LLaMA-Factory 让大模型微调变得更简单！！

—0—

背景

如果只需要构建一份任务相关的数据，就可以轻松通过网页界面的形式进行 Fine-tuning 微调操作， 那么必将大大减轻微调工作量。

今年的 ACL 2024见证了北航和北大合作的突破—论文《LLAMAFACTORY: 统一高效微调超百种语言模型》。他们打造的 LLaMA-Factory，集成了顶尖的训练效率技术，让用户能轻松通过网页界面 LLAMABOARD，无须编码，即对上百个语言模型进行个性化微调。

值得注意的是，项目在论文发表前，GitHub 上已获 13,000  Stars 和 1,600 forks，彰显了其巨大影响力。

论文链接：https://arxiv.org/pdf/2403.13372

GitHub 链接：https://github.com/hiyouga/LLaMA-Factory

—1—

微调界面预览（LLaMA Board）

只需一键启动 WebUI，即可接入 LLaMA Board（如下图所示），这是一个直观的操作面板，让你轻松选择数据集、自定义各种参数。体验从预览配置、保存训练设置到加载配置、启动高效训练的无缝流程。并且，界面实时展示训练损失曲线，让你随时掌握微调进度与效果。

—2—

如何准备微调环境？

体验一下此数字人的生动演示，它能聪明地理解并回应你的每一句话。目前的小遗憾是，它的思考时间约为3到4秒，但这对话结束后才给出反应。别担心，技术的进步就在眼前，随着模型优化，这一等待时间即将成为过去。

第一步、安装环境（以 Conda 环境为例）

第1步 clone LLaMA-Factory：git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git第2步 进入目录：cd LLaMA-Factory第3步 创建基础环境：conda create -n <你的环境名称> python=3.10第4步 进入conda环境：conda activate <你的环境名称>第5步 安装依赖：pip install -e .[metrics] -i https://pypi.tuna.tsinghua.edu.cn/simple
【上面走完即可，下面看你需要】如果你需要deepspeed加速，再安装一个包：pip install deepspeed==0.14.3

第二步、构造数据，如下所示

[    {        "id": "p1",        "system": "你是一个销售小助手，你的任务是邀请程序员购买AI大模型课程",        "conversations": [            {                "from": "user",                "value": "你好，你是？"            },            {                "from": "assistant",                "value": "同学你好，我这边是玄姐谈AGI，想邀请你体验下我们的AI大模型课程产品"            },            {                "from": "user",                "value": "抱歉，刚买了一个年会员，还没到期。"            },            {                "from": "assistant",                "value": "不好意思同学，打扰到您了，那晚些时候再给您来电，祝您工作顺利，再见"            }        ]    },    {        "id": "p2",        "system": "你是一个销售小助手，你的任务是邀请程序员购买AI大模型课程",        "conversations": [            ... ...        ]    },    ... ...]

接下来需要完成数据配置，具体操作如下：

第三步、cd 目录，找到 dataset_info.json

cd LLaMa-Factory/data/dataset_info.json

第四步、在字典中添加自己的数据信息

"my_task": {    "file_name": finetune_data.json # 你自己数据的路径，这里是直接存放在LLaMa-Factory/data/finetune_data.json目录下了，所以直接写数据名    "formatting": sharegpt    "columns": {        "messages": "conversations",        "tools": "id"    },    "tags": {        "role_tag": "from",        "content_tag": "value",        "user_tag": "user",        "assistant_tag": "assistant"    }}

—3—

开始微调训练

方法一、以 LLaMA Board 方式进行选参训练

这种方式前端界面友好，体验感好，具体运行如下：

CUDA_VISIBLE_DEVICES=0,1,2,3 llamafactory-cli webui

方式二、纯后台启动方式

具体运行如下：

export CUDA_VISIBLE_DEVICES=0,1,2,3

llamafactory-cli train ./sft_yaml/my_finetune.yaml (启动目录在LLaMa-Factory下)

my_finetune.yaml 文件设置如下：

### modelmodel_name_or_path: meta-llama/Meta-Llama-3-8B-Instruct
### methodstage: sftdo_train: truefinetuning_type: fulldeepspeed: examples/deepspeed/ds_z3_config.json (加速，当显存不够，你可以使用ds_z3_offload_config.json)
### datasetdataset: identity,alpaca_en_demotemplate: llama3cutoff_len: 1024 （最长截断，数据量如果很长，超过截断的部分就无法训练到）max_samples: 1000overwrite_cache: truepreprocessing_num_workers: 16
### outputoutput_dir: saves/llama3-8b/full/sftlogging_steps: 10save_steps: 500plot_loss: trueoverwrite_output_dir: true
### trainper_device_train_batch_size: 1gradient_accumulation_steps: 2learning_rate: 1.0e-4num_train_epochs: 3.0lr_scheduler_type: cosinewarmup_ratio: 0.1fp16: trueddp_timeout: 180000000
### evalval_size: 0.1per_device_eval_batch_size: 1eval_strategy: stepseval_steps: 500

—5—

查看训练日志

微调过程完毕后，你可前往指定的输出目录(output_dir)，在其中详尽审视训练日志，这些记录涵盖了关键指标，比如：训练损失与验证损失，助你全面了解模型学习的进展与性能。

—5—

微调后评估

要更新大模型的适配器，只需简单选取目标模型即可完成配置。而经过微调训练得到的大模型，其部署和调用方式则与其他预训练大模型保持一致，确保了使用的便捷性和通用性。

同学们一定能彻底掌握 AI 大模型 Agent 智能体、知识库、向量数据库、 RAG、微调私有大模型的应用开发、部署、生产化。