实战：体验LLamaFactory微调Qwen构建文旅大模型的过程

 

本文基于LLamaFactory、Qwen2-VL多模态大模进行微调，形成垂直领域大模型（如果您对大模型微调感兴趣，不限于Qwen2-VL都可以通过本文进行学习了解）。

一、应用概述

LLaMA Factory（https://github.com/hiyouga/LLaMA-Factory） 是一款开源低代码大模型微调框架，集成了业界最广泛使用的微调技术，支持通过 Web UI 界面零代码微调大模型，目前已经成为开源社区内最受欢迎的微调框架之一，GitHub 星标超过 3 万。

二、使用场景

LLama Factory 由于其低代码特性，可以快速部署模型微调环境并进行测试，适用于各种场景，包括但不限于：

1. LLaMA-Factory 微调基础 LLaMA 模型，提升模型在特定任务上的表现。

三、操作步骤

（一）部署前准备工作

本次部署使用到Docker和Kubernetes，请准备好Docker环境，并确保本地有可用的Kubernestes客户端工具kubectl。         
Docker环境安装请参考: 安装Docker（https://docs.alayanew.com/docs/documents/tool/docker）          
kubectl安装请参考：快速开始（https://docs.alayanew.com/docs/documents/useGuide/Vcluster/start）

（二）开通集群

（1）资源最低要求    

点击图片可查看完整电子表格

（2）申请开通

开通集群请参考：开通弹性容器集群（https://docs.alayanew.com/docs/documents/quickStart/OpenElasticContainerCluster）

（三）镜像准备

包括以下步骤：

用户名密码：查看开通镜像仓库时的通知短信          

镜像仓库地：参考镜像仓库的使用（https://docs.alayanew.com/docs/documents/storage/mirrorRepository/useMirrorRepository#use_image_repo）          
镜像仓库地址 ：由 镜像仓库域名/项目 组成

1. LLaMA Factory（https://github.com/hiyouga/LLaMA-Factory.git）项目源码，我们将使用0.9.1版本。

Shell                   git clone -b v0.9.1 --depth=1 https://github.com/hiyouga/LLaMA-Factory.git

Shell                   docker build -t 镜像仓库地址/llama-factory:0.9.1 -f docker/docker-cuda/Dockerfile --build-arg PIP_INDEX=https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple .

命令说明：

docker build 这是 Docker 的一个命令，用于从 Dockerfile 构建一个新的镜像。 -t 镜像仓库地址/llama-factory:0.9.1 -t 参数用于指定构建的镜像的名称和标签。 镜像仓库地址 是可选的，通常用于指定镜像将被推送到的远程仓库地址（例如 Docker Hub 或私有仓库）。 llama-factory:0.9.1 是镜像的名称和版本标签，表示构建的镜像名为 llama-factory，版本为 0.9.1。 -f docker/docker-cuda/Dockerfile -f 参数用于指定 Dockerfile 的路径。 在这个命令中，Dockerfile 位于当前目录下的 docker/docker-cuda 文件夹中。 --build-arg PIP_INDEX=https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple --build-arg 用于在构建过程中传递构建参数。 PIP_INDEX 是一个自定义参数，通常在 Dockerfile 中通过 ARG 指令接收。 在这里，PIP_INDEX 被设置为清华大学的 PyPI 镜像源地址（https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple），这可能是为了在构建过程中加速 Python 包的安装。 .（当前目录） docker build 命令的最后一个参数是上下文路径（. 表示当前目录）。Docker 会将当前目录及其子目录中的文件作为构建上下文发送到 Docker 守护进程，用于构建镜像。

执行结果如下（一共22G，时间有点长，提前预留足够的本地磁盘）：    

1. 登录镜像仓库，推送镜像

Shell                   docker login 镜像仓库域名 -u 用户名 -p 密码                   docker push 镜像仓库地址/llama-factory:0.9.1

示例如下：    

Bash                   docker login registry.hd-02.alayanew.com:8443 -u zhangfeng -p b8Ya69ZF66                   Docker push registry.hd-02.alayanew.com:8443/alayanew-cb704eeb-78c9-4c91-af5b-2df031933b17/llama-factory:0.9.1

注意：

请将 镜像仓库地址, 域名, 用户名, 密码 替换为自己的，镜像仓库用户名及密码系统会以短信形式发送到注册账号的手机。

当执行完毕后，请检查镜像仓库中是有镜像文件llama-factory:0.9.1存在。         
关于如何查看镜像仓库，请参考：使用Harbor管理镜像资源（https://docs.alayanew.com/docs/documents/storage/mirrorRepository/image）

（四）脚本准备

请下载脚本文件压缩包（https://docs.alayanew.com/assets/files/llama_factory-06f4a54c3240341bdb8098929eaf2be7.zip），并解压到本地目录。在前面下载并解压的模板脚本文件中，对所有文件进行变量替换。

需要替换的变量有：

点击图片可查看完整电子表格    

（五）secret准备

secret文件是用于保存敏感信息的，如对象存储的密钥等。本次部署中需要对harbor registry的用户名和密码进行加密，并保存到secret文件中。

• 当执行过前面的步骤后，请将harbor-config.json中的内容做base64编码。linux中可以使用base64命令进行编码。或者在线网站也可以进行编码。可以参考：https://tool.lu/encdec/

• 将编码后的内容保存到harbor-secret.yaml的.dockerconfigjson字段。例如：

harbor-secret.yaml

YAML                   apiVersion: v1                   kind: Secret                   metadata:                     name: alaya-harbor-secret                   type: kubernetes.io/dockerconfigjson                   data:                     .dockerconfigjson:

（六）部署应用

包含以下步骤：

1.执行部署脚本

请在脚本目录下执行以下命令：

Shell                   kubectl apply -k .

确保执行过程中没有错误。请注意：其中ServiceExporter的输出需要记录，后面将以这个url访问LLaMA Factory的Web UI。

2.检查部署结果

请执行以下命令：

Shell                   kubectl get pods -n ns-lf

如果出现以下输出，说明部署成功：

Plain Text                   NAME  READY   STATUS    RESTARTS   AGE                   llamafactory-6f45d5c9d6-hvq59   1/1     Running   0          5h10m

其中llamafactory-6f45d5c9d6-hvq59是pod的名字，每次部署都会产生一个新的pod名字，后面的命令都需要使用这个名字。

3.进入pod，并进行初始化

请执行以下命令：

Shell                   kubectl exec -it llamafactory-6f45d5c9d6-hvq59 -n ns-lf -- /bin/bash

注意

请使用实际的pod名字替换上面的llamafactory-6f45d5c9d6-hvq59。进入后，执行以下命令以确认llamafactory安装成功：

llamafactory-cli version          
         
结果示例：          
----------------------------------------------------------          
| Welcome to LLaMA Factory, version 0.9.1                |          
|                                                        |          
| Project page: https://github.com/hiyouga/LLaMA-Factory |          
----------------------------------------------------------    

安装modelscope包，本教程中使用的模型从modelscope下载，请确保正确安装了modelscope：

Shell                   pip install modelscope

（七）数据准备

使用以下命令准备数据：

Shell                   cd /app   #确保在/app目录下                   wget https://atp-modelzoo-sh.oss-cn-shanghai.aliyuncs.com/release/llama_factory/Qwen2-VL-History.zip                   unzip Qwen2-VL-History.zip -d data

（八）开始使用

进入/app/目录，执行以下命令：

Shell                   USE_MODELSCOPE_HUB=1 llamafactory-cli webui

命令运行成功后，就可以以前文提到的ServiceExporter的url访问LLaMA Factory的Web UI。

微调过程：

1.加载微调数据并设置参数    

① 打开UI，看到以下页面并按照下图设置参数：

②选择"Train"标签页, 选择数据集"train" 具体请参照下图：

 当点击"预览数据集"按钮后，可以看到数据集的预览。

 ③ 如下图设置参数：    

2.开始微调

按下图设置输出目录，点击"预览命令"按钮，可以看到微调命令。如果想要在命令行下运行，可以复制命令到终端运行。

Plain Text                   llamafactory-cli train \                       --stage sft \                       --do_train True \                       --model_name_or_path qwen/Qwen2-VL-2B-Instruct \                       --preprocessing_num_workers 16 \                       --finetuning_type full \                       --template qwen2_vl \                       --flash_attn auto \                       --dataset_dir data \                       --dataset train \                       --cutoff_len 1024 \                       --learning_rate 0.0001 \                       --num_train_epochs 10.0 \                       --max_samples 100000 \                       --per_device_train_batch_size 2 \                       --gradient_accumulation_steps 2 \                       --lr_scheduler_type cosine \                       --max_grad_norm 1.0 \                       --logging_steps 5 \                       --save_steps 1000 \                       --warmup_steps 0 \                       --packing False \                       --report_to none \                       --output_dir saves/Qwen2-VL-2B-Instruct/full/qwen2vl_ft \                       --pure_bf16 True \                       --plot_loss True \                       --ddp_timeout 180000000 \                       --optim adamw_torch

点击“开始”按钮，开始微调。页面最下方会显示微调过程的日志。同时，也将呈现微调的进度以及loss曲线。

微调需要一定时间，请耐心等待。微调完成后，输出框显示“训练完毕”。

3.加载微调模型及对话

①在对话框的顶部，在检查点路径中选择微调模型的路径。

 ②在"chat"标签页中，点击加载模型按钮，加载微调模型。

 如下图，输入系统角色，上传图片，然后给出问题，系统将给出答案。    

 ③使用测试图片测试图片1或者测试图片2进行测试。         
作为对比，我们使用原生的Qwen2-VL-2B-Instruct模型进行对话。首先卸载模型：

 然后使用原生模型进行对话：

四、总结

本教程介绍了如何在Alaya NeW平台上，使用LLaMA Factory微调Qwen2-VL构建文旅大模型，并使用测试图片进行了测试。用户可以根据自己的需求，选择不同的基模型，以及不同的数据集进行微调，并结合实际业务集成使用。

五、关于license

请按照LLamaFactory的版权要求使用，请参考：https://github.com/hiyouga/LLaMA-Factory/tree/main?tab=Apache-2.0-1-ov-file    

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​