微软开源多模态大模型Phi-3-vision，微调实战来了

本文主要是介绍微软开源多模态大模型Phi-3-vision，微调实战来了，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

节前，我们组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、今年参加社招和校招面试的同学。

针对大模型& AIGC 技术趋势、大模型& AIGC 落地项目经验分享、新手如何入门算法岗、该如何准备面试攻略、面试常考点等热门话题进行了深入的讨论。

总结链接如下：

《AIGC 面试宝典》(2024版) 正式发布！

喜欢记得点赞、收藏、关注。更多技术交流&面经学习，可以文末加入我们。

在 Microsoft Build 2024 上，微软持续开源了 Phi-3 系列的新模型们。包括 Phi-3-vision，这是一种将语言和视觉功能结合在一起的多模态模型。

Phi-3家族

Phi-3 系列模型是功能强大、性价比高的小型语言模型 (SLM)，在各种语言、推理、编码和数学基准测试中，效果优异。它们使用高质量的训练数据进行训练。

Phi-3 模型系列共有四种模型；每种模型都经过安全保障进行指令调整和开发，以确保可以直接使用，目前均已开源。

Phi-3-vision是一个具有语言和视觉功能的 4.2B 参数多模态模型。
Phi-3-mini是一个 3.8B 参数语言模型，有两种上下文长度（128K和4K）。
Phi-3-small是一个 7B 参数语言模型，有两种上下文长度（128K和8K）。
Phi-3-medium是一个 14B 参数语言模型，有两种上下文长度（128K和4K）。

模型种类	模型名称	模型链接
Phi-3-vision	Phi-3-vision-128k-instruct	https://modelscope.cn/models/LLM-Research/Phi-3-vision-128k-instruct
Phi-3-mini	Phi-3-mini-128k-instruct	https://modelscope.cn/models/LLM-Research/Phi-3-mini-128k-instruct
	Phi-3-mini-4k-instruct	https://modelscope.cn/models/LLM-Research/Phi-3-mini-4k-instruct
	Phi-3-mini-128k-instruct-onnx	https://modelscope.cn/models/LLM-Research/Phi-3-mini-128k-instruct-onnx
	Phi-3-mini-4k-instruct-onnx	https://modelscope.cn/models/LLM-Research/Phi-3-mini-4k-instruct-onnx
	Phi-3-mini-4k-instruct-onnx-web	https://modelscope.cn/models/LLM-Research/Phi-3-mini-4k-instruct-onnx-web
Phi-3-small	Phi-3-small-8k-instruct	https://modelscope.cn/models/LLM-Research/Phi-3-small-8k-instruct/summary
	Phi-3-small-8k-instruct-onnx-cuda	https://modelscope.cn/models/LLM-Research/Phi-3-small-8k-instruct-onnx-cuda/summary
	Phi-3-small-128k-instruct	https://modelscope.cn/models/LLM-Research/Phi-3-small-128k-instruct
	Phi-3-small-128k-instruct-onnx-cuda	https://modelscope.cn/models/LLM-Research/Phi-3-small-128k-instruct-onnx-cuda
Phi-3-medium	Phi-3-medium-128k-instruct	https://modelscope.cn/models/LLM-Research/Phi-3-medium-128k-instruct
	Phi-3-medium-4k-instruct	https://modelscope.cn/models/LLM-Research/Phi-3-medium-4k-instruct
	Phi-3-medium-4k-onnx-directml	https://modelscope.cn/models/LLM-Research/Phi-3-medium-4k-instruct-onnx-directml
	Phi-3-medium-4k-onnx-cuda	https://modelscope.cn/models/LLM-Research/Phi-3-medium-4k-instruct-onnx-cuda
	Phi-3-medium-4k-onnx-cpu	https://modelscope.cn/models/LLM-Research/Phi-3-medium-4k-instruct-onnx-cpu
	Phi-3-medium-128k-onnx-directml	https://modelscope.cn/models/LLM-Research/Phi-3-medium-128k-instruct-onnx-directml
	Phi-3-medium-128k-onnx-cuda	https://modelscope.cn/models/LLM-Research/Phi-3-medium-128k-instruct-onnx-cuda
	Phi-3-medium-128k-onnx-cpu	https://modelscope.cn/models/LLM-Research/Phi-3-medium-128k-instruct-onnx-cpu

Phi-3 模型已经过优化，可以在各种硬件上运行。ONNX （ONNX Runtime | Phi-3 Small and Medium Models are now optimized with ONNX Runtime and DirectML）格式和 DirectML提供优化过的模型权重，为开发人员提供跨各种设备和平台（包括移动和 Web 部署）的支持。Phi-3 模型还可以作为NVIDIA NIM推理微服务提供，具有标准 API 接口，可以部署在任何地方（Production-Ready APIs That Run Anywhere | NVIDIA），并针对 NVIDIA GPU（https://blogs.nvidia.com/blog/microsoft-build-optimized-ai-developers/）和Intel 加速器（Microsoft Phi-3 GenAI Models with Intel AI Solutions）上的推理进行了优化。

将多模态引入Phi-3

Phi-3-vision 是 Phi-3 系列中的第一个多模态模型，它将文本和图像结合在一起，并具有推理现实世界图像以及从图像中提取和推理文本的能力。它还针对图表和图解理解进行了优化，可用于生成见解和回答问题。Phi-3-vision 以 Phi-3-mini 的语言功能为基础，继续在小型模型中整合强大的语言和图像推理质量。

模型推理

多模态模型推理（Phi-3-vision-128k-instruct）

在魔搭社区的免费GPU算力体验Phi-3多模态模型（单卡A10）

推理代码

from PIL import Image 
import requests 
from modelscope import snapshot_download
from transformers import AutoModelForCausalLM 
from transformers import AutoProcessor model_id = snapshot_download("LLM-Research/Phi-3-vision-128k-instruct" )model = AutoModelForCausalLM.from_pretrained(model_id, device_map="cuda", trust_remote_code=True, torch_dtype="auto")processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True) messages = [ {"role": "user", "content": "<|image_1|>\n图片里面有什么?"}, {"role": "assistant", "content": "该图表显示了同意有关会议准备情况的各种陈述的受访者的百分比。它显示了五个类别：“有明确和预先定义的会议目标”、“知道在哪里可以找到会议所需的信息”、“在受邀时了解我的确切角色和职责”、“拥有管理工具” 诸如记笔记或总结之类的管理任务”，以及“有更多的专注时间来充分准备会议”。每个类别都有一个关联的条形图，指示一致程度，按 0% 到 100% 的范围进行衡量。"}, {"role": "user", "content": "提供富有洞察力的问题来引发讨论。"} 
] url = "https://assets-c4akfrf5b4d3f4b7.z01.azurefd.net/assets/2024/04/BMDataViz_661fb89f3845e.png" 
image = Image.open(requests.get(url, stream=True).raw) prompt = processor.tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)inputs = processor(prompt, [image], return_tensors="pt").to("cuda:0") generation_args = { "max_new_tokens": 500, "temperature": 0.0, "do_sample": False, 
} generate_ids = model.generate(**inputs, eos_token_id=processor.tokenizer.eos_token_id, **generation_args) # remove input tokens 
generate_ids = generate_ids[:, inputs['input_ids'].shape[1]:]
response = processor.batch_decode(generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False)[0] print(response)

显存占用：

跨平台推理（Phi-3-medium-4k-instruct-onnx-cpu）

配置：

step1: 下载模型

git clone https://www.modelscope.cn/LLM-Research/Phi-3-medium-4k-instruct-onnx-cpu.git

step2：安装依赖

pip install --pre onnxruntime-genai

step3：运行模型

curl https://raw.githubusercontent.com/microsoft/onnxruntime-genai/main/examples/python/phi3-qa.py -o phi3-qa.py
python phi3-qa.py -m Phi-3-medium-4k-instruct-onnx-cpu/cpu-int4-rtn-block-32-acc-level-4

体验对话效果

模型微调

SWIFT已经支持Phi3系列模型的微调，包括纯文本模型如Phi3-mini-128k-instruct、Phi3-small-128k-instruct、Phi3-middle-128k-instruct等，也包括了Phi3的多模态模型Phi-3-vision-128k-instruct。

下面以多模态模型为例给出微调最佳实践：

# Experimental environment: 4 * A100
# 4 * 18GB GPU memory
nproc_per_node=4PYTHONPATH=../../.. \
CUDA_VISIBLE_DEVICES=0,1,2,3 \
torchrun \--nproc_per_node=$nproc_per_node \--master_port 29500 \llm_sft.py \--model_type phi3-vision-128k-instruct \--model_revision master \--sft_type lora \--tuner_backend peft \--template_type AUTO \--dtype AUTO \--output_dir output \--ddp_backend nccl \--dataset coco-en-2-mini \--train_dataset_sample -1 \--num_train_epochs 1 \--max_length 4096 \--check_dataset_strategy warning \--lora_rank 8 \--lora_alpha 32 \--lora_dropout_p 0.05 \--lora_target_modules ALL \--gradient_checkpointing true \--batch_size 1 \--weight_decay 0.1 \--learning_rate 1e-4 \--gradient_accumulation_steps $(expr 16 / $nproc_per_node) \--max_grad_norm 0.5 \--warmup_ratio 0.03 \--eval_steps 100 \--save_steps 100 \--save_total_limit 2 \--logging_steps 10 \--use_flash_attn true \--ddp_find_unused_parameters true \