PaddleMIX工具箱秉承了飞桨套件一站式体验、性能极致、生态兼容的设计理念，旨在提供业界主流跨模态大模型全流程统一工具，帮助开发者低成本、低门槛、快速实现跨模态大模型定制化。
[English]
| Model | Inference | Pretrain | SFT | LoRA | Deploy |
|---|---|---|---|---|---|
| qwen_vl | ✅ | ❌ | ✅ | ✅ | ✅ |
| blip2 | ✅ | ✅ | ✅ | ✅ | ✅ |
| visualglm | ✅ | ❌ | ✅ | ✅ | ❌ |
| llava | ✅ | ✅ | ✅ | ✅ | 🚧 |
- ✅: Supported
- 🚧: In Progress
- ❌: Not Supported
注意：
PaddleMIX 精调支持多个主流跨模态大模型的SFT、LoRA等精调策略，提供统一、高效精调方案：
- 统一训练入口 PaddleMIX 精调方案可适配业界主流跨模态大模型，用户只需修改config 配置文件，即能在单卡或多卡进行多种大模型精调；
- 多数据集和混合数据集 支持多种数据集和混合数据集同时精调，包括：VQA、Caption、Chatml等数据集混合使用；
- 强大数据流和分布式策略 MIXToken策略有效增加数据吞吐量，大幅度提高模型训练效率。自适应Trainer和定制化Trainer灵活配置，无缝链接飞桨分布式并行策略，大幅降低大模型精调硬件门槛。
数据准备：
我们支持多数据集、混合数据集同时用于精调，通过MixDataset统一调度，用户只需在配置文件指定 dataset 支持的数据集组成集合，即可使用。如：
# config.json
...
"dataset": {
"train":[
{"name": "chatml_dataset", "data_files": "train.json"，"chat_template":"chat_template.json"},
{"name": "coco_caption", "data_files": "train.json"},
......],
"eval": [
{"name": "chatml_dataset", "data_files": "val.json"，"chat_template":"chat_template.json"},
{"name": "coco_caption", "data_files": "val.json"},
......],
},
....
而对于每个子数据集，如上述的 coco_caption 数据格式，可参考examples 下对应的模型目录里面的文档介绍。
同时，我们通过 chatml_dataset 数据集支持主流的LLM对话自定义模版。关于自定义对话模板，请参考自定义对话模版
为了方便测试，我们也提供了 chatml_dataset 格式的数据集和对应的 chat_template.json,用于 qwen-vl 模型精调，可以直接下载使用。
config 配置文件参数说明：
{
“model_name_or_path” #设置实际使用的模型名称，如"qwen-vl/qwen-vl-chat-7b"
"freeze_include" #设置需要冻结的层，如["*visual*"]，默认None
"freeze_exclude" #设置不需要冻结的层，如["*visual.attn_pool*"]，默认None
"dataset": {
"train":[{"name": "chatml_dataset", "data_files": "train.json"}],
"eval": [{"name": "chatml_dataset", "data_files": "val.json"}]
}, #数据集配置
“mixtoken” : #是否使用mixtoken策略，默认False,
"output_dir": #模型存储路径
"overwrite_output_dir": # 覆盖输出目录，默认False
"per_device_train_batch_size": #训练batch大小
“gradient_accumulation_steps”: #在执行backward更新过程之前，用于累积梯度的更新步骤数。如设置为16，即执行16个step后，更新一次参数
"per_device_eval_batch_size" #评估batch大小
"eval_accumulation_steps" : 评估累积步数
“save_strategy”: #训练期间要采用保存模型策略。可选择：
#“no”：在训练期间不进行任何保存。
#“epoch”`：每个epoch后保存。
#“steps”`：每“Save_steps”保存一次。
"save_steps": #每多少个steps保存一次模型
"save_total_limit": #最多保存多少个模型
"evaluation_strategy": #评估策略。可选择：
#“no”：在训练期间不进行任何评估。
#“epoch”`：每个epoch后评估。
#“steps”`：每“eval_steps”评估一次。
"do_train": #是否进行训练
"bf16": #是否使用bf16训练，默认False，仅支持a100
"fp16": #是使用fp16训练，默认False
“fp16_opt_level”: #混合精度训练等级，可选O1,O2
"learning_rate": #学习率
"adam_beta2": #optimizer中beta2参数
"warmup_ratio": #学习率warm up比例
"weight_decay": #权重衰减
"lr_scheduler_type": #学习率衰减策略，可选cosine、linear
"logging_steps": #日志打印间隔
"max_length": #模型最大长度，默认2048
"benchmark": #是否开启benchmark模式，默认False
"skip_memory_metrics": #是否跳过内存指标，默认False
“lora”: #是否使用LoRA策略，默认False
"lora_rank": #LoRA rank
"lora_alpha": #LoRA alpha
"lora_dropout": #LoRA dropout
"lora_target_modules": #LoRA target modules,如
[ ".*attn.c_attn.*",
".*attn.c_proj.*",
".*mlp.w1.*",
".*mlp.w2.*"]
"tensor_parallel_degree": # 模型并行系数，设置为N则进行N卡间模型并行。可选参数。
"sharding_parallel_degree": #显存优化策略，详情参考 [《ZeRO: Memory Optimizations Toward Training Trillion Parameter Models》]（https://arxiv.org/abs/1910.02054）可选参数。
"sharding": #显存优化策略stage选择，目前支持stage1、stage2。可选参数。
"pipeline_parallel_degree": #流水线并行。详情参考[飞桨大语言模型工具链]（https://github.com/PaddlePaddle/PaddleNLP/blob/develop/llm/README.md）可选参数。
}
注：若不需要 sharding 策略，则无需指定tensor_parallel_degree、sharding_parallel_degree、sharding、pipeline_parallel_degree参数
更多参数，可参考 argument
全参精调：SFT
# 单卡Qwen-vl SFT启动命令参考
python paddlemix/tools/supervised_finetune.py paddlemix/config/qwen_vl/sft_argument.json
# 多卡Qwen-vl SFT启动命令参考
python -u -m paddle.distributed.launch --gpus "0,1,2,3" paddlemix/tools/supervised_finetune.py paddlemix/config/qwen_vl/sft_argument.jsonLoRA
# 单卡Qwen-vl LoRA启动命令参考
python paddlemix/tools/supervised_finetune.py paddlemix/config/qwen_vl/lora_sft_argument.json注：使用lora训练后，需要合并lora参数，我们提供LoRA参数合并脚本，可以将LoRA参数合并到主干模型并保存相应的权重。命令如下：
python paddlemix/paddlemix/tools/merge_lora_params.py \
--model_name_or_path qwen-vl/qwen-vl-chat-7b \
--lora_path output_qwen_vl\
--merge_model_path qwen_vl_merge