1. 租用云计算资源

以下示例基于 AutoDL 云计算资源。

在云计算平台选择可用的云计算资源实例，如果有4090实例可用，推荐选择4090实例。同时注意镜像的选择，所以镜像会包含特定的环境，省去一些基础环境的安装步骤，不过这里镜像在实例启动之后也可以进行切换。

创建实例之后，通过SSH连接远程服务器

这里我使用 VS Code的 Remote-SSH 插件进行连接，连接进去之后可以看到实例中有两个盘，其中/root/autodl-tmp是数据盘，推荐运行环境、模型文件都放在数据盘，避免后续因为实例关机回收导致数据文件丢失。

2. 拉取 LLaMa-Factory

LLaMa-Factory 的 git 地址如下，通过 git 命令拉取

git clone https://github.com/hiyouga/LLaMA-Factory.git

3. 安装依赖环境

LLaMa-Factory 依赖 Python 特定版本，这里使用 Conda 来进行 Python 虚拟环境管理，大语言模型相关的框架对运行环境的依赖比较严重，推荐通过虚拟环境进行隔离。

而在创建虚拟环境之前，推荐设置一下 Conda 虚拟环境和 Python 包的保存路径，还是那个原因，避免因为云计算资源回收导致数据丢失。

mkdir -p /root/autodl-tmp/conda/pkgs
conda config --add pkgs_dirs /root/autodl-tmp/conda/pkgs
mkdir -p /root/autodl-tmp/conda/envs
conda config --add envs_dirs /root/autodl-tmp/conda/envs/

之后创建虚拟环境：

conda create -n llama-factory python=3.10

虚拟环境创建完成之后，通过以下命令初始化以下Conda，并刷新一下命令行环境变量，再激活环境：

conda init
source ~/.bashrc
conda activate llama-factory

之后进入 LLaMa-Factory 文件夹，通过以下命令进行 LLaMa-Factory 相关依赖包的安装

pip install -e ".[torch,metrics]"

安装完成之后，通过以下命令测试一下 LLaMa-Factory 是否正常安装：

llamafactory-cli version

4. 启动 LLaMa-Factory 界面

通过以下命令启动 LLaMa-Factory 可视化微调界面：

llamafactory-cli webui

通过 VS Code 中的 Remote-SSH 插件连接云服务器的情况，启动可视化界面之后，Remote-SSH 会自动进行端口转发，从而自动在本地浏览器打开相应的页面。如果是其他工具的话，可能需要在云平台配置一下相应的端口，之后通过云平台暴漏出来的域名打开。

5. 从 Huggingface 下载模型

首先创建一个文件夹用于存放模型文件：

mkdir hugging-face

增加环境变量，修改 HuggingFace 镜像源为国内镜像网站：

export HF_ENDPOINT=https://hf-mirror.com

修改模型默认存储路径：

export HF_HOME=/root/autodl-tmp/hugging-face

之后还是切换到 llama-factory 虚拟环境，安装 HuggingFace官方下载工具：

pip install -U huggingface_hub

安装完成之后，通过以下命令下载模型：

huggingface-cli download --resume-download Qwen/Qwen2.5-0.5B-Instruct

这里为了下载和后面的微调演示快点就下载0.5B的模型了，具体的模型大家可以根据实际情况去选择自己需要的模型，在huggingface上搜索模型名称，之后进入模型主页，复制名称即可：

模型文件都比较大，在线下载的话需要等待一段时间，下载完成之后，可以看到模型文件就在 hugging-face 文件夹下了。

在线下载比较占用时间，而云服务器开机每一分钟都需要花钱，你可以在本地下载模型文件之后传到云服务器上。这时候可以通过 AutoDL 提供的 Jupyter 工具进行文件上传，或者通过其他带有SFTP功能的工具连接云服务器上传。

6. 模型验证

下载完成模型之后，我们需要验证模型文件是否可以正常加载、运行，可以通过 LLaMa-Factory 的可视乎界面加载运行模型：

需要注意的是，加载本地模型的时候，需要修改填写模型本地路径，这里的路径是模型快照的唯一哈希值，而不是模型文件夹的路径。

之后就可通过和模型进行对话，测试下载下来的模型是否正常了，也可以看下对话中模型输出的风格，和我们微调之后的做下对比。

7. 模型微调

接下来就可以通过 LLaMa-Factory 进行微调了，这里先做一个简单的演示，为了不让这篇文章篇幅过长，先不具体讲解各种微调参数的含义和作用，数据集也只使用 LLaMa-Factory 自带的示例数据集，演示一下对模型认知设定的微调。

修改一下默认的 identity.json 数据集，将其中的{{name}}、{{author}}替换为我们自己的设定，并保存文件。

之后在 LLaMa-Factory Web界面中加载预览数据集，并且稍微调整一下超参，主要是学习率先保存不变，主要是训练轮次，以及验证集比例。

后续如果需要使用我们自定义的数据集的话，也只要将数据集文件放到 LLaMa-Factory 的 data 文件夹，再在 dataset_info.json 中进行配置，就可以在 Web 界面进行加载使用。这里就先不细说了。

之后点击开始，可以看到微调任务的执行进度，以及损失函数的变化情况。

0.5B 的模型，再加上数据集数据量不多，只有不到100条，所以微调过程还是很快的，可以看到最终的损失函数降到了 0.5 左右。不过这是因为训练数据太少，而且一些超参设置比较不合理，才有这样的较低损失函数，实际微调用于生产环境的模型时，要注意防止过拟合的情况。

之后，还是用 LLaMa-Factory 加载微调之后的模型文件进行测试，这里通过检查点路径添加刚刚训练完成的模型文件：

之后就可以和我们微调之后的模型进行对话了

可以看到，微调之后的模型已经学习了数据集中的信息，可以按照我们预设的人设回答问题。

参考文档：
LLama-Factory 官方文档