DeepSeek大模型微调实战：保姆级全流程指南

第一步 Python环境准备

peft transformers datasets torch accelerate bitsandbytes

具体请见文件 requirements.txt 上方下载↑↑↑

第二步 构造数据集

本文数据使用.jsonl文件。数据为拟造，仅供试验

1.每一行数据为一个json对象，包含一个问题和一个答案

2.初学者请注意数据的内容并没有格式要求，只要在后续步骤中能够处理成训练数据即可

第三步，数据处理

1.加载数据集

2.编写数据格式化逻辑

下图的逻辑是将问题部分作为输入，答案部分作为标签。分词时，句子超过最大长度限制时就截断，不足最大长度时填充至最大长度，保持所有句子相同长度则可以Batch化处理：

下图是将问题和答案整体作为输入，自身作为标签：

3.分词

句子需要变成一个个基本单位或者叫做词，即token。分词的核心是在该模型对应的词表中找到每个词的编号，也就是它们的表示。

创建分词器(加载时使用的参数和下文加载模型一样)，以及利用上面编写的格式化函数来格式化数据：

第四步，模型加载和量化

加载模型的方式：

1.指定模型名称和缓存位置，如果缓存位置没有模型则从HuggingFace上下载后放到缓存位置，不指定缓存位置则使用默认位置(用户目录下的.cache/huggingface)

2.直接给定一个模型的目录。这种情况一般用在使用自己训练的模型时。见后文加载微调后的模型并使用

第五步，配置LoRA

LoRA帮助我们只训练部分参数。

第六步，配置训练参数

比如学习率、batch_size、lr等等，这些是AI领域最常见的术语。其中图中的output_dir用于存放训练过程中输出的数据，如checkpoint。

第七步，初始化训练器

传入要训练的LoRA模型、训练参数、训练集、验证集、分词器等

第八步，训练及保存

训练：

保存分为两步：

1.保存LoRA模型

2.利用保存的LoRA模型和DeepSeek基础模型合并成完整模型，并保存

推荐"AI圣经"<<深度学习>>，经典作品值得人手一本~

AI大模型学习路线

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

扫描下方csdn官方合作二维码获取哦！

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓