Default | | | | N/A | +-----------------------------------------+----------------------+----------------------+ +---------------------------------------------------------------------------------------+ | Processes: | | GPU GI CI PID Type Process name GPU Memory | | ID ID Usage | |=======================================================================================| | No running processes found | +---------------------------------------------------------------------------------------+
sudo apt update && sudo apt upgrade sudo apt install ffmpeg ## 检查是否安装成功 ffmpeg -version
mkdir -p ~/miniconda3 wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O ~/miniconda3/miniconda.sh bash ~/miniconda3/miniconda.sh -b -u -p ~/miniconda3 rm -rf ~/miniconda3/miniconda.sh
安装完成后,建议新建一个 Python 虚拟环境,命名为 peft。
conda create -n peft python=3.10
# 激活环境
conda activate peft 之后每次使用需要激活此环境。
完整 Python 依赖软件包见requirements.txt。
pip install -r requirements.txt
上述开发环境安装完成后,使用 Miniconda 安装 Jupyter Lab:
conda install -c conda-forge jupyterlab
使用 Jupyter Lab 开发的最佳实践是后台常驻,下面是相关配置(以 root 用户为例):
# 生成 Jupyter Lab 配置文件,
jupyter lab --generate-config打开上面执行输出的jupyter_lab_config.py配置文件后,修改以下配置项:
c.ServerApp.allow_root = True # 非 root 用户启动,无需修改 c.ServerApp.ip = '*'
使用 nohup 后台启动 Jupyter Lab
$ nohup jupyter lab --port=8000 --NotebookApp.token='替换为你的密码' --notebook-dir=./ &
Jupyter Lab 输出的日志将会保存在 nohup.out 文件(已在 .gitignore中过滤)。
为了使用OpenAI API,你需要从OpenAI控制台获取一个API密钥。一旦你有了密钥,你可以将其设置为环境变量:
对于基于Unix的系统(如Ubuntu或MacOS),你可以在终端中运行以下命令:
export OPENAI_API_KEY='你的-api-key'
对于Windows,你可以在命令提示符中使用以下命令:
set OPENAI_API_KEY=你的-api-key请确保将'你的-api-key'替换为你的实际OpenAI API密钥。