feat(train_page): 添加模型训练超参数配置功能

- 新增学习率、批次大小、最大训练步数等超参数输入组件
- 实现超参数在训练过程中的动态应用
- 调整训练参数以适应不同硬件环境
- 优化训练过程，支持按步数保存模型

frontend/train_page.py

@@ -13,16 +13,16 @@ from unsloth.chat_templates import get_chat_template
 from tools import formatting_prompts_func
 
 sys.path.append(str(Path(__file__).resolve().parent.parent))
-from global_var import get_model, get_tokenizer, get_datasets
+from global_var import get_model, get_tokenizer, get_datasets, get_workdir
 from tools import formatting_prompts_func
 
 def train_page():
     with gr.Blocks() as demo:
-
         gr.Markdown("## 微调")
         # 获取数据集列表并设置初始值
         datasets_list = [str(ds["name"]) for ds in get_datasets().all()]
         initial_dataset = datasets_list[0] if datasets_list else None
+
         dataset_dropdown = gr.Dropdown(
             choices=datasets_list,
             value=initial_dataset,  # 设置初始选中项
@@ -30,14 +30,27 @@ def train_page():
             allow_custom_value=True,
             interactive=True
         )
+        
+        # 新增超参数输入组件
+        learning_rate_input = gr.Number(value=2e-4, label="学习率")
+        per_device_train_batch_size_input = gr.Number(value=1, label="每设备训练批次大小", precision=0)
+        max_steps_input = gr.Number(value=60, label="最大训练步数", precision=0)
+        epoch_input = gr.Number(value=1, label="训练轮数", precision=0)
+        save_steps_input = gr.Number(value=20, label="保存步数", precision=0)  # 新增保存步数输入框
+        
         train_button = gr.Button("开始微调")
         
         # 训练状态输出
         output = gr.Textbox(label="训练日志", interactive=False)
         
-        def train_model(dataset_name):
+        def train_model(dataset_name, max_seq_length, learning_rate, per_device_train_batch_size, epoch, save_steps):
+            # 使用动态传入的超参数
+            learning_rate = float(learning_rate)
+            per_device_train_batch_size = int(per_device_train_batch_size)
+            epoch = int(epoch)
+            save_steps = int(save_steps)  # 新增保存步数参数
+            
             # 模型配置参数
-            max_seq_length = 4096  # 最大序列长度
             dtype = None  # 数据类型，None表示自动选择
             load_in_4bit = False  # 使用4bit量化加载模型以节省显存
 
@@ -78,7 +91,6 @@ def train_page():
                 loftq_config=None,
             )
 
-                # 配置分词器
             tokenizer = get_chat_template(
                 tokenizer,
                 chat_template="qwen-2.5",
@@ -91,48 +103,50 @@ def train_page():
             dataset = dataset.map(formatting_prompts_func, 
                                 fn_kwargs={"tokenizer": tokenizer},
                                 batched=True)
-            print(dataset[5])
-
 
             # 初始化SFT训练器
             trainer = SFTTrainer(
-                model=model,  # 待训练的模型
+                model=model, # 待训练的模型
                 tokenizer=tokenizer,  # 分词器
                 train_dataset=dataset,  # 训练数据集
                 dataset_text_field="text",  # 数据集字段的名称
-                max_seq_length=max_seq_length,  # 最大序列长度
+                max_seq_length=model.max_seq_length,  # 最大序列长度
                 data_collator=DataCollatorForSeq2Seq(tokenizer=tokenizer),
-                dataset_num_proc=1,  # 数据集处理的并行进程数，提高CPU利用率
+                dataset_num_proc=1,  # 数据集处理的并行进程数
                 packing=False,
                 args=TrainingArguments(
-                    per_device_train_batch_size=2,  # 每个GPU的训练批次大小
+                    per_device_train_batch_size=per_device_train_batch_size,  # 每个GPU的训练批次大小
                     gradient_accumulation_steps=4,  # 梯度累积步数,用于模拟更大的batch size
-                    warmup_steps=5,  # 预热步数,逐步增加学习率
+                    warmup_steps=int(epoch * 0.1),  # 预热步数,逐步增加学习率
-                    learning_rate=2e-4,  # 学习率
+                    learning_rate=learning_rate,  # 学习率
-                    lr_scheduler_type="linear",  # 线性学习率调度器
+                    lr_scheduler_type="linear", # 线性学习率调度器
-                    max_steps=60,  # 最大训练步数（一步 = 处理一个batch的数据）
+                    max_steps=int(epoch * len(dataset)/per_device_train_batch_size), # 最大训练步数（一步 = 处理一个batch的数据）
-                    # 根据硬件支持选择训练精度
                     fp16=not is_bfloat16_supported(),  # 如果不支持bf16则使用fp16
                     bf16=is_bfloat16_supported(),  # 如果支持则使用bf16
                     logging_steps=1,  # 每1步记录一次日志
                     optim="adamw_8bit",  # 使用8位AdamW优化器节省显存，几乎不影响训练效果
                     weight_decay=0.01,  # 权重衰减系数,用于正则化，防止过拟合
-                    seed=3407,  # 随机数种子
+                    seed=114514,  # 随机数种子
-                    output_dir="outputs",  # 保存模型检查点和训练日志
+                    output_dir=get_workdir() + "/checkpoint/",  # 保存模型检查点和训练日志
                     save_strategy="steps",  # 按步保存中间权重
-                    save_steps=20,  # 每20步保存一次中间权重
+                    save_steps=save_steps,  # 使用动态传入的保存步数
                     # report_to="tensorboard",  # 将信息输出到tensorboard
                 ),
             )
-
-            # 开始训练，resume_from_checkpoint为True表示从最新的模型开始训练
-            trainer_stats = trainer.train(resume_from_checkpoint = True)
-
             
-                    
+            # 开始训练
+            trainer_stats = trainer.train(resume_from_checkpoint=True)
+
         train_button.click(
             fn=train_model,
-            inputs=dataset_dropdown,
+            inputs=[
+                dataset_dropdown,
+                learning_rate_input,
+                per_device_train_batch_size_input,
+                max_steps_input,
+                epoch_input,
+                save_steps_input
+            ],
             outputs=output
         )