在Google Colab上作免費的Fine Tune Training(微調訓練)
2025/06/19 20:00
瀏覽213
迴響0
推薦12
引用0
對微調訓練不熟悉的朋友，可以看以下這段我請ChatGPT寫的概述，其他朋友可以直接跳到後面資源及實測的部分
微調訓練概述：
微調的必要性在於，雖然原始模型擁有廣泛的知識與語言能力，但其回應往往過於泛泛，缺乏針對性，也可能在面對敏感話題時產生偏見或不當回答。透過微調，我們可以導入具有引導性、風格明確的資料，讓模型學會以我們期望的方式來理解問題與輸出回答。不僅能調整語氣、提升精準度，還能強化其遵守特定規則的能力。
值得一提的是，進行微調並不代表要從零開始訓練整個模型。現在的主流做法，例如使用 LoRA（Low-Rank Adaptation）或 QLoRA，可讓使用者僅訓練模型中的少量參數，顯著降低硬體資源與時間成本。這使得即便是使用 Google Colab 免費版（例如配備 T4 GPU 的環境），也能順利對 3B 或 7B 等中型模型進行有效的微調，特別是搭配 4-bit 量化模型。
資源及實測：
Fine Tune Training所需要的資源，雖然遠遠不及Pre-Trained Model 所需，但是當然也不容小覷，如果沒有GPU和VRAM基本上是不可能的。 幸運的是谷歌Colab開放了免費的T4 GPU工作空間，他的規格如下：
GPU Type
NVIDIA T4 (occasionally P100/K80)
Max VRAM
~12.7 GB usable
RAM
~12–16 GB system RAM
Disk
~100 GB (ephemeral)
Runtime limit
12 hours max session
Idle timeout
~90 minutes of inactivity
這樣的規格，用LoRA 的方式 (僅訓練模型中的少量參數，在原模型外附加一個參數更新檔，而非直接在原模型內改參數)，個人實測在LLaMA 3.1 8B的模型上，執行51K筆Alpaca的更新數據，大概只需要10多分鐘左右。
Fine Tune Training 後，可以將原來的模型原封不動，而將更新檔單獨儲存，使用(Inference)時兩個合在一起使用，也可以將兩者合併為一個檔案(比較模組化)，甚至於儲存成llama.cpp適合的GGUF檔案格式。
以下示範程式，我一行未改，從頭跑到尾，一氣呵成，連原始模型以及Alpaca資料集都是直接從網路上得到，我們完全不用費心。各位有興趣可以自己跑一跑體驗一下。
真正要做自己的模型，當然需要準備自己的資料集，以及選定合適的原始模型檔
能夠將FT這樣耗費資源的工作，變成免費上網10分鐘就跑完，這個真得需要感謝開源世界的LLaMA， Hugging Face，Unsloth，以及地球上各個角落優秀的AI貢獻者默默的耕耘。
你可能會有興趣的文章：
限會員,要發表迴響,請先登入
