首页
/ FlagEmbedding项目微调模型的使用指南

FlagEmbedding项目微调模型的使用指南

2025-05-24 21:30:31作者:蔡怀权

微调结果文件结构解析

在FlagEmbedding项目中完成模型微调后,会生成一个包含多个文件的目录结构。典型的微调结果目录包含以下重要文件:

  1. 模型配置文件:config.json文件包含了模型的基本配置信息
  2. 模型权重文件:model.safetensors存储了模型的主要权重参数
  3. 分词器相关文件:包括sentencepiece.bpe.model、tokenizer.json等分词器配置文件
  4. 训练状态文件:trainer_state.json和training_args.bin记录了训练过程中的状态和参数
  5. 随机状态文件:rng_state_*.pth保存了训练时的随机数生成器状态
  6. 优化器状态文件:在global_step子目录中的zero_pp_rank_*文件存储了分布式训练的优化器状态

微调模型的使用方法

根据微调方式的不同,使用微调后的模型有两种主要方法:

直接微调模型的使用

如果采用的是直接微调(非LoRA方式),可以直接使用微调后的模型路径进行推理。使用方法如下:

model_finetuned = BGEM3FlagModel(
    path_to_finetuned_checkpoint,
    devices="cuda:0",  # 可使用"cpu"如果没有GPU
    pooling_method='cls',
    cache_dir=your_cache_directory
)

其中path_to_finetuned_checkpoint应指向包含微调结果的目录(如示例中的checkpoint-15478)。

LoRA微调模型的使用

如果采用了LoRA(低秩适应)方式进行微调,则需要先将LoRA适配器与基础模型合并,然后才能使用合并后的模型进行推理。合并过程需要专门的脚本处理。

技术要点说明

  1. 模型权重文件:safetensors格式是Hugging Face推荐的安全权重存储格式,相比传统的pth/pt文件更安全可靠。

  2. 分布式训练相关文件:zero_pp_rank_*等文件是使用DeepSpeed等分布式训练框架时生成的,普通推理场景下不需要关心这些文件。

  3. 随机状态文件:主要用于恢复训练,推理时不需要使用。

  4. 分词器文件:确保使用与微调时相同的分词器配置,这对获得一致的推理结果至关重要。

最佳实践建议

  1. 对于生产环境使用,建议将微调后的模型导出为更简洁的格式,只保留必要的模型权重和配置文件。

  2. 使用与训练时相同的环境配置(如相同的CUDA版本、PyTorch版本等)进行推理,以确保兼容性。

  3. 对于大型模型,可以考虑使用量化技术减小模型体积并提高推理速度。

  4. 定期验证微调后模型的性能,确保微调没有引入意外的行为变化。

通过正确理解和使用FlagEmbedding项目的微调结果,开发者可以有效地将微调后的模型应用于各种实际场景,如文本嵌入、语义搜索等任务。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
73
63
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.29 K
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
921
551
PaddleOCRPaddleOCR
飞桨多语言OCR工具包(实用超轻量OCR系统,支持80+种语言识别,提供数据标注与合成工具,支持服务器、移动端、嵌入式及IoT设备端的训练与部署) Awesome multilingual OCR toolkits based on PaddlePaddle (practical ultra lightweight OCR system, support 80+ languages recognition, provide data annotation and synthesis tools, support training and deployment among server, mobile, embedded and IoT devices)
Python
47
1
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
193
273
leetcodeleetcode
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
59
16