目录
LLaMA-Factory 大模型微调超简单，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？
在处理大模型微调的工作中，我们常常会面临各种棘手的问题。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。
它最大的优势就是让大模型的微调变得轻而易举。不再需要您具备深厚的技术功底和大量的计算资源投入，就能实现对模型的优化和改进。
同时，在模型量化方面，它能够有效地压缩模型的规模，大大减少了模型运行所需的计算量和存储空间。这意味着您可以在性能稍弱的设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，再到最后的顺利运行，整个过程一气呵成，无需您在不同的工具和流程之间来回折腾，节省了大量的时间和精力。
如何使用LLaMA-Factory进行微调？
安装
使用它，比较简单，首先需要到它的github地址：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
下载到本地后进入项目目录，安装相关依赖。
pip install -e .[metrics]注：
-e表示以可编辑（editable）模式安装当前目录下的项目。这意味着安装后，你对项目源代码的修改会直接反映在已安装的版本中，无需重新安装。点（.）表示当前目录，即要安装当前目录下的项目。
如果安装完成后，可以通过如下命令检查是否安装成功
llamafactory-cli version
如果安装成功，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，可以启动查看它的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，出现如下响应代表成功启动了webui界面。
默认开启端口7860，在浏览器中输入地址即可访问。
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希望使用自己准备的数据，下面就说下如何准备自己的数据。
目前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 目录下，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
需要注意的是，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不同类型的格式。
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答。
如果指定，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，分别代表历史消息中每轮对话的指令和回答。注意在指令监督微调时，历史消息中的回答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": "模型回答（必填）",
"system": "系统提示词（选填）",
"history": [
["第一轮指令（选填）", "第一轮回答（选填）"],
["第二轮指令（选填）", "第二轮回答（选填）"]
]
}
]
对于上述格式的数据，dataset_info.json 中的数据集描述应为：
{"自定义数据集名称": {
"file_name": "data.json",
"columns": {
"prompt": "instruction",
"query": "input",
"response": "output",
"system": "system",
"history": "history"
}
}
columns字段里的内容可以省去不写，可以简写为：
"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"}
]
对于上述格式的数据，dataset_info.json 中的数据集描述应为：
"数据集名称": {
"file_name": "data.json",
"columns": {
"prompt": "text"
}
}
更加详细的数据格式介绍可以到官方文档查看：https://github.com/hiyouga/LLaMA-Factory/blob/main/data/README_zh.md
https://github.com/hiyouga/LLaMA-Factory/blob/main/data/README_zh.md
具体的实际数据格式都在 data 目录下的 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，最麻烦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，你不可能把混乱的、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，操作起来还是比较简单的。
基本的过程如下：
- 启动WebUI界面，启动命令 ：llamafactory-cli webui
- 选择基础模型
- 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损失曲线图。当下面显示训练完毕时，就训练完成了。
- 微调结果的lora权重参数在输出目录下可以看到，配置路径也被保存起来了。
- 训练过程中，你可以选择中断训练，然后在检查点输入 之前 lora权重的目录，就可以在之前的训练结果上接着训练了。
如果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标准答案的相似度，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结果的输出的检查点路径，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。
如果你想看没有微调的效果是如何的，取消检查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址，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～～
点赞+收藏+关注，后续持续分享Java、AI相关的文章，多谢支持
标签：数据,模型,微调,Factory,LLaMA,data From： https://blog.csdn.net/2401_84664550/article/details/140793190