mLoRA - 为大型语言模型提供高效多LoRA适配器构建

mLoRA 项目介绍

mLoRA，全称为 Multi-LoRA Fine-Tune，是一个开源框架，专为通过 LoRA 和其变体对多个大型语言模型（LLMs）进行高效微调而设计。它就像一个高效的“工厂”，能够同时构建多个 LoRA 适配器。这篇文章将介绍 mLoRA 的功能特点、使用方法和一些技术细节。

项目背景和功能

mLoRA 的设计初衷是为了提高微调过程的效率，尤其是在同时处理多个 LoRA 适配器时。它有以下几个核心功能：

多LoRA适配器的并行微调：能够同时对多个 LoRA 适配器进行训练，提高效率。
共享基础模型：多个 LoRA 适配器可以共享一个基础模型，减少计算冗余。
高效的管道并行算法：通过先进的并行算法来提高操作效率。
支持多种LoRA变体算法和基模型：灵活支持不同的算法和模型，提高适应性。
支持多种强化学习偏好对齐算法：可以结合多种算法进行偏好对齐，以提升训练效果。

快速开始

要使用 mLoRA，用户需要首先克隆代码库并安装所需的依赖。以下是简单的安装步骤：

# 克隆项目代码
git clone https://github.com/TUDB-Labs/mLoRA
cd mLoRA
# 安装依赖，需 Python 版本 >= 3.12
pip install .

初次使用可以通过执行 mlora_train.py 来开始批量微调 LoRA 适配器：

python mlora_train.py \
  --base_model TinyLlama/TinyLlama-1.1B-Chat-v0.4 \
  --config demo/lora/lora_case_1.yaml

配置文件的范例可以在 demo 文件夹中找到，用户可以根据需求调整 LoRA 变体和偏好对齐算法。

使用 Docker 部署

mLoRA 还提供了官方的 Docker 镜像，用户可以通过 Docker 快速启动和开发。以下是使用 Docker 的步骤：

获取最新的 Docker 镜像：

docker pull yezhengmaolove/mlora:latest

部署并进入容器运行 mLoRA：

docker run -itd --runtime nvidia --gpus all \
    -v ~/your_dataset_dir:/dataset \
    -v ~/your_model_dir:/model \
    -p <host_port>:22 \
    --name mlora \
    yezhengmaolove/mlora:latest

mLoRA 的优势

使用 mLoRA 最主要的优势在于其计算效率和内存节省，特别是在需要同时训练多个适配器的情况下。

高性能：即使在消费者级别的硬件上，如 A6000 图形卡，mLoRA 依然能够以高精度（fp32）运行，并且无需检查点和量化技术即可达成出色的性能。
支持的模型和变体：
- 支持 LLaMA 模型及其变种。
- 支持多种 LoRA 变体（如 QLoRA、LoRA+等）和偏好对齐算法（如 DPO、CPO等）。

文件和开发文档

欢迎对 mLoRA 进行贡献，详情请参阅贡献指南。项目以 Apache 2.0 许可证发布，您可以根据许可证的条款自由使用代码。

总之，mLoRA 是一个功能强大的工具，适用于需要高效地微调多个语言模型的研究人员和开发者。通过提供多种算法支持和高效的并行功能，它帮助用户大幅提高训练效率。