大家好，我是程序鍋。

最近在modelscope上閑逛的時候，在數據集板塊發(fā)現有一個商品評論情感預測數據集。這個數據集源自一個比賽，它的目的是為了預測電商平臺顧客的評論是好評還是差評。

數據示例如下所示（其中0代表差評，1代表好評）：

這個比賽是2021年7月開始舉辦的。那個時候還沒有ChatGPT，如果需要做商品評論情感預測，是需要分詞、預處理、選擇模型等等一系列機器學習方法。而我最近正好在學習LLaMA-Factory，正好試一試用它來微調大模型，看看最終情感預測結果如何？

好的，首先我們先上結果。

	大模型微調+提示工程	大模型+提示工程
準確率	91.70%	79.43%

使用大模型微調相比不微調，提升12.27%

整體技術路線采用：LLaMA-Factory + Lora + Qwen1.5-7B

教程視頻如下：

https://www.bilibili.com/video/BV1siuietEYX/?vd_source=d0aa621a464f99754d7108e57e32eab9

下面我們來看如何微調大模型來做商品評論情感分析。微調過程與傳統(tǒng)深度學習方法類似。無非是準備數據、配環(huán)境、訓練、最后評測。

一、數據準備

采用數據集的來自于modelscope的商品評論情感預測，其中訓練數據集45366條，測試數據集5032條。

下載數據集：

from modelscope.msdatasets import MsDataset
ds_train =  MsDataset.load('DAMO_NLP/jd', subset_name='default', split='train')from modelscope.msdatasets import MsDataset
ds_val =  MsDataset.load('DAMO_NLP/jd', subset_name='default', split='validation')

下載后的數據集無法直接應用到微調，我們還需要結合提示工程，將數據集轉化為大模型微調所需要的格式（即問答對的形式）

數據轉化代碼如下：

import json
from modelscope.msdatasets import MsDataset
from tqdm import *
ds_train =  MsDataset.load('DAMO_NLP/jd', subset_name='default', split='train')
ds_val =  MsDataset.load('DAMO_NLP/jd', subset_name='default', split='validation')
print(len(ds_train["sentence"]))
print(len(ds_val["sentence"]))
outout = []
SYSTEM_PROMPT = "我在做商品評論情感預測，需根據用戶評價判斷是好評還是差評，其中輸出0代表差評，輸出1代表好評，請嚴格保證輸出結果為整數并且只能是0或者1。輸入的用戶評價為："
for i in tqdm(range(len(ds_val["sentence"]))):sentence = ds_val["sentence"][i]if (ds_val["label"][i] == None or ds_val["sentence"][i] == None ):continuelabel = str(int(ds_val["label"][i]))outout.append({"instruction":SYSTEM_PROMPT+sentence,"input":"","output":label})  
with open("jd_val.json", "w") as json_file:json.dump(outout, json_file,ensure_ascii=False)

二、環(huán)境依賴

• LLaMA-Factory
• Qwen1.5-7B

可以自己去安裝部署，我也準備了相應依賴pip list。

具體關于LLaMA-Factory的部署、使用和自定義數據集，可以參考這篇文章：

https://zhuanlan.zhihu.com/p/696631776

三、訓練

整體訓練耗時2.5小時，采用lora的方式，loss圖如下所示：

訓練可以采用web頁面訓練CUDA_VISIBLE_DEVICES=0 llamafactory-cli webui，也可以采用命令行的方式訓練，具體訓練執(zhí)行命令如下所示：

CUDA_VISIBLE_DEVICES=0 llamafactory-cli train \--stage sft \--do_train True \--model_name_or_path /home/guo/hub/Qwen1___5-7B-Chat \ #選擇大模型下載位置--preprocessing_num_workers 16 \--finetuning_type lora \--template qwen \--flash_attn auto \--dataset_dir data \--dataset jd \ #設置為你的數據集--cutoff_len 1024 \--learning_rate 5e-05 \--num_train_epochs 3.0 \--max_samples 100000 \--per_device_train_batch_size 2 \--gradient_accumulation_steps 8 \--lr_scheduler_type cosine \--max_grad_norm 1.0 \--logging_steps 5 \--save_steps 100 \--warmup_steps 0 \--optim adamw_torch \--packing False \--report_to none \--output_dir saves/Qwen1.5-7B-Chat/lora/train_2024-05-23-14-32-35 \--fp16 True \--plot_loss True \--lora_rank 8 \--lora_alpha 16 \--lora_dropout 0 \--lora_target q_proj,v_proj

四、評測

LLaMA-Factory也支持用web界面的方式評估和預測，具體評測使用方式如下所示。

評測結束后，得到一個generated_predictions.jsonl

{"label": "1", "predict": "1"}
{"label": "0", "predict": "0"}
{"label": "1", "predict": "1"}
{"label": "1", "predict": "1"}
{"label": "0", "predict": "0"}
{"label": "1", "predict": "1"}
{"label": "1", "predict": "1"}
{"label": "0", "predict": "0"}
{"label": "0", "predict": "0"}
{"label": "0", "predict": "0"}
{"label": "0", "predict": "0"}
{"label": "0", "predict": "0"}
{"label": "0", "predict": "0"}
{"label": "0", "predict": "0"}
{"label": "0", "predict": "0"}
{"label": "1", "predict": "1"}
...

自己寫一個準確率計算代碼Acc=(TP+TN)/(TP+TN+FP+FN)

五、最后

這是一個大模型微調入門的一個小案例，lora權重、數據集全部開源放到我的github repo。

https://github.com/GuoCoder/ai-app

后續(xù)我還會分享更多關于AI應用的案例。也歡迎大家點贊、收藏、關注我。