LLM को फाइन-ट्यून करें

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

CLORE.AI GPUs पर कुशल फाइन-ट्यूनिंग तकनीकों का उपयोग करके अपना कस्टम LLM ट्रेन करें।

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

CLORE.AI पर किराये पर लेना

1. दौरा करें CLORE.AI मार्केटप्लेस

2. GPU प्रकार, VRAM और कीमत द्वारा फ़िल्टर करें

3. चुनें ऑन-डिमांड (निश्चित 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 एनवायरनमेंट वेरिएबल जोड़ें

   • स्टार्टअप कमांड दर्ज करें

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

6. ऑर्डर बनाएं और डिप्लॉयमेंट का इंतजार करें

अपने सर्वर तक पहुँचें

• कनेक्शन विवरण ढूंढें मेरे ऑर्डर्स

• 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 एडेप्टर लेयर ट्रेन करें

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

• सिंगल RTX 3090 पर 7B मॉडल ट्रेन करें

• सिंगल A100 पर 70B मॉडल ट्रेन करें

आवश्यकताएँ

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

क्विक डिप्लॉय

Docker इमेज:

pytorch/pytorch:2.5.1-cuda12.4-cudnn9-devel

पोर्ट्स:

22/tcp
8888/http
6006/http

कमान्ड:

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

आपकी सर्विस तक पहुँच

डिप्लॉयमेंट के बाद, अपना ढूंढें http_pub URL में मेरे ऑर्डर्स:

1. पर जाएँ मेरे ऑर्डर्स पृष्ठ

2. अपने ऑर्डर पर क्लिक करें

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

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

डेटासेट तैयार करना

चैट फ़ॉर्मेट (अनुशंसित)

[
  {
    "messages": [
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "What is Python?"},
      {"role": "assistant", "content": "Python is a programming language..."}
    ]
  }
]

इंस्ट्रक्शन फ़ॉर्मेट

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

Alpaca फ़ॉर्मेट

[
  {
    "instruction": "Give three tips for staying healthy.",
    "input": "",
    "output": "1. Eat balanced meals..."
  }
]

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 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 कॉनटेक्स्ट सपोर्ट करता है
USE_DORA = True                 # DoRA मानक LoRA की तुलना में गुणवत्ता सुधारता 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 होती 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 (Weight-Decomposed Low-Rank Adaptation) — PEFT >= 0.14 आवश्यक
# use_dora=True वज़न को परिमाण + दिशा में विभाजित करता है जिससे गुणवत्ता बेहतर होती है
lora_config = LoraConfig(
    r=64,                    # रैंक (उच्च = 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",  # अटेंशन 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-स्थिर LoRA
)

# QLoRA प्रशिक्षण 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 फ़ॉर्मेट के लिए डेटासेट को फ़ॉर्मेट 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 संभालें
        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:
        # संदेश फ़ॉर्मेट (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)

# === ट्रेनिंग आर्ग्युमेंट्स (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 करें
    # fp16=True,                           # पुराने GPUs के लिए fp16 का 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
)

# === ट्रेन ===
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"Model saved to {OUTPUT_DIR}/final")

Flash Attention 2

Flash Attention 2 VRAM उपयोग को घटाता है और ट्रेनिंग को काफी तेज़ करता है। इसके लिए 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 को bf16 या fp16 चाहिए
    device_map="auto",
)

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

DoRA (Weight-Decomposed LoRA)

DoRA (PEFT >= 0.14) प्री-ट्रेन्ड वज़न को परिमाण और दिशा घटकों में विभाजित करता है। यह फाइन-ट्यूनिंग की गुणवत्ता में सुधार करता है, विशेष रूप से छोटे रैंक्स के लिए।

from peft import LoraConfig

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

# DoRA — वही 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: सभी मामलों में क्वांटाइज़्ड (4-बिट/8-बिट) मॉडलों के साथ संगत नहीं है

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 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 फ़ॉर्मेट 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-केन्द्रित हैं। उनके chain-of-thought स्टाइल को अपने डोमेन के लिए अनुकूलित करने के लिए फाइन-ट्यून करें।

# DeepSeek-R1-Distिल 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 चाहिए)

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> टैग्स का उपयोग करता है
# प्रशिक्षण 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 टार्गेट मॉड्यूल्स
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 तरीका)

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

# 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 कॉनटेक्स्ट

LoRA वज़न मर्ज करना

ट्रेनिंग के बाद, LoRA को 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()

# मर्ज्ड मॉडल सहेजें
merged_model.save_pretrained("./merged_model")
tokenizer.save_pretrained("./merged_model")

GGUF में कन्वर्ट करें

llama.cpp/Ollama के साथ उपयोग के लिए:

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

# कन्वर्ट 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

ट्रेनिंग की निगरानी

Weights & Biases

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

TensorBoard

# ट्रेनिंग आर्ग्स में
report_to="tensorboard"
logging_dir="./logs"

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

सर्वोत्तम प्रथाएँ

हाइपरपैरामीٹر

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,
)

मल्टी-GPU ट्रेनिंग

# 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 एक्सपोर्ट करना

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

# मर्ज्ड मॉडल सहेजें
merged_model.save_pretrained("./full_model")

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

ट्रबलशूटिंग

OOM त्रुटियाँ

• बैच आकार घटाएँ

• ग्रेडिएंट एक्यूम्यूलेशन बढ़ाएँ

• उपयोग करें gradient_checkpointing=True

• lora_r घटाएँ

ट्रेनिंग लॉस घट नहीं रहा है

• डेटा प्रारूप की जांच करें

• लर्निंग रेट बढ़ाएँ

• डेटा समस्याओं की जाँच करें

NaN लॉस

• लर्निंग रेट घटाएँ

• fp16 के बजाय fp32 का उपयोग करें

• करप्टेड डेटा के लिए जाँच करें

लागत अनुमान

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

GPU	घंटा 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 भिन्न होती हैं। जांचें CLORE.AI मार्केटप्लेस वर्तमान दरों के लिए।

📚 संदर्भ: क्लाउड GPU पर LLaMA 3 को फाइन-ट्यून करने का चरण-दर-चरण मार्गदर्शिका

पैसे बचाएँ:

• उपयोग करें स्पॉट लचीले वर्कलोड्स के लिए बाजार (अक्सर 30-50% सस्ता)

• इसके साथ भुगतान करें CLORE टोकन

• विभिन्न प्रदाताओं के बीच कीमतों की तुलना करें