LLM को फाइन-ट्यून करें

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

CLORE.AI GPUs पर कुशल फाइन-ट्यूनिंग तकनीकों का उपयोग करके अपनी कस्टम LLM को प्रशिक्षित करें।

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

CLORE.AI पर किराये पर लेना

1. पर जाएँ CLORE.AI मार्केटप्लेस

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

3. चुनें ऑन-डिमांड (निश्चित दर) या स्पॉट (बिड प्राइस)

4. अपना ऑर्डर कॉन्फ़िगर करें:

   • Docker इमेज चुनें

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

   • यदि आवश्यक हो तो एनवायरनमेंट वेरिएबल जोड़ें

   • स्टार्टअप कमांड दर्ज करें

5. भुगतान चुनें: CLORE, BTC, या USDT/USDC

6. ऑर्डर बनाएं और डिप्लॉयमेंट का इंतज़ार करें

अपने सर्वर तक पहुँचें

• कनेक्शन विवरण में खोजें मेरे ऑर्डर

• वेब इंटरफेस: HTTP पोर्ट URL का उपयोग करें

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

LoRA/QLoRA क्या है?

• LoRA (लो-रैंक अनुकूलन) - पूरे मॉडल के बजाय छोटे एडाप्टर लेयर्स को ट्रेन करें

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

• एकल RTX 3090 पर 7B मॉडल ट्रेन करें

• एकल A100 पर 70B मॉडल ट्रेन करें

आवश्यकताएँ

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

त्वरित तैनाती

Docker इमेज:

pytorch/pytorch:2.5.1-cuda12.4-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 खोजें http_pub URL में मेरे ऑर्डर:

1. जाएँ मेरे ऑर्डर पृष्ठ

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 उदाहरणों में।

डेटासेट की तैयारी

चैट प्रारूप (अनुशंसित)

[
  {
    "messages": [
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "Python क्या है?"},
      {"role": "assistant", "content": "Python एक प्रोग्रामिंग भाषा है..."}
    ]
  }
]

निर्देश प्रारूप

[
  {
    "instruction": "French में अनुवाद करें",
    "input": "Hello, how are you?",
    "output": "Bonjour, comment allez-vous?"
  }
]

Alpaca प्रारूप

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

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 सपोर्ट और Qwen2.5 / DeepSeek-R1 अनुकूलता 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 dataset नाम
OUTPUT_DIR = "./output"
MAX_SEQ_LENGTH = 4096           # Qwen2.5 32K तक का संदर्भ-संदर्भ समर्थन करता है
USE_DORA = True                 # DoRA मानक LoRA की तुलना में गुणवत्ता में सुधार करता 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) आवश्यक
    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 (वज़न-विघटित लो-रैंक अनुकूलन) — PEFT >= 0.14 आवश्यक
# use_dora=True वज़न को परिमाण + दिशा में विभाजित करता है बेहतर गुणवत्ता के लिए
lora_config = LoraConfig(
    r=64,                    # रैंक (अधिक = अधिक क्षमता, अधिक VRAM)
    lora_alpha=16,           # स्केलिंग फैक्टर (r के बराबर या आधा रखें)
    target_modules=[
        "q_proj", "k_proj", "v_proj", "o_proj",  # Attention लेयर्स
        "gate_proj", "up_proj", "down_proj",      # MLP लेयर्स
    ],
    lora_dropout=0.05,
    bias="none",
    task_type="CAUSAL_LM",
    use_dora=USE_DORA,        # DoRA: बेहतर गुणवत्ता (PEFT 0.14+)
    # use_rslora=True,        # वैकल्पिक: Rank-Stabilized LoRA
)

# QLoRA ट्रेनिंग के लिए मॉडल 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)

# ट्रेन करने योग्य 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 सार्वजनिक डेटासेट का उपयोग करें:
# dataset = load_dataset("HuggingFaceH4/ultrachat_200k")

# === Qwen2.5 / ChatML प्रारूप के लिए डेटासेट फॉर्मेट करें ===
def format_chat_qwen(example):
    """Qwen2.5 के लिए ChatML टेम्पलेट में फ़ॉर्मेट।"""
    messages = example.get("messages", [])
    if not messages:
        # alpaca-शैली डेटा को संभालना
        text = f"<|im_start|>system\nYou are a helpful assistant.<|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:
        # messages प्रारूप (ChatML) को संभालना
        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 GPUs (A100, RTX 30/40) के लिए bf16 का उपयोग
    # fp16=True,                           # पुराने GPUs के लिए fp16 का उपयोग
    optim="paged_adamw_8bit",
    max_grad_norm=0.3,
    group_by_length=True,
    report_to="wandb",                     # या "tensorboard"
    # SFTConfig-विशेष:
    max_seq_length=MAX_SEQ_LENGTH,
    dataset_text_field="text",
    packing=True,                          # दक्षता के लिए एकाधिक उदाहरण पैक करें
)

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

trainer.train()

# === LoRA एडाप्टर सेव करें ===
trainer.save_model(f"{OUTPUT_DIR}/final")
tokenizer.save_pretrained(f"{OUTPUT_DIR}/final")
print(f"Model saved to {OUTPUT_DIR}/final")

Flash Attention 2

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

# Flash Attention 2 इंस्टॉल 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 आवश्यक है
    device_map="auto",
)

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

DoRA (वज़न-विघटित LoRA)

DoRA (PEFT >= 0.14) प्री-ट्रेंड वज़नों को परिमाण और दिशा घटकों में विभाजित करता है। यह फाइन-ट्यूनिंग गुणवत्ता में सुधार करता है, विशेष रूप से 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 ~5-10% VRAM ओवरहेड जोड़ता है
# नोट: यह सभी मामलों में क्वांटाइज़्ड (4-बिट/8-बिट) मॉडलों के साथ संगत नहीं हो सकता

Qwen2.5 & 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 की आवश्यकता)

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": "You are a helpful assistant."},
    {"role": "user", "content": "Hello!"},
    {"role": "assistant", "content": "Hi there! How can I help?"},
]
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 लिए उनकी चेन-ऑफ-थॉट शैली अनुकूलित करने के लिए फाइन-ट्यून करें।

# DeepSeek-R1-Distill वेरिएंट्स
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)

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 उपयोग करता है
# ट्रेनिंग डेटा में इसे रखें ताकि chain-of-thought क्षमता बनी रहे
example_format = """<|im_start|>user
Solve: What is 15 * 23?<|im_end|>
<|im_start|>assistant
<think>
15 * 23 = 15 * 20 + 15 * 3 = 300 + 45 = 345
</think>
The answer is 345.<|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 करना (आसान)

Axolotl YAML कॉन्फ़िग्स 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

# ट्रेन
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

ट्रेनिंग के बाद, LoRA को बेस मॉडल में वापस 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()

# मर्ज्ड मॉडल सेव करें
merged_model.save_pretrained("./merged_model")
tokenizer.save_pretrained("./merged_model")

GGUF में परिवर्तित करें

llama.cpp/Ollama के साथ उपयोग के लिए:

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

# परिवर्तित 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

हाइपरपैरामीटर्स

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 > संख्या

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,
)

मल्टी-GPU प्रशिक्षण

# 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 एडाप्टर सेव करें
trainer.save_model("./lora_adapter")

# मर्ज्ड मॉडल सेव करें
merged_model.save_pretrained("./full_model")

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

समस्याओं का निवारण

OOM त्रुटियाँ

• बैच साइज घटाएँ

• ग्रेडिएंट एक्यूम्युलेशन बढ़ाएँ

• उपयोग करें gradient_checkpointing=True

• lora_r कम करें

ट्रेनिंग लॉस घट नहीं रहा

• डेटा प्रारूप जाँचें

• learning rate बढ़ाएँ

• डेटा समस्याओं के लिए जाँच करें

NaN लॉस

• learning rate घटाएँ

• fp16 के बजाय fp32 का उपयोग करें

• खराब/क्षतिग्रस्त डेटा की जाँच करें

लागत अनुमान

सामान्य CLORE.AI मार्केटप्लेस दरें (2024 के अनुसार):

GPU	घंटात्मक दर	दैनिक दर	4-घंटे 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

कीमतें प्रदाता और मांग के अनुसार बदलती हैं। जाँच करें CLORE.AI मार्केटप्लेस वर्तमान दरों के लिए।

पैसे बचाएँ:

• उपयोग करें स्पॉट लचीले वर्कलोड के लिए मार्केट (अक्सर 30-50% सस्ता)

• भुगतान करें CLORE टोकन के साथ

• विभिन्न प्रदाताओं के बीच कीमतों की तुलना करें