LLaMA-Factory：手把手教你从零微调大模型！

引言

随着人工智能技术的飞速发展，大型语言模型（LLM）在自然语言处理（NLP）领域扮演着越来越重要的角色。然而，预训练的模型往往需要针对特定任务进行微调，以提高其在特定领域的性能。LLaMA-Factory作为一个高效、易用的微调工具，为广大开发者提供了极大的便利。本文将详细介绍如何使用LLaMA-Factory从零开始微调大模型，帮助读者快速掌握这一技术。

一、模型微调讲解

1、什么是模型微调？

在深度学习领域，模型微调通常指的是在预训练模型的基础上进行的进一步训练。预训练模型是在大量数据上训练得到的，它已经学习到了语言的基本规律和丰富的特征表示。然而，这些模型可能并不直接适用于特定的任务或领域，因为它们可能缺乏对特定领域知识的理解和适应性。

模型微调通过在特定任务的数据集上继续训练预训练模型来进行，使得模型能够学习到与任务相关的特定特征和知识。这个过程通常涉及到模型权重的微幅调整，而不是从头开始训练一个全新的模型。

2、微调的过程

微调过程主要包括以下几个步骤：
1)数据准备：收集和准备特定任务的数据集。
2)模型选择：选择一个预训练模型作为基础模型。
3)迁移学习：在新数据集上继续训练模型，同时保留预训练模型的知识。
4)参数调整：根据需要调整模型的参数，如学习率、批大小等。
5)模型评估：在验证集上评估模型的性能，并根据反馈进行调整。

3、微调的优势

微调技术带来了多方面的优势：
资源效率：相比于从头开始训练模型，微调可以显著减少所需的数据量和计算资源。
快速部署：微调可以快速适应新任务，加速模型的部署过程。
性能提升：针对特定任务的微调可以提高模型的准确性和鲁棒性。
领域适应性：微调可以帮助模型更好地理解和适应特定领域的语言特点。

通过微调，可以使得预训练模型在这些任务上取得更好的性能，更好地满足实际应用的需求。

二、LLaMA-Factory讲解

LLaMA-Factory是一个开源的模型微调框架，致力于简化大型语言模型的定制过程。它集成了多种训练策略和监控工具，提供了命令行和WebUI等多种交互方式，大幅降低了模型微调的技术门槛。

1、核心功能

• 多模型兼容：支持包括LLama、Mistral、Falcon在内的多种大型语言模型。
• 训练方法多样：涵盖全参数微调及LoRA等先进的微调技术。
• 用户界面友好：LLama Board提供了一个直观的Web界面，使用户能够轻松调整模型设置。
• 监控工具集成：与TensorBoard等工具集成，便于监控和分析训练过程。

2、LLaMA-Factory特点

• 易用性：简化了机器学习算法的复杂性，通过图形界面即可控制模型微调。
• 微调效率：支持DPO、ORPO、PPO和SFT等技术，提升了模型微调的效率和效果。
• 参数调整灵活性：用户可根据需求轻松调整模型参数，如dropout率、epochs等。
• 多语言支持：界面支持英语、俄语和中文，面向全球用户提供服务。

3、使用场景

LLaMA-Factory适用于广泛的NLP任务，包括但不限于：

• 文本分类：实现情感分析、主题识别等功能。
• 序列标注：如NER、词性标注等任务。
• 文本生成：自动生成文本摘要、对话等。
• 机器翻译：优化特定语言对的翻译质量。

LLaMA-Factory通过其强大的功能和易用性，助力用户在自然语言处理领域快速实现模型的定制和优化。

三、安装LLaMA Factory

在本章节中，我们将指导您如何安装和设置LLaMA Factory，一个用于微调大型语言模型的工具。请按照以下步骤操作，以确保您能够顺利地使用LLaMA Factory。

1、准备工作

首先，确保您的开发环境中已经安装了Python3.9或更高版本。这可以通过Python的官方网站下载安装，或者使用包管理器进行安装。
1）显卡选择
24 GB显存的A10：建议使用至少这个规格的实例，或者更高规格的实例以满足可能更大的计算需求。
2）镜像选择：
PyTorch深度学习框架版本为2.1.2。Python 3.10、CUDA 11.2（cu121），CUDA是NVIDIA提供的用于通用并行计算的编程模型和API。、Ubuntu 22.04 LTS（长期支持版本）操作系统。

2、获取LLaMA-Factory

打开您的终端或命令行界面，然后执行以下命令来克隆LLaMA-Factory的代码仓库到本地：

git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
1

这将创建一个名为LLaMA-Factory的文件夹，包含所有必要的代码和文件。

3、安装依赖

在安装LLaMA-Factory之前，您需要确保安装了所有必要的依赖。进入克隆的仓库目录，然后执行以下命令来安装依赖：

cd LLaMA-Factory
pip install -e .[metrics]
1
2

这个命令将安装LLaMA-Factory及其所有必需的附加组件，用于模型的评估和分析。

4、卸载可能冲突的包

如果在安装过程中与其他库发生冲突，您可能需要先卸载这些库。例如，如果vllm库与LLaMA-Factory不兼容，可以使用以下命令卸载：

pip uninstall -y vllm
1

5、LLaMA-Factory版本检查

安装完成后，您可以通过运行以下命令来检查LLaMA-Factory是否正确安装以及其版本号：

llamafactory-cli version
1

如果安装成功，您将看到类似以下的输出，显示LLaMA Factory的版本信息：

[2024-07-19 10:25:22,857] [INFO] [real_accelerator.py:161:get_accelerator] Setting ds_accelerator to cuda (auto detect)
Welcome to LLaMA Factory, version 0.7.1.dev0
1
2

6、验证安装

为了确保LLaMA Factory能够正常工作，您可以运行一些基本的命令来测试其功能。例如，尝试运行LLaMA Factory提供的一些示例脚本，或者使用其命令行界面来查看帮助信息：

llamafactory-cli --help
1

这将列出所有可用的命令和选项，帮助您了解如何使用LLaMA Factory。

注意事项

• 确保您的网络连接稳定，以便顺利下载代码仓库和安装依赖。
• 如果在安装过程中遇到问题，可以参考LLaMA Factory的官方文档或在社区中寻求帮助。
• 在安装过程中，您可能需要根据您的系统环境和配置调整上述命令。

通过遵循上述步骤，您将能够成功安装并开始使用LLaMA Factory进行大型语言模型的微调。在接下来的章节中，我们将深入探讨如何使用LLaMA Factory进行模型微调的具体操作。

四、数据集准备

LLaMA-Factory提供了对多种数据集格式的支持，以适应不同类型的训练需求。本节将指导您如何准备和使用数据集进行模型微调。

1、使用内置数据集

LLaMA-Factory项目在data目录下内置了丰富的数据集，您可以直接使用这些数据集进行模型训练和测试。如果您不需要自定义数据集，可以跳过数据集准备步骤。

2、自定义数据集准备

若需使用自定义数据集，您需要按照LLaMA-Factory支持的格式处理数据，并将其放置在data目录下。同时，您还需要修改dataset_info.json文件，以确保数据集被正确识别和加载。

2.1 下载示例数据集

以下是使用示例数据集的步骤，假设您使用的是PAI提供的多轮对话数据集：

cd LLaMA-Factory
wget https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/tutorials/llama_factory/data.zip
unzip data.zip -d data
1
2
3

2.2 查看数据集结构

数据集通常包含多轮对话样本，每轮对话由用户指令和模型回答组成。微调过程中，模型将学习这些样本的回答风格，以适应特定的语言风格或角色扮演需求。例如，数据集中的一个样本可能如下所示：

[
{
    "conversations": [
      {
        "from": "human",
        "value": "模仿西游记的孙悟空的语气和我聊天。如果你把水冻住，你会得到什么？"
      },
      {
        "from": "gpt",
        "value": "哈哈，这问题还难倒俺老孙吗？把水冻住就是变成冰啦！不过若是在取经的路上用得着这冰来做啥，比如过火焰山时，那可就是解渴消暑的好东西了！你觉得呢？还有没有更有趣的问题让俺老孙来解答？"
      },
      {
        "from": "human",
        "value": "那怎么做才可以把水冻住"
      },
      {
        "from": "gpt",
        "value": "哈哈，对俺老孙来说，这可是轻而易举的事情！只需将水放在凉快的地方，或者使用法力，一吹仙气，水便能迅速结冰啦！当然，在你的世界里，把水放进冰箱的冷冻室里等一阵子，水就会变成冰块了。要是嫌慢，可以尝试用点干冰或液氮什么的，不过得小心使用哈！毕竟不像俺老孙有抗寒法力。"
      }
    ]
}
]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

五、模型微调

1、启动Web UI

使用以下命令启动LLaMA-Factory的Web UI界面，以便进行交互式模型微调：

export USE_MODELSCOPE_HUB=1 && llamafactory-cli webui
1

这将启动一个本地Web服务器，您可以通过访问http://0.0.0.0:7860来使用Web UI。请注意，这是一个内网地址，只能在当前实例内部访问。

2、配置参数

在Web UI中，您需要配置以下关键参数以进行模型微调：
语言：选择模型支持的语言，例如zh。
模型名称：选择要微调的模型，例如LLaMA3-8B-Chat。
微调方法：选择微调技术，如lora。
数据集：选择用于训练的数据集。
学习率：设置模型训练的学习率。
计算类型：根据GPU类型选择计算精度，如bf16或fp16。
梯度累计：设置梯度累计的批次数。
LoRA+学习率比例：设置LoRA+的相对学习率。
LoRA作用模块：选择LoRA层挂载的模型部分。

3、开始微调

在Web UI中设置好参数后，您可以开始模型微调过程。微调完成后，您可以在界面上观察到训练进度和损失曲线。

1）将输出目录修改为train_llama3，训练后的LoRA权重将会保存在此目录中。
2）单击“预览”命令，可展示所有已配置的参数。
如果您希望通过代码进行微调，可以复制这段命令，在命令行运行。
3）单击“开始”，启动模型微调。
启动微调后需要等待大约20分钟，待模型下载完毕后，可在界面观察到训练进度和损失曲线。当显示训练完毕时，代表模型微调成功。

六、模型评估

微调完成后，您可以使用Web UI进行模型评估。选择适当的评估数据集和输出目录，然后启动评估过程。评估结果将显示在界面上，包括ROUGE分数等指标。

模型评估大约需要5分钟，评估完成后会在界面上显示验证集的分数。其中，ROUGE分数衡量了模型输出答案（predict）和验证集中的标准答案（label）的相似度，ROUGE分数越高代表模型学习得越好。

七、对话测试

在Web UI的Chat页签下，加载微调后的模型进行对话测试。您可以输入文本与模型进行交互，并观察模型的回答是否符合预期。

在页面底部的对话框输入想要和模型对话的内容，单击提交，即可发送消息。
发送后模型会逐字生成回答，从回答中可以发现模型学习到了数据集中的内容，能够恰当地模仿目标角色的语气进行对话。

单击卸载模型，单击取消适配器路径，然后单击加载模型，即可与微调前的原始模型聊天。

结语

本文精心梳理了使用LLaMA-Factory对大型语言模型进行微调的全过程。从精心准备数据集，到细致调整模型参数，再到严格评估模型性能，LLaMA-Factory以其高效、直观的操作界面，为自然语言处理领域提供了一项强大的工具。通过LLaMA-Factory，我们得以简化了微调流程，使得模型训练和优化变得更加易于管理和执行。它的出现，不仅提升了开发效率，也使得模型微调变得更加精准和个性化。

我们期望，通过本文的介绍，读者能够对LLaMA-Factory有更深刻的理解，并将其应用于实际的模型开发中。愿您在自然语言处理的征途上，以LLaMA-Factory为伴，不断探索，勇往直前。

让我们共同期待，LLaMA-Factory能在您的项目中发挥重要作用，助力您在AI领域取得新的突破和成就。感谢您的阅读，愿本文成为您技术探索之旅中的一盏明灯。

博客原文：专业人工智能技术社区