使用LLaMA-Factory训练DeepSeek大模型具体步骤

一、LLaMA-Factory 是否付费？

答案：完全免费
LLaMA-Factory 是开源项目，代码托管于 GitHub，无需付费即可使用。其焦点功能包括：

• 全量微调、LoRA、QLoRA 等训练方法
  
• 多模态模型（DeepSeek、Llama、Qwen 等）支持
  
• WebUI 和命令行双模式操作
  

但需注意：

• 硬件成本：训练大模型需 GPU 算力（如 4090/A100 显卡），可自建服务器或租用云平台（如优刻得的 4090 显卡按小时计费，约 1.7 元/小时）。
  
• 数据成本：若需标注大规模业务数据，大概产生标注服务费用。
  

---

二、DeepSeek 模型使用步骤

1. 环境预备

1. # 克隆仓库并安装依赖
2. git clone https://github.com/hiyouga/LLaMA-Factory.git
3. cd LLaMA-Factory
4. pip install -e ".[torch,metrics]"  # 安装核心依赖

复制代码

2. 数据预备

• 数据格式要求：
  
  
  
  • Alpaca 格式（推荐）
    1. [{
    2.     "instruction": "回答用户问题",
    3.     "input": "1+1等于几?",
    4.     "output": "2"
    5. }]

    复制代码
  • ShareGPT 格式（多轮对话）
    1. [{
    2.     "conversations": [
    3.         {"from": "human", "value": "解释量子计算"},
    4.         {"from": "gpt", "value": "量子计算利用量子比特..."}
    5.     ]
    6. }]

    复制代码
  • 数据存放路径：将数据文件（如 deepseek_data.json）放入 data 文件夹。
    
  
  
• 配置文件修改：
  在 data/dataset_info.json 中添加 DeepSeek 数据集定义：
  
  1. "deepseek_dataset": {
  2.     "file_name": "deepseek_data.json",
  3.     "columns": {
  4.         "prompt": "instruction",
  5.         "query": "input",
  6.         "response": "output"
  7.     }
  8. }

  复制代码

3. 模型配置

• 下载 DeepSeek 模型
  1. huggingface-cli download deepseek-ai/deepseek-llm-7b-chat --local-dir ./models

  复制代码
• 启动 WebUI
  1. llamafactory-cli webui  # 自动打开浏览器界面

  复制代码
  
  
  • 界面操作：
    
    
    • 选择模型路径：./models
      
    • 选择数据集：deepseek_dataset
      
    • 选择训练方法：LoRA（显存优化）或全量微调（高精度）
      
    • 配置参数：学习率（2e-5）、批次大小（根据显存调整）
      
    
    
  
  

4. 启动训练

• 命令行模式（适合批量任务）
  1. python src/train_bash.py \
  2.     --model_name_or_path ./models \
  3.     --dataset deepseek_dataset \
  4.     --lora_target_modules q_proj v_proj  # 指定注意力层

  复制代码

5. 推理与摆设

• 合并 LoRA 权重
  1. from peft import PeftModel
  2. model = PeftModel.from_pretrained(model, "./output/lora_weights")
  3. model = model.merge_and_unload()  # 合并到原始模型

  复制代码
• 启动 API 服务
  1. python src/api_demo.py \
  2.     --model_name_or_path ./models \
  3.     --checkpoint_dir ./output

  复制代码

---

三、关键优化本领

• 显存不足时的解决方案
  
  
  
  • 4-bit 量化：启用 bitsandbytes 库淘汰显存占用（需安装预编译版本）
    1. model = AutoModelForCausalLM.from_pretrained(..., load_in_4bit=True)

    复制代码
  • 梯度查抄点：
    1. model.gradient_checkpointing_enable()  # 牺牲20%速度换取显存

    复制代码
  
  
• 多 GPU 训练
  
  1. accelerate launch --num_processes=4 src/train_bash.py  # 分布式训练

  复制代码

---

四、参考文档

• LLaMA-Factory 官方 GitHub
  
• DeepSeek-R1 微调教程
  
• 云平台 GPU 租用指南
  

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。