使用LLaMA-Factory对LLM大模型进行微调！训练专属于你的模型！
原创使用LLaMA-Factory对LLM大模型进行微调！训练专属于你的模型！
原创
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
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
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
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
{
"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
sudo mv /root/.cache/modelscope/hub/Qwen/ /workspace/qwen训练模型
启动webui
在控制台输入
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 |
|---|---|---|
7B/13B | baichuan2 | |
560M/1.1B/1.7B/3B/7.1B/176B | ||
6B | chatglm3 | |
35B/104B | cohere | |
7B/16B/67B/236B | deepseek | |
7B/11B/40B/180B | falcon | |
2B/7B/9B/27B | gemma | |
9B | glm4 | |
1.9B | index | |
7B/20B | intern2 | |
7B/13B/33B/65B | ||
7B/13B/70B | llama2 | |
1B/3B/8B/70B | llama3 | |
7B/13B | llava | |
7B/8B/13B/34B/72B/110B | llava_next | |
7B/34B | llava_next_video | |
1B/2B/4B | cpm/cpm3 | |
7B/8x7B/8x22B | mistral | |
1B/7B | ||
3B | paligemma | |
1.3B/2.7B | ||
4B/7B/14B | phi | |
12B | pixtral | |
0.5B/1.5B/3B/7B/14B/32B/72B/110B | qwen | |
2B/7B/72B | qwen2_vl | |
3B/7B/15B | ||
7B/13B/65B | xverse | |
1.5B/6B/9B/34B | yi | |
6B/34B | yi_vl | |
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 |
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
腾讯云开发者
