LLM को फाइन-ट्यून करें

Clore.ai GPUs पर कुशल तकनीकों के साथ कस्टम LLMs को फ़ाइन-ट्यून करें

CLORE.AI GPU पर कुशल फाइन-ट्यूनिंग तकनीकों का उपयोग करके अपना स्वयं का कस्टम LLM प्रशिक्षित करें।

सभी उदाहरण GPU सर्वरों पर चलाए जा सकते हैं, जिन्हें किराए पर लिया गया है CLORE.AI मार्केटप्लेस.

CLORE.AI पर किराए पर लेना

1. विज़िट करें CLORE.AI मार्केटप्लेस

2. GPU प्रकार, VRAM और कीमत के अनुसार फ़िल्टर करें

3. चुनें ऑन-डिमांड (स्थिर दर) या स्पॉट (बोली मूल्य)

4. अपना ऑर्डर कॉन्फ़िगर करें:

   • Docker इमेज चुनें

   • पोर्ट सेट करें (SSH के लिए TCP, वेब UI के लिए HTTP)

   • यदि आवश्यक हो तो environment variables जोड़ें

   • स्टार्टअप कमांड दर्ज करें

5. भुगतान चुनें: CLORE, BTCया USDT/USDC

6. ऑर्डर बनाएं और डिप्लॉयमेंट की प्रतीक्षा करें

अपने सर्वर तक पहुँचें

• कनेक्शन विवरण यहाँ खोजें मेरे ऑर्डर

• वेब इंटरफ़ेस: HTTP पोर्ट URL का उपयोग करें

• SSH: ssh -p <port> root@<proxy-address>

LoRA/QLoRA क्या है?

• LoRA (निम्न-रैंक अनुकूलन) - पूरे मॉडल के बजाय छोटे एडेप्टर लेयर प्रशिक्षित करें

• QLoRA - और भी कम VRAM के लिए क्वांटाइज़ेशन के साथ LoRA

• एकल RTX 3090 पर 7B मॉडल प्रशिक्षित करें

• एकल A100 पर 70B मॉडल प्रशिक्षित करें

आवश्यकताएँ

मॉडल	विधि	न्यूनतम VRAM	अनुशंसित
7B	QLoRA	12GB	RTX 3090
13B	QLoRA	20GB	RTX 4090
70B	QLoRA	48GB	A100 80GB
7B	पूर्ण LoRA	24GB	RTX 4090

त्वरित डिप्लॉय

Docker इमेज:

pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel

पोर्ट:

22/tcp
8888/http
6006/http

कमांड:

pip install "transformers>=4.45" "datasets>=2.20" accelerate "peft>=0.14" \
    bitsandbytes "trl>=0.12" wandb jupyterlab && \
jupyter lab --ip=0.0.0.0 --port=8888 --allow-root

अपनी सेवा तक पहुँचना

डिप्लॉयमेंट के बाद, अपना http_pub URL यहाँ मेरे ऑर्डर:

1. पर जाएँ मेरे ऑर्डर पेज

2. अपने ऑर्डर पर क्लिक करें

3. खोजें http_pub URL (उदा., abc123.clorecloud.net)

उपयोग करें https://YOUR_HTTP_PUB_URL की बजाय localhost नीचे दिए गए उदाहरणों में।

डेटासेट तैयारी

चैट फ़ॉर्मेट (अनुशंसित)

[
  {
    "messages": [
      {"role": "system", "content": "आप एक सहायक सहायक हैं."},
      {"role": "user", "content": "पायथन क्या है?"},
      {"role": "assistant", "content": "पायथन एक प्रोग्रामिंग भाषा है..."}
    ]
  }
]

निर्देश प्रारूप

[
  {
    "instruction": "फ़्रेंच में अनुवाद करें",
    "input": "नमस्ते, आप कैसे हैं?",
    "output": "नमस्ते, आप कैसे हैं?"
  }
]

अल्पाका प्रारूप

[
  {
    "instruction": "स्वस्थ रहने के लिए तीन सुझाव दें।",
    "input": "",
    "output": "1. संतुलित भोजन करें..."
  }
]

समर्थित आधुनिक मॉडल (2025)

मॉडल	HF ID	न्यूनतम VRAM (QLoRA)
Llama 3.1 / 3.3 8B	meta-llama/Llama-3.1-8B-Instruct	12GB
Qwen 2.5 7B / 14B	Qwen/Qwen2.5-7B-Instruct	12GB / 20GB
DeepSeek-R1-Distill (7B/8B)	deepseek-ai/DeepSeek-R1-Distill-Qwen-7B	12GB
Mistral 7B v0.3	mistralai/Mistral-7B-Instruct-v0.3	12GB
Gemma 2 9B	google/gemma-2-9b-it	14GB
Phi-4 14B	microsoft/phi-4	20GB

QLoRA फाइन-ट्यूनिंग स्क्रिप्ट

PEFT 0.14+, Flash Attention 2, DoRA समर्थन, और Qwen2.5 / DeepSeek-R1 संगतता के साथ आधुनिक उदाहरण:

import torch
from transformers import (
    AutoModelForCausalLM,
    AutoTokenizer,
    BitsAndBytesConfig,
    TrainingArguments,
)
from peft import LoraConfig, get_peft_model, prepare_model_for_kbit_training
from datasets import load_dataset
from trl import SFTTrainer, SFTConfig

# === कॉन्फ़िगरेशन ===
# इनमें से एक चुनें: Qwen2.5, DeepSeek-R1-Distill, Llama 3.1, Mistral, आदि।
MODEL_NAME = "Qwen/Qwen2.5-7B-Instruct"
# MODEL_NAME = "deepseek-ai/DeepSeek-R1-Distill-Qwen-7B"
# MODEL_NAME = "meta-llama/Llama-3.1-8B-Instruct"

DATASET = "your_dataset.json"  # या HuggingFace डेटासेट का नाम
OUTPUT_DIR = "./output"
MAX_SEQ_LENGTH = 4096           # Qwen2.5 32K संदर्भ तक समर्थन करता है
USE_DORA = True                 # DoRA मानक LoRA की तुलना में गुणवत्ता बेहतर बनाता है
USE_FLASH_ATTN = True           # Flash Attention 2 VRAM बचाता है और गति बढ़ाता है

# === 4-बिट क्वांटाइज़ेशन के साथ मॉडल लोड करें ===
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
    bnb_4bit_use_double_quant=True,
)

model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME,
    quantization_config=bnb_config,
    device_map="auto",
    trust_remote_code=True,  # Qwen2.5 और DeepSeek के लिए आवश्यक
    # Flash Attention 2: Ampere+ GPU (RTX 30/40, A100) की आवश्यकता है
    attn_implementation="flash_attention_2" if USE_FLASH_ATTN else "eager",
)

tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME, trust_remote_code=True)
if tokenizer.pad_token is None:
    tokenizer.pad_token = tokenizer.eos_token
tokenizer.padding_side = "right"

# === वैकल्पिक DoRA के साथ LoRA कॉन्फ़िगर करें ===
# DoRA (वेट-डिकम्पोज़्ड लो-रैंक अनुकूलन) — PEFT >= 0.14 आवश्यक
# use_dora=True बेहतर गुणवत्ता के लिए वज़नों को परिमाण + दिशा में विभाजित करता है
lora_config = LoraConfig(
    r=64,                    # रैंक (उच्च = अधिक क्षमता, अधिक VRAM)
    lora_alpha=16,           # स्केलिंग फैक्टर (r के बराबर या उसके आधे के बराबर रखें)
    target_modules=[
        "q_proj", "k_proj", "v_proj", "o_proj",  # Attention लेयर
        "gate_proj", "up_proj", "down_proj",      # MLP लेयर
    ],
    lora_dropout=0.05,
    bias="none",
    task_type="CAUSAL_LM",
    use_dora=USE_DORA,        # DoRA: बेहतर गुणवत्ता (PEFT 0.14+)
    # use_rslora=True,        # वैकल्पिक: रैंक-स्थिरीकृत LoRA
)

# मॉडल को QLoRA प्रशिक्षण के लिए तैयार करें
model = prepare_model_for_kbit_training(
    model,
    use_gradient_checkpointing=True,
    gradient_checkpointing_kwargs={"use_reentrant": False},
)
model = get_peft_model(model, lora_config)

# प्रशिक्षणीय पैरामीटर सारांश प्रिंट करें
model.print_trainable_parameters()
# उदाहरण आउटपुट: trainable params: 42,991,616 || all params: 7,284,891,648 || trainable%: 0.59

# === डेटासेट लोड करें ===
dataset = load_dataset("json", data_files=DATASET)
# या कोई सार्वजनिक डेटासेट उपयोग करें:
# dataset = load_dataset("HuggingFaceH4/ultrachat_200k")

# === Qwen2.5 / ChatML प्रारूप के लिए डेटासेट फ़ॉर्मेट करें ===
def format_chat_qwen(example):
    """Qwen2.5 के लिए ChatML टेम्पलेट का उपयोग करके फ़ॉर्मेट करें."""
    messages = example.get("messages", [])
    if not messages:
        # अल्पाका-शैली के डेटा को संभालें
        text = f"<|im_start|>system\nआप एक मददगार सहायक हैं।<|im_end|>\n"
        text += f"<|im_start|>user\n{example['instruction']}"
        if example.get("input"):
            text += f"\n{example['input']}"
        text += f"<|im_end|>\n<|im_start|>assistant\n{example['output']}<|im_end|>"
    else:
        # संदेश प्रारूप (ChatML) को संभालें
        text = tokenizer.apply_chat_template(
            messages,
            tokenize=False,
            add_generation_prompt=False,
        )
    return {"text": text}

dataset = dataset.map(format_chat_qwen, remove_columns=dataset["train"].column_names)

# === प्रशिक्षण तर्क (PEFT 0.14+ / TRL 0.12+) ===
training_args = SFTConfig(
    output_dir=OUTPUT_DIR,
    num_train_epochs=3,
    per_device_train_batch_size=2,
    gradient_accumulation_steps=8,         # प्रभावी बैच = 2 * 8 = 16
    learning_rate=2e-4,
    weight_decay=0.001,
    warmup_ratio=0.03,
    lr_scheduler_type="cosine",
    logging_steps=10,
    save_steps=100,
    save_total_limit=3,
    bf16=True,                             # आधुनिक GPU (A100, RTX 30/40) के लिए bf16 उपयोग करें
    # fp16=True,                           # पुराने GPU के लिए fp16 उपयोग करें
    optim="paged_adamw_8bit",
    max_grad_norm=0.3,
    group_by_length=True,
    report_to="wandb",                     # या "tensorboard"
    # SFTConfig-विशिष्ट:
    max_seq_length=MAX_SEQ_LENGTH,
    dataset_text_field="text",
    packing=True,                          # दक्षता के लिए कई उदाहरण पैक करें
)

# === प्रशिक्षण ===
trainer = SFTTrainer(
    model=model,
    train_dataset=dataset["train"],
    tokenizer=tokenizer,
    args=training_args,
)

trainer.train()

# === LoRA एडेप्टर सहेजें ===
trainer.save_model(f"{OUTPUT_DIR}/final")
tokenizer.save_pretrained(f"{OUTPUT_DIR}/final")
print(f"मॉडल {OUTPUT_DIR}/final पर सहेजा गया")

Flash Attention 2

Flash Attention 2 VRAM उपयोग को कम करता है और प्रशिक्षण को काफी तेज़ बनाता है। Ampere+ GPU (RTX 3090, RTX 4090, A100) की आवश्यकता है।

# Flash Attention 2 स्थापित करें
pip install flash-attn --no-build-isolation

# मॉडल लोडिंग में सक्षम करें:
model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME,
    attn_implementation="flash_attention_2",  # <-- इसे जोड़ें
    torch_dtype=torch.bfloat16,               # FA2 के लिए bf16 या fp16 चाहिए
    device_map="auto",
)

सेटिंग	VRAM (7B)	गति
मानक attention (fp16)	~22GB	आधाररेखा
Flash Attention 2 (bf16)	~16GB	+30%
Flash Attention 2 + QLoRA	~12GB	+30%

DoRA (वेट-डिकम्पोज़्ड LoRA)

DoRA (PEFT >= 0.14) पूर्व-प्रशिक्षित वज़नों को परिमाण और दिशा घटकों में विभाजित करता है। यह फाइन-ट्यूनिंग की गुणवत्ता को बेहतर बनाता है, विशेषकर छोटे रैंकों के लिए।

from peft import LoraConfig

# मानक LoRA
lora_config = LoraConfig(r=64, lora_alpha=16, use_dora=False, ...)

# DoRA — समान पैरामीटर, बेहतर गुणवत्ता
lora_config = LoraConfig(r=64, lora_alpha=16, use_dora=True, ...)
# नोट: DoRA मानक LoRA की तुलना में लगभग 5-10% VRAM ओवरहेड जोड़ता है
# नोट: सभी मामलों में क्वांटाइज़्ड (4-बिट/8-बिट) मॉडल के साथ संगत नहीं है

Qwen2.5 एवं DeepSeek-R1-Distill उदाहरण

Qwen2.5 फाइन-ट्यूनिंग

MODEL_NAME = "Qwen/Qwen2.5-7B-Instruct"
# 14B के लिए: "Qwen/Qwen2.5-14B-Instruct" (QLoRA के साथ 20GB+ VRAM चाहिए)

model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME,
    quantization_config=bnb_config,
    device_map="auto",
    trust_remote_code=True,          # Qwen2.5 के लिए आवश्यक
    attn_implementation="flash_attention_2",
)
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME, trust_remote_code=True)

# Qwen2.5 ChatML प्रारूप का उपयोग करता है — apply_chat_template का उपयोग करें
messages = [
    {"role": "system", "content": "आप एक सहायक सहायक हैं."},
    {"role": "user", "content": "नमस्ते!"},
    {"role": "assistant", "content": "नमस्ते! मैं आपकी कैसे मदद कर सकता हूँ?"},
]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=False)

DeepSeek-R1-Distill फाइन-ट्यूनिंग

DeepSeek-R1-Distill मॉडल (Qwen-7B, Qwen-14B, Llama-8B, Llama-70B) तर्क-केंद्रित हैं। अपने डोमेन के अनुसार उनके chain-of-thought शैली को अनुकूलित करने के लिए फाइन-ट्यून करें।

# DeepSeek-R1-Distill प्रकार
MODEL_NAME = "deepseek-ai/DeepSeek-R1-Distill-Qwen-7B"   # Qwen2.5 बेस पर 7B
# MODEL_NAME = "deepseek-ai/DeepSeek-R1-Distill-Llama-8B" # Llama3 बेस पर 8B
# MODEL_NAME = "deepseek-ai/DeepSeek-R1-Distill-Qwen-14B" # 14B (A100 की आवश्यकता है)

model = AutoModelForCausalLM.from_pretrained(
    MODEL_NAME,
    quantization_config=bnb_config,
    device_map="auto",
    trust_remote_code=True,
    attn_implementation="flash_attention_2",
)

# DeepSeek-R1 तर्क के लिए <think>...</think> टैग का उपयोग करता है
# chain-of-thought क्षमता बनाए रखने के लिए इसे प्रशिक्षण डेटा में रखें
example_format = """<|im_start|>user
हल करें: 15 * 23 क्या है?<|im_end|>
<|im_start|>assistant
<think>
15 * 23 = 15 * 20 + 15 * 3 = 300 + 45 = 345
</think>
उत्तर 345 है.<|im_end|>"""

# DeepSeek-R1-Distill (Qwen2.5 बेस) के लिए LoRA लक्ष्य मॉड्यूल
lora_config = LoraConfig(
    r=32,
    lora_alpha=16,
    target_modules=["q_proj", "k_proj", "v_proj", "o_proj",
                    "gate_proj", "up_proj", "down_proj"],
    use_dora=True,
    task_type="CAUSAL_LM",
)

Axolotl का उपयोग (आसान)

Axolotl YAML कॉन्फ़िग के साथ फाइन-ट्यूनिंग को सरल बनाता है:

pip install axolotl

# कॉन्फ़िग बनाएं
cat > config.yml << 'EOF'
base_model: mistralai/Mistral-7B-v0.1
model_type: MistralForCausalLM
tokenizer_type: LlamaTokenizer

load_in_4bit: true
adapter: qlora
lora_r: 32
lora_alpha: 16

datasets:
  - path: your_data.json
    type: alpaca

sequence_len: 4096
sample_packing: true

gradient_accumulation_steps: 4
micro_batch_size: 2
num_epochs: 3
learning_rate: 2e-4

output_dir: ./output
EOF

# प्रशिक्षण करें
accelerate launch -m axolotl.cli.train config.yml

Axolotl कॉन्फ़िग उदाहरण

चैट मॉडल

base_model: mistralai/Mistral-7B-Instruct-v0.2
load_in_4bit: true
adapter: qlora

datasets:
  - path: data.json
    type: sharegpt

chat_template: mistral

कोड मॉडल

base_model: codellama/CodeLlama-7b-hf
load_in_4bit: true
adapter: qlora

datasets:
  - path: code_data.json
    type: alpaca

sequence_len: 8192  # कोड के लिए लंबा संदर्भ

LoRA वज़न मर्ज करना

प्रशिक्षण के बाद, LoRA को वापस बेस मॉडल में मर्ज करें:

from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer

# बेस मॉडल लोड करें
base_model = AutoModelForCausalLM.from_pretrained(
    "mistralai/Mistral-7B-v0.1",
    torch_dtype=torch.float16,
    device_map="auto",
)

# LoRA लोड करें
model = PeftModel.from_pretrained(base_model, "./output/final")

# मर्ज करें
merged_model = model.merge_and_unload()

# मर्ज किया गया मॉडल सहेजें
merged_model.save_pretrained("./merged_model")
tokenizer.save_pretrained("./merged_model")

GGUF में कनवर्ट करें

llama.cpp/Ollama के साथ उपयोग के लिए:

# llama.cpp क्लोन करें
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp

# कनवर्ट करें
python convert.py ../merged_model --outtype f16 --outfile model-f16.gguf

# क्वांटाइज़ करें
./quantize model-f16.gguf model-q4_k_m.gguf q4_k_m

प्रशिक्षण की निगरानी

Weights & Biases

import wandb
wandb.init(project="llm-finetune", name="mistral-7b-lora")

TensorBoard

# प्रशिक्षण तर्कों में
report_to="tensorboard"
logging_dir="./logs"

# देखें
tensorboard --logdir ./logs --port 6006 --bind_all

सर्वोत्तम प्रथाएँ

हाइपरपैरामीटर

पैरामीटर	7B मॉडल	13B मॉडल	70B मॉडल
batch_size	4	2	1
grad_accum	4	8	16
lr	2e-4	1e-4	5e-5
lora_r	64	32	16
epochs	3	2-3	1-2

डेटासेट आकार

• न्यूनतम: 1,000 उदाहरण

• अच्छा: 10,000+ उदाहरण

• गुणवत्ता > मात्रा

ओवरफिटिंग से बचना

training_args = TrainingArguments(
    ...
    weight_decay=0.01,
    warmup_ratio=0.03,
    save_total_limit=3,
    load_best_model_at_end=True,
    evaluation_strategy="steps",
    eval_steps=100,
)

Multi-GPU Training

# accelerate के साथ
accelerate launch --multi_gpu --num_processes 4 train.py

# DeepSpeed के साथ
accelerate launch --use_deepspeed --num_processes 4 train.py

DeepSpeed कॉन्फ़िग:

{
  "bf16": {"enabled": true},
  "zero_optimization": {
    "stage": 2,
    "offload_optimizer": {"device": "cpu"}
  }
}

सहेजना और निर्यात करना

# LoRA एडेप्टर सहेजें
trainer.save_model("./lora_adapter")

# मर्ज किया गया मॉडल सहेजें
merged_model.save_pretrained("./full_model")

# HuggingFace पर अपलोड करें
huggingface-cli login
merged_model.push_to_hub("username/my-model")

समस्या निवारण

OOM त्रुटियाँ

• बैच आकार कम करें

• ग्रेडिएंट संचय बढ़ाएँ

• उपयोग करें gradient_checkpointing=True

• lora_r कम करें

प्रशिक्षण लॉस कम नहीं हो रहा

• डेटा प्रारूप जांचें

• लर्निंग रेट बढ़ाएँ

• डेटा समस्याएँ जांचें

NaN लॉस

• लर्निंग रेट कम करें

• fp16 के बजाय fp32 का उपयोग करें

• क्षतिग्रस्त डेटा जांचें

लागत का अनुमान

CLORE.AI मार्केटप्लेस की सामान्य दरें (2026 तक):

GPU	प्रति घंटा दर	प्रति दिन दर	4-घंटे का सत्र
RTX 3060	~$0.03	~$0.70	~$0.12
RTX 3090	~$0.06	~$1.50	~$0.25
RTX 4090	~$0.10	~$2.30	~$0.40
A100 40GB	~$0.17	~$4.00	~$0.70
A100 80GB	~$0.25	~$6.00	~$1.00

मूल्य प्रदाता और मांग के अनुसार बदलते हैं। देखें CLORE.AI मार्केटप्लेस वर्तमान दरों के लिए।

📚 यह भी देखें: क्लाउड GPU पर LLaMA 3 को फाइन-ट्यून कैसे करें — चरण-दर-चरण मार्गदर्शिका

पैसे बचाएँ:

• का उपयोग करें स्पॉट बाधित किए जा सकने वाले कार्य के लिए मार्केट — लगभग एक-तिहाई सर्वरों की स्पॉट कीमत ऑन-डिमांड से कम होती है (मध्य ~13% छूट), बाकी उससे मेल खाते हैं

• से भुगतान करें CLORE टोकन

• विभिन्न प्रदाताओं के बीच कीमतों की तुलना करें