目次
LLaMA-Factory 大模型微调超简朴，从零开始开始玩转大模型微调
为什么要使用LLaMA-Factory进行微调？
如何使用LLaMA-Factory进行微调？
安装
启动
数据准备
Alpaca 格式
指令监督微调数据集
预训练数据集
开始微调
模型评估
对话测试
模型导出
为什么要使用LLaMA-Factory进行微调？
在处理大模型微调的工作中，我们经常会面对各种棘手的标题。比如，传统的微调方法不仅复杂繁琐，还对技术和资源有着很高的要求，让很多人望而却步。然而，LLaMA-Factory 的出现改变了这一局面。
它最大的上风就是让大模型的微调变得十拿九稳。不再需要您具备深厚的技术功底和大量的盘算资源投入，就能实现对模型的优化和改进。
同时，在模型量化方面，它可以或许有效地压缩模型的规模，大大减少了模型运行所需的盘算量和存储空间。这意味着您可以在性能稍弱的装备上也能流畅地运行模型，使其应用不再受限于高端硬件。
还有很重要的一点，LLaMA-Factory 提供了一站式的服务。从开始的模型微调，到中间的量化处理，再到最后的顺遂运行，整个过程趁热打铁，无需您在差别的工具和流程之间往返折腾，节省了大量的时间和精神。
如何使用LLaMA-Factory进行微调？
安装
使用它，比力简朴，起首需要到它的github地点：https://github.com/hiyouga/LLaMA-Factory 下载这个项目代码，你可以使用git clone 下载 该代码。
- git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
- pip install -e .[metrics]
假如安装完成后，可以通过如下命令查抄是否安装乐成
llamafactory-cli version
假如安装乐成，会返回类似如下内容：
----------------------------------------------------------
| Welcome to LLaMA Factory, version 0.8.3.dev0 |
| |
| Project page: https://github.com/hiyouga/LLaMA-Factory |
----------------------------------------------------------
启动
安装完成之后，可以启动检察它的WebUI界面，在界面上更加方便我们微调模型。
llamafactory-cli webui
命令执行之后，出现如下响应代表乐成启动了webui界面。
默认开启端口7860，在欣赏器中输入地点即可访问。
这里有很多的参数，不过大多数参数并不需要改动，使用默认的即可。其他的参数用到时再说。
数据准备
LLaMA-Factory提供了很多内置的数据可供微调，在界面的数据集选择框中可以选择，不过我们微调肯定是盼望使用自己准备的数据，下面就说下如何准备自己的数据。
现在LLaMA-Factory 只支持两种格式的数据集，alpaca 格式和 sharegpt 格式。我们只需要按照格式准备数据，然后将数据文件放入到 LLaMA-Factory项目的 data 目次下，然后在 dataset_info.json中 填写 你自定义的数据集名称和 你的数据集文件名称 即可。
Alpaca 格式
需要留意的是，该格式数据集包括 指令监督微调数据集、预训练数据集、偏好数据集、KTO 数据集和多模态数据集等差别范例的格式。
指令监督微调数据集
在指令监督微调时，instruction 列对应的内容会与 input 列对应的内容拼接后作为人类指令，即人类指令为 instruction\ninput。而 output 列对应的内容为模型回复。
假如指定，system 列对应的内容将被作为系统提示词。
history 列是由多个字符串二元组构成的列表，分别代表汗青消息中每轮对话的指令和回复。留意在指令监督微调时，汗青消息中的回复内容也会被用于模型学习。
例如 data.json的内容如下：
[
{
"instruction": "人类指令（必填）",
"input": "人类输入（选填）",
"output": "模型回复（必填）",
"system": "系统提示词（选填）",
"history": [
["第一轮指令（选填）", "第一轮回复（选填）"],
["第二轮指令（选填）", "第二轮回复（选填）"]
]
}
]
对于上述格式的数据，dataset_info.json 中的数据集形貌应为：
- {"自定义数据集名称": {
- "file_name": "data.json",
- "columns": {
- "prompt": "instruction",
- "query": "input",
- "response": "output",
- "system": "system",
- "history": "history"
- }
- }
"数据集名称": {
"file_name": "data.json"
}
预训练数据集
在预训练时，只有 text 列中的内容会用于模型学习。
data.json内容如下：
- [
- {"text": "document"},
- {"text": "document"}
- ]
- "数据集名称": {
- "file_name": "data.json",
- "columns": {
- "prompt": "text"
- }
- }
具体的实际数据格式都在 data 目次下的 dataset_info.json 文件，比如下面的法律方面的数据：
在微调模型的过程中，最贫苦的莫过于准备数据了，因为训练或微调需要的数据只能是特定格式的数据，你不大概把混乱的、自己都看不懂的数据交给模型去训练。那如何将混乱的原始数据转为特定格式的数据，是模型微调前要准备的。
开始微调
当准备好数据之后，剩下的就交给LLaMA-Factory吧，操作起来照旧比力简朴的。
根本的过程如下：
- 启动WebUI界面，启动命令 ：llamafactory-cli webui
- 选择根本模型
- 选择一个或多个你准备好的数据集
- 选择微调方法，默认是lora，还可以选择full（全量微调）、freeze （冻结微调）。
- 设置训练参数，比如学习率、训练轮数、批处理大小、
- 点击开始按钮，开始进行微调，在右边会出现模型的丧失曲线图。当下面显示训练完毕时，就训练完成了。
- 微调效果的lora权重参数在输出目次下可以看到，设置路径也被保存起来了。
- 训练过程中，你可以选择中断训练，然后在查抄点输入 之前 lora权重的目次，就可以在之前的训练效果上接着训练了。
假如你不想通过界面微调的话，可以点击预览命令，那么会显示微调的命令，你拷贝这个命令就可以在命令行执行。
模型评估
模型评估完成后会在界面上显示评估数据集的分数。其中，ROUGE分数衡量了模型输出答案和评估集中的尺度答案的相似度，ROUGE分数越高代表模型学习得越好。
对话测试
在Web UI的 界面 Chat页签下，通过使用你之前微调效果的输出的查抄点路径，加载微调后的模型进行对话测试。先点击加载模型，然后就可以在下面的文本框中输入文本了。
假如你想看没有微调的效果是如何的，取消查抄点路径中选中的路径即可。
模型导出
在Web UI的 界面 Export 页签下，填写你要保存的输出地点，然后点击开始导出即可。
因为我这边模型的量化是通过其他方式实现的，比如Ollama，有关模型导出后，如何量化、部署、运行的，请关注我哦，后续会出相关的文章讲解～～
关于我：
资深程序员，曾在北京某AI公司从事智能对话问答平台研发，也曾在大厂历练过，对AI场景应用充满热情。
点赞+收藏+关注，后续持续分享Java、AI相关的文章，多谢支持
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。 |
