使用LLaMA-Factory对LLM大模型进行微调，训练专属于你的模型（附教程）
如今也是出现了各种各样的大模型，如果想要针对性的让他扮演某个角色我们通常采用的是给他输入prompt（提示词）。
前言
如今也是出现了各种各样的大模型，如果想要针对性的让他扮演某个角色我们通常采用的是给他输入prompt（提示词）。
但是如果遇到一些"思想钢印"较深的大模型，使用提示词洗脑可能效果并不好。
那我们有没有其他方法来解决这个问题？
当然有，那就是自行微调一个大模型！
本篇文章，就带大家走一遍微调大模型的全流程
所用项目
LLaMA-Factory：https://github.com/hiyouga/LLaMA-Factory
qwen2.5:7b:https://huggingface.co/Qwen
（因为目前LLaMA-Factory支持的模型有限，所以并没有采用腾讯开源的混元模型，但总体教程是一样的）
所用设备
因为涉及到模型训练，所需要的算力也比较大，同时，因为模型训练过程中也会产生许多其他文件，所以内存和存储也尽量大一些
本次使用的是腾讯云的HAI服务器
本次选择的显存大小为32G（实际显卡型号为v100）
如果你的显存过小，训练过程中需要使用qlora进行训练
这里地区选择可以根据自己需要选择，因为目前国内部分地区也有学术加速，不会说在下部分文件的时候出现无法下载的情况
开启学术加速（非必需）
服务器创建后，在控制台首页右侧会有一个学术加速按钮，我们点击，选择对应地区即可开启
安装LLaMA-Factory（必须）
服务器创建完成后，我们点击算力连接，我们这里使用cloud studio进行演示
进入后首先建一个终端
conda环境创建
因为是自带conda的，我们直接创建我们需要的环境即可
官方是推荐使用python3.11的，我们直接在终端输入下面命令
代码语言：txt
复制
conda create -n LLaMa python=3.11
随后就会自动开始安装我们所需要的东西
完成后，我们输入
代码语言：txt
复制
conda activate LLaMa
即可进入我们这个虚拟环境
LLaMA-Factory安装
我们按照官方给的文档，依次输入下面三条指令
代码语言：txt
复制
git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
pip install -e ".[torch,metrics]"
第一条为下载github仓库内的代码，如果遇到网络不畅，可以尝试下载到本地然后手动上传到云端，或者将官方地址替换为镜像站地址
完成后我们进入文件夹安装依赖
此过程需要下载大量文件还请耐心等待~
如果不显示报错，并且和图示一样即可证明安装完成
自定义数据集（非必需）
我们本次训练的主要是LLM模型的自我认识（身份），其数据集格式为下
代码语言：txt
复制
{
"instruction": "",
"input": "",
"output": ""
},
你可以在程序的data文件夹下找到这个文件
如果你需要使用其他数据集，可以根据这个格式进行编辑
我们这里创建一个zhongerbing.json文件，用它来进行训练模型的自我认知
注：
使用自定义数据集时，请更新data/dataset_info.json文件。
请务必注意路径不要错误
模型下载（必须）
在魔搭官网，我们在模型右侧可以看到模型下载教程
如果您是国内用户，我们推荐使用魔搭进行模型下载
如果您是海外用户，我们推荐使用hugging face进行模型下载
模型移动（非必需）
因为默认下载路径为/root/.cache/modelscope/hub/
我们可以把它移动到方便修改的路径，可以使用下面这个指令
代码语言：txt
复制
sudo mv /root/.cache/modelscope/hub/Qwen/ /workspace/qwen
训练模型
启动webui
在控制台输入
代码语言：txt
复制
llamafactory-cli webui
即可启动webui
我们根据自己服务器的ip，和输出的对应端口，使用浏览器即可进入
进入后我们选择对应的模型，填写好路径
验证模型路径是否正确（非必需）
我们点击chat，选择加载模型，如果没有报错可以正常出现内容即为正常
另外，如果您选择了量化，可能需要手动配置部分依赖，具体情况请看控制台报错
使用完毕后记得点击卸载模型，否则会一直占用显存
开始训练
我们返回train，选择我们需要的数据集（你可以点击预览查看数据集）然后我们下滑直接点击开始训练即可
开始训练后，我们稍等片刻可以看到训练进度
右侧为loss，loss尽量低一些，但同时也不能过低，过低会出现过拟合的情况，适得其反
我们也可以适当添加训练次数，每次完成后通过chat验证一下效果
模型训练不是不是越多越好，需根据具体情况分析
单次训练完成后会出现如图提示
验证训练结果
训练完成后，我们在上方检查点选择我们的一个数据
随后在chat处加载我们的模型，进行对话
然后我们进行问答，就可以得到想要的结果
右侧参数可以根据自己需要进行调整
我们可以将训练好的检查点，融入到模型之中，可以在其他地方使用
LLaMA-Factory支持的模型
| 模型名 | 模型大小 | Template |
|---|---|---|
| Baichuan 2 | 7B/13B | baichuan2 |
| BLOOM/BLOOMZ | 560M/1.1B/1.7B/3B/7.1B/176B | |
| ChatGLM3 | 6B | chatglm3 |
| Command R | 35B/104B | cohere |
| DeepSeek (Code/MoE) | 7B/16B/67B/236B | deepseek |
| Falcon | 7B/11B/40B/180B | falcon |
| Gemma/Gemma 2/CodeGemma | 2B/7B/9B/27B | gemma |
| GLM-4 | 9B | glm4 |
| Index | 1.9B | index |
| InternLM2/InternLM2.5 | 7B/20B | intern2 |
| Llama | 7B/13B/33B/65B | |
| Llama 2 | 7B/13B/70B | llama2 |
| Llama 3-3.2 | 1B/3B/8B/70B | llama3 |
| LLaVA-1.5 | 7B/13B | llava |
| LLaVA-NeXT | 7B/8B/13B/34B/72B/110B | llava_next |
| LLaVA-NeXT-Video | 7B/34B | llava_next_video |
| MiniCPM | 1B/2B/4B | cpm/cpm3 |
| Mistral/Mixtral | 7B/8x7B/8x22B | mistral |
| OLMo | 1B/7B | |
| PaliGemma | 3B | paligemma |
| Phi-1.5/Phi-2 | 1.3B/2.7B | |
| Phi-3 | 4B/7B/14B | phi |
| Pixtral | 12B | pixtral |
| Qwen (1-2.5) (Code/Math/MoE) | 0.5B/1.5B/3B/7B/14B/32B/72B/110B | qwen |
| Qwen2-VL | 2B/7B/72B | qwen2_vl |
| StarCoder 2 | 3B/7B/15B | |
| XVERSE | 7B/13B/65B | xverse |
| Yi/Yi-1.5 (Code) | 1.5B/6B/9B/34B | yi |
| Yi-VL | 6B/34B | yi_vl |
| Yuan 2 | 2B/51B/102B | yuan |
硬件需要
- 估算值
| 方法 | 精度 | 7B | 13B | 30B | 70B | 110B | 8x7B | 8x22B |
|---|---|---|---|---|---|---|---|---|
| Full | AMP | 120GB | 240GB | 600GB | 1200GB | 2000GB | 900GB | 2400GB |
| Full | 16 | 60GB | 120GB | 300GB | 600GB | 900GB | 400GB | 1200GB |
| Freeze | 16 | 20GB | 40GB | 80GB | 200GB | 360GB | 160GB | 400GB |
| LoRA/GaLore/BAdam | 16 | 16GB | 32GB | 64GB | 160GB | 240GB | 120GB | 320GB |
| QLoRA | 8 | 10GB | 20GB | 40GB | 80GB | 140GB | 60GB | 160GB |
| QLoRA | 4 | 6GB | 12GB | 24GB | 48GB | 72GB | 30GB | 96GB |
| QLoRA | 2 | 4GB | 8GB | 16GB | 24GB | 48GB | 18GB | 48GB |
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！
在这个版本当中：
第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言
您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
五、AI产品经理大模型教程
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
-
目标：了解AI大模型的基本概念、发展历程和核心原理。
-
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
-
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
-
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
-
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
-
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
-
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
-
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
0
0- 0
已为社区贡献161条内容
所有评论(0)