当下最容易上手的大模型微调工具是谁？LLamaFactory或是其中之一

近日，国内的一款微调框架发布了自己的论文《LLAMAFACTORY: Unified Efficient Fine-Tuning of 100+ Language Models》，对他们的框架做了系统性的总结。该框架自推出后迅速出圈，现已斩获15.6k的star，逐步成为当下微调的首选工具。

https://arxiv.org/pdf/2403.13372.pdf

模型微调相较于上下文学习来讲，存在比较高的门槛，但又是模型专业化，领域化不可或缺的技术手段。而其复杂性突出表现在这些方面：

1）理论基础，如果说基于大模型写prompt 根据一定范式来构建RAG或者Agent不需要太多机器学习理论知识，然而微调就必须要对这些有理解，比如样本，学习率，logloss等。

2）数据准备，对于普通开发者，高质量的数据是微调成功的关键保证，而如何预处理，清洗，标注这些样本本身就很复杂，更因此诞生了大模型数据工程这样的领域来解决这一问题。

3）基座模型存在分化，虽然当下很多模型都参考llama和huggingface的一些规范，但是仍然都有一些特殊之处，想要微调也需要针对性地去分析和构建相应的策略。

4）超参数优化，微调本身是一个“炼丹”过程，如何能够找到合适的超参数，达到一个最佳性能，是一个重大挑战。

5）AI工程复杂性，涉及到硬件\软件\复杂流程的协同配合以及系统优化，在有限的成本、资源和时间要求下完成模型训练过程。

正是因为这些原因，对于预训练微调，需要一个类似于工厂的工业化手段来降低门槛，提升效率。

因此，行业内出现了很多微调框架，而LLamaFactory（https://github.com/hiyouga/LLaMA-Factory）便是其中之一，从起名上就可以看出它们的目标是成为模型微调的工厂。

它得以流行主要得益于支持当下主流的大模型百川、千问、LLaMA等，不仅集成了大模型预训练、监督微调和强化微调等阶段的主流的微调技术（支持 LoRA 和 QLoRA 等参数高效微调策略），还提供了预训练、指令微调等丰富的数据集，方便参考使用，最重要的是提供了一个无代码的图形界面，大幅降低使用门槛，非开发者也可以方便地完成模型微调。

该框架架构上由四个模块构成：模型加载器、数据工作器和训练器，以及用户界面LlamaBoard。

在根据官方文档安装好LLamaFactory后，可以有三种方式进行操作，WebUI、CLI或者Python。

1.webUI。

CUDA_VISIBLE_DEVICES=0 python src/train_web.py

2.CLI,由于有时候界面限制，可能需要命令行的方式进行微调。如果不知道具体格式，可以在界面上配置好，再复制到命令行中调整使用。

在example目录中有大量的示例可供参考。

examples/``├── lora_single_gpu/``│   ├── pretrain.sh: 进行预训练``│   ├── sft.sh: 进行指令监督微调``│   ├── reward.sh: 进行奖励模型训练``│   ├── ppo.sh: 进行 PPO 训练``│   ├── dpo.sh: 进行 DPO 训练``│   ├── orpo.sh: 进行 ORPO 训练``│   ├── prepare.sh: 保存预处理后的数据集``│   └── predict.sh: 进行批量预测``├── qlora_single_gpu/``│   ├── bitsandbytes.sh: 微调 4/8 比特 BNB 模型``│   ├── gptq.sh: 微调 4/8 比特 GPTQ 模型``│   ├── awq.sh: 微调 4 比特 AWQ 模型``│   └── aqlm.sh: 微调 2 比特 AQLM 模型``├── lora_multi_gpu/``│   ├── single_node.sh: 使用 Accelerate 进行单节点训练``│   └── multi_node.sh: 使用 Accelerate 进行多节点训练``├── full_multi_gpu/``│   ├── single_node.sh: 使用 DeepSpeed 进行单节点训练``│   └── multi_node.sh: 使用 DeepSpeed 进行多节点训练``├── merge_lora/``│   ├── merge.sh: 将 LoRA 权重合并到预训练模型中``│   └── quantize.sh: 使用 AutoGPTQ 量化模型``├── inference/``│   ├── cli_demo.sh: 启动命令行推理接口``│   ├── api_demo.sh: 启动 OpenAI 风格 API``│   ├── web_demo.sh: 启动浏览器推理接口``│   └── evaluate.sh: 在 MMLU 数据集上评测模型``└── extras/`    `├── galore/`    `│   └── sft.sh: 使用 GaLore 训练模型`    `├── loraplus/`    `│   └── sft.sh: 使用 LoRA+ 训练模型`    `├── llama_pro/`    `│   ├── expand.sh: 扩展模型中的层`    `│   └── sft.sh: 训练扩展后的模型`    `└── fsdp_qlora/`        `└── sft.sh: 使用 FSDP 微调量化模型

3）编程方式。

from llmtuner import run_exp``run_exp(dict(`  `stage="sft",`  `do_train=True,`  `model_name_or_path="Qwen/Qwen1.5-0.5B-Chat",`  `dataset="identity,alpaca_gpt4_en,alpaca_gpt4_zh",`  `template="qwen",`  `finetuning_type="lora",`  `lora_target="all",`  `output_dir="test_identity",`  `per_device_train_batch_size=4,`  `gradient_accumulation_steps=4,`  `lr_scheduler_type="cosine",`  `logging_steps=10,`  `save_steps=100,`  `learning_rate=1e-4,`  `num_train_epochs=5.0,`  `max_samples=500,`  `max_grad_norm=1.0,`  `fp16=True,``))

对于用户来讲，准备正确高质量的数据是用好该工具的关键。在使用自定义数据集时需要在 dataset_info.json 文件中按照以下格式提供数据集定义，数据集格式支持两种：alpaca 和 sharegpt，具体可参考其官方文档。

"数据集名称": {`  `"hf_hub_url": "Hugging Face 的数据集仓库地址（若指定，则忽略 script_url 和 file_name）",`  `"ms_hub_url": "ModelScope 的数据集仓库地址（若指定，则忽略 script_url 和 file_name）",`  `"script_url": "包含数据加载脚本的本地文件夹名称（若指定，则忽略 file_name）",`  `"file_name": "该目录下数据集文件的名称（若上述参数未指定，则此项必需）",`  `"file_sha1": "数据集文件的 SHA-1 哈希值（可选，留空不影响训练）",`  `"subset": "数据集子集的名称（可选，默认：None）",`  `"folder": "Hugging Face 仓库的文件夹名称（可选，默认：None）",`  `"ranking": "是否为偏好数据集（可选，默认：False）",`  `"formatting": "数据集格式（可选，默认：alpaca，可以为 alpaca 或 sharegpt）",`  `"columns（可选）": {`    `"prompt": "数据集代表提示词的表头名称（默认：instruction）",`    `"query": "数据集代表请求的表头名称（默认：input）",`    `"response": "数据集代表回答的表头名称（默认：output）",`    `"history": "数据集代表历史对话的表头名称（默认：None）",`    `"messages": "数据集代表消息列表的表头名称（默认：conversations）",`    `"system": "数据集代表系统提示的表头名称（默认：None）",`    `"tools": "数据集代表工具描述的表头名称（默认：None）"`  `},`  `"tags（可选，用于 sharegpt 格式）": {`    `"role_tag": "消息中代表发送者身份的键名（默认：from）",`    `"content_tag": "消息中代表文本内容的键名（默认：value）",`    `"user_tag": "消息中代表用户的 role_tag（默认：human）",`    `"assistant_tag": "消息中代表助手的 role_tag（默认：gpt）",`    `"observation_tag": "消息中代表工具返回结果的 role_tag（默认：observation）",`    `"function_tag": "消息中代表工具调用的 role_tag（默认：function_call）",`    `"system_tag": "消息中代表系统提示的 role_tag（默认：system，会覆盖 system 列）"`  `}``}

经过以上的步骤，剩下的就是需要耐心的调参和评估了。下面是一个利用webui进行微调操作示例。

小结

相较于其他方法，目前，LlamaFactory可以说是当下最简单快捷又功能强大的一种微调工具，值得大家学习使用。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI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。（全套教程文末领取哈）

👉4.大模型落地应用案例PPT👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓