手把手教你做一个 ChatGPT ！丝滑小白版，只需一张单卡 GPU，轻松开启个性化训练！...

大家好，我是贺同学。

一直以来密切关注 ChatGPT 的趋势，最近相关的话题可谓是热度不减，虽然从事互联网行业，但一直对 LLM 相关领域关注较少。

最近的 ChatGPT 的火热，让我对 LLM 相关开源社区也关注了起来，相关的开源社区，也涌现了很多优秀的工作，吸引了很多人的关注。

其中，大家比较关注的是 Stanford 基于 LLaMA 的 Alpaca 和随后出现的 LoRA 版本 Alpaca-LoRA。原因很简单，便宜。

https://github.com/tloen/alpaca-lora

Alpaca 宣称只需要 600$ 不到的成本（包括创建数据集），便可以让 LLaMA 7B 达到近似 text-davinci-003 的效果。而 Alpaca-LoRA 则在此基础上，让我们能够以一块消费级显卡，在几小时内完成 7B 模型的 fine-turning。

下面是开源社区成员分享的可以跑通的硬件规格及所需时间：

GPU 规格	Epochs	训练耗时 (h)
RTX 4070 Ti 12GB	2	9.8
RTX 4080 16GB	2	5.5
RTX 4090 24GB	2	4
2 * RTX 3090Ti 24GB	3	4.5

根据大家分享的信息，fine-tune 7B 模型仅需要 8-10 GB vram。因此我们很有可能可以在云服务器上完成所需要的 fine-tune！

另外，自 ChatGPT 惊艳问世后，大模型部署的话题一直高热不退，但是这里面存在两个显著的问题：

一方面 ChatGPT 只有蛛丝马迹的论文，没有开源代码；另一方面 ChatGPT 官方公布的训练硬件配置，至少数千块 80G A100 的高昂算力成本。

以上两点，无论哪一个，对于很多想尝试动手搭建的普通人或者非计算机行业的朋友们，都是不小的挑战，导致很多个人用户无法上手。

那么，有个想法就在脑子里酝酿了，我们能不能自己动手训练一个ChatGPT出来呢？说干就干！

和小伙伴一起，花了一个周末，经过不断尝试踩坑，终于在云服务器上调通了！基于最新的 Stanford 发布的基于 LLaMA的Alpaca-LoRA，70 亿参数规模，只需要 A5000，3090 等最低 24G 显存的消费级的单卡 GPU 就可以训练。

而且还可以更新语料库进行训练，这一步，无疑大大降低了大语言模型的上手入门的门槛，我一直坚信，分享即学习，好知识值得分享和传播，话不多说，我们接下来开始进行逐步讲解。

第一步，搭建云 GPU 服务器环境

云 GPU 服务器，这里有两个厂商推荐（没有广告，纯粹推荐）

DBChina https://www.haibaogpu.com/wholeVirtual?type=gpu

阿某云的 GPU 服务器

根据个人情况租用或者购买，如果自己有更牛的硬件配置，那就当我没说，可以自己本地就 run 起来！

推荐跑模型的话，DBChina 平台推荐按小时去租一个单卡的机器，具体操作大家可以网上搜索。

其实看了下，最便宜的日租金大概算下来几十块钱，性价比还是可以的，所以想亲身体验的朋友，可以尝试一下。

笔者买的是阿某云 GPU服务器，这里推荐大家可以按量购买，参考下面的规格来买，一个 V100的 GPU，内存 >= 24G 的，这里我在厂商买的时候，最小的机器配置只有 92GB 的，所以就买了这个。

踩坑一：推荐买香港的或者国外的机器，下载开源仓库的时候需要访问 GitHub ，国内的机器大家懂的，会不太稳定，当切换了香港的机器之后，你就会立体验到那种丝滑的感觉！

第二步：配置机器

拿到机器后，登录进去，需要配置一下开发的环境，配置 Git ，命令：yum install git 安装 conda 环境，下载一个 miniconda 就好，非常快

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

其他版本下载地址：https://www.anaconda.com/products/distribution#Downloads

安装好之后，执行安装脚本，bash Miniconda3-latest-Linux-x86_64.sh 即可，一路 yes 。

接下来，需要下载 Alpaca-LoRA 项目代码，下载前，我们需要配置本地的 Git 的环境：

1. 设置的用户名和邮箱

2. 生成SSH Key密钥

3. 获取SSH Key密钥

git cofig --global user.name "你的GitHub用户名"
git config --global user.email "你的GitHub邮箱名"
ssh-keygen -t rsa -C  "你的GitHub邮箱名"

具体步骤可以参考网上文章，这里就不详细说了

那么机器配置好了 Git 环境之后，我们就可以正常下载代码了。

下载 Alpaca-LoRA 项目代码终端输入命令：

git clone https://github.com/tloen/alpaca-lora.git

创建对应的虚拟环境，并安装项目所需的依赖

conda create -n alpaca python=3.9
conda activate alpaca
cd alpaca-lora
pip install -r requirements.txt

接下来，我们下载项目训练的数据集

wget https://github.com/LC1332/Chinese-alpaca-lora/blob/main/data/trans_chinese_alpaca_data.json（有坑）

踩坑二：这里有个坑，其他教程这里都说直接下载这个文件，当初我也是这个文件下载的，美滋滋的下载完开始跑的时候，发现报错了！

报错原因是文件格式不对！！导致模型启动失败！其实，上面这个文件格式不正确，至少在我今天跑的时候有问题，正确做法是执行这个命令：git clone https://github.com/LC1332/Chinese-alpaca-lora.git

克隆项目之后，切换到 data 目录下，可以看到 trans_chinese_alpaca_data.json 数据集文件的位置，把它 cp 一份，拷贝到 alpaca-lora 目录下。

所以说，注意下载完后，要进行检查，下载好的数据集文件内容格式是如下这样的 JSON 格式，这个数据集当然也可以更换成自己的：

第三步：开始训练模型！

训练

进入 alpaca-lora 项目目录，执行命令

踩坑三：经验丰富的工程师，都会知道，一个命令如果需要长时间执行的话，最保险的做法就是把它挂到后台运行，这样及时你一不小心把前台关闭了，程序仍然老老实实的继续默默运行着。（老程序员也有大意失荆州的时候😭）

nohup xxx & 是把一个命令挂到服务器的后台运行！

单卡选手很简单，可以直接执行：

nohup python finetune.py \--base_model 'decapoda-research/llama-7b-hf' \--data_path 'trans_chinese_alpaca_data.json' \--output_dir './lora-alpaca-zh' \--micro_batch_size 2 \--num_epochs 2 &

双卡选手相对比较麻烦，需要加额外的参数执行：

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 '/path/to/trans_chinese_alpaca_data.json' \
--output_dir './lora-alpaca-zh'

如果你的内存 24GB 左右，需要额外配置 micro_batch_size 避免 OOM。（不像我一样第一次跑到 90% 结果 OOM，然后只能含泪重跑😭）

--micro_batch_size 2

推荐的其他额外参数：

--num_epochs 2

执行完上面的命令，服务器终端会下载一堆玩意，耐心等一会

可以看到，上面的输出参数

如果发生如下报错：AttributeError: /root/anaconda3/envs/alpaca/lib/python3.9/site-packages/bitsandbytes/libbitsandbytes_cpu.so: undefined symbol: cget_col_row_stats

需要进入/root/anaconda3/envs/alpaca/lib/python3.9/site-packages/bitsandbytes 文件夹中执行如下命令：cp libbitsandbytes_cuda117.so libbitsandbytes_cpu.so 解决依赖冲突问题

第四步：训练观察

顺利执行成功后，会进入训练页面，训练的过程比较稳定，推荐在用 nvitop 命令，查看显存和显卡的用量：

在观察的时候，发现 32G的显存，模型刚跑的时候不到 8G，可能只是刚开始，毕竟有将近 70 亿参数。理论上，这样看更低的显存机器应该也可以cover。看日志，怎么着也得10h起步的训练时长了，等明天有空看效果吧。

后记

上面的涉及的一些参数含义可参考，这里不具体阐述

https://paddlex.readthedocs.io/zh_CN/release-1.3/appendix/parameters.html

具体的训练效果，等明天应该就差不多出来。

这篇文章带大家从头到尾实战了一把 ChatGPT的训练过程，我们可以从整个过程中看到，语言模型迭代的本质，其实还是海量的语料数据的训练，从历史回到现在，ChatGPT 的背后是一个叫做语言模型的一个数学模型在发挥作用。

换句话说，ChatGPT 的背后是一个数学模型。只不过在今天，这项技术显得很强大的原因主要是三个：

第一，它用到的计算量很大；

第二，它的数据量很大；

第三，今天训练语言模型的方法比以前要好很多。

最近读到一篇吴军老师的访谈文章，里面提到 ChatGPT 对我们到底有什么影响？

吴军老师的回答我觉得一语中的，这里摘抄一下

今天互联网上90%的内容都属于这一类——不提供更多的新信息，也不是原创内容，也不是自己的感悟，无非是东抄抄，西凑凑。目前，抖音、快手这类短视频，我觉得99%的内容都属于这一类，没有营养，你读完以后可能觉得挺有意思，但实际上你在上面读了再多，其实对你没有任何帮助。如果说ChatGPT真的威胁到了谁，我觉得威胁到的就是这一类人的工作。

所以这项技术会对这一批人会有影响。那么，什么人不会受到影响？就是内容创造的人不会受影响。所以我认为，从历史上看ChatGPT其实不算是一次技术革命，它影响到的都是那个比较懒的人，懒得动脑筋，创造新东西的人。真正探索人类知识奥秘的人，是不会被取代的。

与你共勉！

本文参考链接

https://zhuanlan.zhihu.com/p/616504594

https://zhuanlan.zhihu.com/p/619710105