LLaMA-Factory 让大模型微调变得更简单！！

背景

如果只需要构建一份任务相关的数据，就可以轻松通过网页界面的形式进行 Fine-tuning 微调操作，那么必将大大减轻微调工作量。

今年的 ACL 2024见证了北航和北大合作的突破—论文《LLAMAFACTORY: 统一高效微调超百种语言模型》。他们打造的 LLaMA-Factory，集成了顶尖的训练效率技术，让用户能轻松通过网页界面 LLAMABOARD，无须编码，即对上百个语言模型进行个性化微调。
在这里插入图片描述

值得注意的是，项目在论文发表前，GitHub 上已获 13,000 Stars 和 1,600 forks，彰显了其巨大影响力。

—1—

微调界面预览（LLaMA Board）

只需一键启动 WebUI，即可接入 LLaMA Board（如下图所示），这是一个直观的操作面板，让你轻松选择数据集、自定义各种参数。体验从预览配置、保存训练设置到加载配置、启动高效训练的无缝流程。并且，界面实时展示训练损失曲线，让你随时掌握微调进度与效果。

—2—

如何准备微调环境？

体验一下此数字人的生动演示，它能聪明地理解并回应你的每一句话。目前的小遗憾是，它的思考时间约为3到4秒，但这对话结束后才给出反应。别担心，技术的进步就在眼前，随着模型优化，这一等待时间即将成为过去。

第一步、安装环境（以 Conda 环境为例）

第1步 clone LLaMA-Factory：git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git``第2步 进入目录：cd LLaMA-Factory``第3步 创建基础环境：conda create -n <你的环境名称> python=3.10``第4步 进入conda环境：conda activate <你的环境名称>``第5步 安装依赖：pip install -e .[metrics] -i https://pypi.tuna.tsinghua.edu.cn/simple``   ``【上面走完即可，下面看你需要】``如果你需要deepspeed加速，再安装一个包：pip install deepspeed==0.14.3

第二步、构造数据，如下所示

[`    `{`        `"id": "p1",`        `"system": "你是一个销售小助手，你的任务是邀请程序员购买AI大模型课程",`        `"conversations": [`            `{`                `"from": "user",`                `"value": "你好，你是？"`            `},`            `{`                `"from": "assistant",`                `"value": "同学你好，我这边是玄姐谈AGI，想邀请你体验下我们的AI大模型课程产品"`            `},`            `{`                `"from": "user",`                `"value": "抱歉，刚买了一个年会员，还没到期。"`            `},`            `{`                `"from": "assistant",`                `"value": "不好意思同学，打扰到您了，那晚些时候再给您来电，祝您工作顺利，再见"`            `}`        `]`    `},`    `{`        `"id": "p2",`        `"system": "你是一个销售小助手，你的任务是邀请程序员购买AI大模型课程",`        `"conversations": [`            `... ...`        `]`    `},`    `... ...``]

接下来需要完成数据配置，具体操作如下：

第三步、cd 目录，找到 dataset_info.json

cd LLaMa-Factory/data/dataset_info.json

第四步、在字典中添加自己的数据信息

   ``"my_task": {`    `"file_name": finetune_data.json # 你自己数据的路径，这里是直接存放在LLaMa-Factory/data/finetune_data.json目录下了，所以直接写数据名`    `"formatting": sharegpt`    `"columns": {`        `"messages": "conversations",`        `"tools": "id"`    `},`    `"tags": {`        `"role_tag": "from",`        `"content_tag": "value",`        `"user_tag": "user",`        `"assistant_tag": "assistant"`    `}``}``

—3—

开始微调训练

方法一、以 LLaMA Board 方式进行选参训练

这种方式前端界面友好，体验感好，具体运行如下：

CUDA_VISIBLE_DEVICES=0,1,2,3 llamafactory-cli webui

方式二、纯后台启动方式

具体运行如下：


export CUDA\_VISIBLE\_DEVICES=0,1,2,3llamafactory-cli train ./sft\_yaml/my\_finetune.yaml (启动目录在LLaMa-Factory下)

my_finetune.yaml 文件设置如下：

   ``### model``model_name_or_path: meta-llama/Meta-Llama-3-8B-Instruct``   ``### method``stage: sft``do_train: true``finetuning_type: full``deepspeed: examples/deepspeed/ds_z3_config.json (加速，当显存不够，你可以使用ds_z3_offload_config.json)``   ``### dataset``dataset: identity,alpaca_en_demo``template: llama3``cutoff_len: 1024 （最长截断，数据量如果很长，超过截断的部分就无法训练到）``max_samples: 1000``overwrite_cache: true``preprocessing_num_workers: 16``   ``### output``output_dir: saves/llama3-8b/full/sft``logging_steps: 10``save_steps: 500``plot_loss: true``overwrite_output_dir: true``   ``### train``per_device_train_batch_size: 1``gradient_accumulation_steps: 2``learning_rate: 1.0e-4``num_train_epochs: 3.0``lr_scheduler_type: cosine``warmup_ratio: 0.1``fp16: true``ddp_timeout: 180000000``   ``### eval``val_size: 0.1``per_device_eval_batch_size: 1``eval_strategy: steps``eval_steps: 500``

—4—

查看训练日志

微调过程完毕后，你可前往指定的输出目录(output_dir)，在其中详尽审视训练日志，这些记录涵盖了关键指标，比如：训练损失与验证损失，助你全面了解模型学习的进展与性能。

—5—

微调后评估

要更新大模型的适配器，只需简单选取目标模型即可完成配置。而经过微调训练得到的大模型，其部署和调用方式则与其他预训练大模型保持一致，确保了使用的便捷性和通用性。

为了帮助大家更好地把握AI大模型的学习和发展机遇，下面提供一份AI大模型的学习路线图以及相关的学习资源，旨在帮助您快速掌握AI大模型的核心技术和应用场景。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述