Axolotl

已于 2024-07-16 15:53:02 修改
阅读量1.8k 收藏 34
点赞数 32
分类专栏： LLM & AIGC 文章标签： Axolotl finetune 微调 fsdp lora 数据 模型
于 2024-07-16 15:40:17 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lovechris00/article/details/140468076
版权

Axolotl

文章目录

一、关于 Axolotl

Axolotl是一种旨在简化各种AI模型微调的工具，提供对多种配置和架构的支持。

在这里插入图片描述

特点

  • 训练各种Huggingface模型，如美洲驼、蟒蛇、猎鹰、mpt
  • 支持fullfinetune、lora、qlora、relora和gptq
  • 使用简单的yaml文件或CLI覆盖自定义配置
  • 加载不同的数据集格式、使用自定义格式或自带标记化数据集
  • 与xher、闪存关注、绳索缩放和多重包装集成
  • 通过FSDP或DeepSpeed与单个GPU或多个GPU一起使用
  • 使用Docker在本地或云上轻松运行
  • 将结果和可选的检查点记录到wandb或mlflow
  • 还有更多！

Axolotl支持

fp16/fp32loraqloragptqgptq w/flash attnflash attnxformers attn
llama✅✅✅✅✅✅✅
Mistral✅✅✅✅✅✅✅
Mixtral-MoE✅✅✅❓❓❓❓
Mixtral8X22✅✅✅❓❓❓❓
Pythia✅✅✅❌❌❌❓
cerebras✅✅✅❌❌❌❓
btlm✅✅✅❌❌❌❓
mpt✅❌❓❌❌❌❓
falcon✅✅✅❌❌❌❓
gpt-j✅✅✅❌❌❓❓
XGen✅❓✅❓❓❓✅
phi✅✅✅❓❓❓❓
RWKV✅❓❓❓❓❓❓
Qwen✅✅✅❓❓❓❓
Gemma✅✅✅❓❓✅❓

✅：支持❌：不支持❓：未经测试

二、快速入门⚡

只需几个步骤即可开始使用Axolotl！本快速入门指南将引导您完成设置和运行基本微调任务。

要求：Python>=3.10 和 Pytorch>=2.1.1。

git clone https://github.com/axolotl-ai-cloud/axolotl
cd axolotl

pip3 install packaging ninja
pip3 install -e '.[flash-attn,deepspeed]'

用法

# preprocess datasets - optional but recommended
CUDA_VISIBLE_DEVICES="" python -m axolotl.cli.preprocess examples/openllama-3b/lora.yml

# finetune lora
accelerate launch -m axolotl.cli.train examples/openllama-3b/lora.yml

# inference
accelerate launch -m axolotl.cli.inference examples/openllama-3b/lora.yml \
    --lora_model_dir="./outputs/lora-out"

# gradio
accelerate launch -m axolotl.cli.inference examples/openllama-3b/lora.yml \
    --lora_model_dir="./outputs/lora-out" --gradio

# remote yaml files - the yaml config can be hosted on a public URL
# Note: the yaml config must directly link to the **raw** yaml
accelerate launch -m axolotl.cli.train https://raw.githubusercontent.com/axolotl-ai-cloud/axolotl/main/examples/openllama-3b/lora.yml

三、环境设置

1、Docker
docker run --gpus '"all"' --rm -it winglian/axolotl:main-latest

或者在当前文件上运行进行开发：

docker compose up -d

注：如果您想调试axolotl或更喜欢使用Docker作为您的开发环境，请参阅调试指南中关于Docker的部分。

2、Conda/Pip venv
  1. 安装python>=3.10
  2. 安装pytorch稳定https://pytorch.org/get-started/locally/
  3. 将Axolotl与python依赖项一起安装
pip3 install packaging
pip3 install -e '.[flash-attn,deepspeed]'
  1. （可选）登录Huggingface以使用门控模型/数据集。
huggingface-cli login

在 huggingface.co/settings/tokens 拿到令牌

3、Cloud GPU

对于支持docker映像的云GPU提供商，请使用winglian/axolotl-cloud:main-latest

4、Bare Metal Cloud GPU
LambdaLabs
  1. 安装 python
sudo apt update
sudo apt install -y python3.10

sudo update-alternatives --install /usr/bin/python python /usr/bin/python3.10 1
sudo update-alternatives --config python # pick 3.10 if given option
python -V # should be 3.10
  1. 安装 pip
wget https://bootstrap.pypa.io/get-pip.py
python get-pip.py
  1. 安装 Pytorch https://pytorch.org/get-started/locally/
  2. Follow instructions on quickstart.
  3. 运行
pip3 install protobuf==3.20.3
pip3 install -U --ignore-installed requests Pillow psutil scipy
  1. Set path
export LD_LIBRARY_PATH=/usr/lib/x86_64-linux-gnu:$LD_LIBRARY_PATH
GCP

Use a Deeplearning linux OS with cuda and pytorch installed. Then follow instructions on quickstart.

Make sure to run the below to uninstall xla.

pip uninstall -y torch_xla[tpu]
5、Windows

请使用WSL或Docker！

6、Mac

使用下面的而不是快速入门中的安装方法。

pip3 install -e '.'

更多信息：mac.md

7、Google Colab

请使用此示例 笔记本。

8、通过SkyPilot在公共云上启动

要在7+云上（GCP、AWS、Azure、OCI等）启动GPU实例（按需和现场实例），您可以使用SkyPilot：

pip install "skypilot-nightly[gcp,aws,azure,oci,lambda,kubernetes,ibm,scp]"  # choose your clouds
sky check

获取使用Axolotl微调mistralai/Mistral-7B-v0.1的示例YAMLs：

git clone https://github.com/skypilot-org/skypilot.git
cd skypilot/llm/axolotl

使用一个命令启动：

# On-demand
HF_TOKEN=xx sky launch axolotl.yaml --env HF_TOKEN

# Managed spot (auto-recovery on preemption)
HF_TOKEN=xx BUCKET=<unique-name> sky spot launch axolotl-spot.yaml --env HF_TOKEN --env BUCKET
9、通过 dstack 在公共云上启动

要在公共云（GCP、AWS、Azure、Lambda Labs、TensorDock、Vast.ai和CUDO）上启动GPU实例（按需实例和现场实例），可以使用dstack。

用YAML写一份工作描述如下：

# dstack.yaml
type: task

image: winglian/axolotl-cloud:main-20240429-py3.11-cu121-2.2.2

env:
  - HUGGING_FACE_HUB_TOKEN
  - WANDB_API_KEY

commands:
  - accelerate launch -m axolotl.cli.train config.yaml

ports:
  - 6006

resources:
  gpu:
    memory: 24GB..
    count: 2

然后，只需使用dstack run命令运行该作业。如果您需要spot实例，请附加--spot选项。dstack run命令将显示跨多个云服务价格最便宜的实例：

pip install dstack
HUGGING_FACE_HUB_TOKEN=xxx WANDB_API_KEY=xxx dstack run . -f dstack.yaml # --spot

有关进一步和细粒度的用例，请参阅官方dstack文档和官方存储库中axolotl示例的详细描述。

四、其他高级设置

1、数据集

Axolotl支持多种数据集格式。建议使用JSONL。JSONL的架构取决于您希望使用的任务和提示模板。除了JSONL，您还可以使用HuggingFace数据集，其中包含每个JSONL字段的列。

有关如何使用不同数据集格式的更多信息，请参阅这些文档。

2、配置

请参阅示例以快速入门。建议根据您的需要复制和修改。最重要的选项是：

  • 模型
base_model: ./llama-7b-hf # local or huggingface repo

注意：代码将加载正确的架构。

  • 数据集
datasets:
    # huggingface repo
  - path: vicgalle/alpaca-gpt4
    type: alpaca

    # huggingface repo with specific configuration/subset
  - path: EleutherAI/pile
    name: enron_emails
    type: completion # format from earlier
    field: text # Optional[str] default: text, field to use for completion data

    # huggingface repo with multiple named configurations/subsets
  - path: bigcode/commitpackft
    name:
      - ruby
      - python
      - typescript
    type: ... # unimplemented custom format

    # fastchat conversation
    # See 'conversation' options: https://github.com/lm-sys/FastChat/blob/main/fastchat/conversation.py
  - path: ...
    type: sharegpt
    conversation: chatml # default: vicuna_v1.1

    # local
  - path: data.jsonl # or json
    ds_type: json # see other options below
    type: alpaca

    # dataset with splits, but no train split
  - path: knowrohit07/know_sql
    type: context_qa.load_v2
    train_on_split: validation

    # loading from s3 or gcs
    # s3 creds will be loaded from the system default and gcs only supports public access
  - path: s3://path_to_ds # Accepts folder with arrow/parquet or file path like above. Supports s3, gcs.
    ...

    # Loading Data From a Public URL
    # - The file format is `json` (which includes `jsonl`) by default. For different formats, adjust the `ds_type` option accordingly.
  - path: https://some.url.com/yourdata.jsonl # The URL should be a direct link to the file you wish to load. URLs must use HTTPS protocol, not HTTP.
    ds_type: json # this is the default, see other options below.
  • 装载
load_in_4bit: true
load_in_8bit: true

bf16: auto # require >=ampere, auto will detect if your GPU supports this and choose automatically.
fp16: # leave empty to use fp16 when bf16 is 'auto'. set to false if you want to fallback to fp32
tf32: true # require >=ampere

bfloat16: true # require >=ampere, use instead of bf16 when you don't want AMP (automatic mixed precision)
float16: true # use instead of fp16 when you don't want AMP

注意：Repo不进行4位量化。

  • lora
adapter: lora # 'qlora' or leave blank for full finetune
lora_r: 8
lora_alpha: 16
lora_dropout: 0.05
lora_target_modules:
  - q_proj
  - v_proj
所有配置选项

有关所有配置选项，请参阅这些文档。

五、训练

运行

accelerate launch -m axolotl.cli.train your_config.yml

注：您还可以引用托管在公共URL上的配置文件，例如 accelerate launch -m axolotl.cli.train https://yourdomain.com/your_config.yml

预处理数据集

您可以选择在微调之前使用以下内容对数据集进行预标记化。推荐用于大型数据集。

  • 将dataset_prepared_path:设置为本地文件夹，用于保存和加载预标记化数据集。
  • （可选）：设置push_dataset_to_hub: hf_user/repo将其推送到Huggingface。
  • （可选）：使用--debug查看预处理示例。
python -m axolotl.cli.preprocess your_config.yml

多GPU

以下是axolotl中用于使用多个GPU进行训练的选项。请注意DeepSpeed 是目前推荐的多GPU选项，因为FSDP可能会遇到 损失不稳定性。

1、DeepSpeed

DeepSpeed是多gpu系统的优化套件，可让您训练比您大得多的模型 通常可能能够适应GPU的VRAM。有关各种优化类型的更多信息 对于深度速度可在https://huggingface.co/docs/accelerate/main/en/usage_guides/deepspeed#what-is-integrated

我们为ZeRO第1、2和3阶段提供了几种默认的深度JSON配置。

deepspeed: deepspeed_configs/zero1.json

accelerate launch -m axolotl.cli.train examples/llama-2/config.yml --deepspeed deepspeed_configs/zero1.json
2、FSDP
  • llama FSDP
fsdp:
  - full_shard
  - auto_wrap
fsdp_config:
  fsdp_offload_params: true
  fsdp_state_dict_type: FULL_STATE_DICT
  fsdp_transformer_layer_cls_to_wrap: LlamaDecoderLayer
3、FSDP + QLoRA

Axolotl支持使用FSDP和QLoRA进行培训，有关详细信息，请参阅这些文档。

4、权重和偏差记录

确保您的 WANDB_API_KEY 环境变量已设置（推荐），或者您使用 wandb login 登陆 wandb。

  • wandb 选项
wandb_mode:
wandb_project:
wandb_entity:
wandb_watch:
wandb_name:
wandb_log_model:
5、特殊 token

在标记器的词汇表中包含特殊的标记（如分隔符、序列结束beginning-of-sequence）非常重要。这将帮助您避免标记化问题并帮助您的模型更好地训练。您可以在axolotl中这样做：

special_tokens:
  bos_token: "<s>"
  eos_token: "</s>"
  unk_token: "<unk>"
tokens: # these are delimiters
  - "<|im_start|>"
  - "<|im_end|>"

当您在axolotl配置中包含这些标记时，axolotl会将这些标记添加到标记器的词汇表中。

6、Inference Playground

Axolotl允许您在交互式终端游乐场中加载模型以进行快速实验。配置文件与用于训练的配置文件相同。

根据训练的模型类型，将适当的标志传递给推理命令：

  • 预训练 LORA
python -m axolotl.cli.inference examples/your_config.yml --lora_model_dir="./lora-output-dir"
  • 全量微调
python -m axolotl.cli.inference examples/your_config.yml --base_model="./completed-model"
  • 从文件，全参数微调 w/ a prompt
cat /tmp/prompt.txt | python -m axolotl.cli.inference examples/your_config.yml \
--base_model="./completed-model" --prompter=None --load_in_8bit=True
  • 使用 gradio 托管
python -m axolotl.cli.inference examples/your_config.yml --gradio

请使用--sample_packing False，如果您打开它并收到类似于下面的错误：

RuntimeError：堆栈期望每个张量大小相等，但在条目0处得到[1,32,1,128]，在条目1处得到[1,32,8,128]

7、将LORA 与基础合并

下面的命令将把你的LORA适配器与你的基本模型合并。你可以选择传递参数--lora_model_dir来指定你的LORA适配器保存的目录，否则，这将从axolotl配置文件中的output_dir中推断出来。
合并的模型保存在子目录{lora_model_dir}/merged中。

python3 -m axolotl.cli.merge_lora your_config.yml --lora_model_dir="./completed-model"

您可能需要使用 gpu_memory_limit 和/或 lora_on_cpu 配置选项来避免运行内存溢出。如果CUDA内存仍然不足，您可以尝试合并系统RAM

CUDA_VISIBLE_DEVICES="" python3 -m axolotl.cli.merge_lora ...

虽然这会很慢，但建议改用上面的配置选项。

六、常见错误 🧰

另请参阅常见问题解答和调试指南。

如果您遇到’Cuda内存溢出’错误，这意味着您的GPU在训练过程中内存溢出。以下是解决方法：

请减少以下任何内容

  • micro_batch_size
  • eval_batch_size
  • gradient_accumulation_steps
  • sequence_len

如果没有帮助，请尝试在命令中不使用深度速度和不加速（将“加速启动”替换为“python”）运行。

使用 adamw_bnb_8bit 也可以节省一些内存。

failed (exitcode: -9)

通常意味着您的系统内存用完了。同样，您应该考虑减少与VRAM用完时相同的设置。此外，考虑升级您的系统内存，这应该比GPU升级更简单。

RuntimeError：预期的标量类型Float但找到一半

尝试设置fp16: true

NotImplementedError: No operator found for memory_efficient_attention_forward

尝试关闭 xformers。

accelerate config missing

忽略它是安全的。

NCCL Timeouts during training

请参阅 NCCL 指南。

标记化不匹配 b/w 推理和训练

对于许多格式，Axolotl通过在标记字符串之后连接标记id来构造提示。连接标记id而不是对字符串进行操作的原因是为了保持对注意力掩码的精确计算。

如果您解码由axolotl构造的提示符，您可能会看到您不期望的标记之间的空格（或缺少空格），尤其是在分隔符和特殊标记周围。当您开始使用新格式时，您应该始终执行以下操作：

  1. 使用 python -m axolotl.cli.preprocess your_config.yml --debug 物化一些数据，然后使用模型的标记器解码前几行。
  2. 在推理过程中，就在您将令牌id张量传递给模型之前，将这些令牌解码回字符串。
  3. 确保#2中的推理字符串看起来与您从#1中微调的数据完全相同，包括空格和新行。如果它们不一样，请相应地调整您的推理服务器。
  4. 作为额外的故障排除步骤，您可以查看1到2之间的令牌id以确保它们相同。

训练和推理过程中的提示不一致会导致模型性能非常差，所以值得检查一下。这篇博客文章有一个具体的例子。

七、其他

调试 Axolotl

有关调试Axolotl的提示，以及使用VSCode进行调试的示例配置，请参阅此调试指南。

需要帮忙吗？🙋

加入我们的不和谐服务器，我们的社区成员可以帮助您。

需要专门的支持？请通过✉️联系我们以获取专门的支持选项。

徽章❤🏷️

用Axolotl建造一些很酷的东西？考虑在您的模型卡上添加一个徽章。

[<img src="https://raw.githubusercontent.com/axolotl-ai-cloud/axolotl/main/image/axolotl-badge-web.png" alt="Built with Axolotl" width="200" height="32"/>](https://github.com/axolotl-ai-cloud/axolotl)

在这里插入图片描述

社区展示

查看一些使用Axolotl构建的项目和模型！有想要添加到我们的社区展示中的模型吗？使用您的模型打开PR。

开放存取AI集体

PocketDoc实验室

贡献🤝

请阅读投稿指南

错误？请检查未解决问题，否则创建新问题。

非常欢迎PR！

请运行以下快速入门说明以设置env：

pip3 install -r requirements-dev.txt -r requirements-tests.txt
pre-commit install

# test
pytest tests/

# optional: run against all files
pre-commit run --all-files

感谢我们迄今为止的所有贡献者。通过为Axolotl做出贡献来帮助推动开源AI的进步。

2024-07-16（二）

开源模型应用落地-qwen2-7b-instruct-LoRA微调-Axolotl-单机多卡-RTX 4090双卡（七）
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
08-16 1万+
使用Axolotl高效微调qwen2-7b-instruct
开源模型应用落地-qwen2-7b-instruct-LoRA微调-Axolotl-单机单卡-V100（九）
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
08-22 7500
使用Axolotl高效微调qwen2-7b-instruct
Axolotl微调Qwen2-7b开源大模型！AutoGen+Marker自动生成数据集！AutoGen Studio+GPT4评估Qwen2文章能力，vllm部署qwen
m0_57057282的博客
08-14 641
配置文件中fp16设为false bfp16设为true。4.用Axolotl 和生成的数据集微调qwen。2.autogen studio 安装和启动。3.AutoGen+Marker生成数据集。从huggingface下载模型并部署。qlora-fsdp.yaml配置。如果数据集内容太少，需要将。导入模型刚才运行的模型。
Axolotl：高效微调LLM的利器
最新发布
XianxinMao的博客
03-11 316
Axolotl 是一个功能强大且易于使用的工具，特别适合用于大语言模型（LLM）的微调。它通过 YAML 配置文件简化了微调过程，支持多种数据集格式和先进技术如 LoRA、QLoRA 和 FlashAttention，显著提高了训练效率并优化了 GPU 资源的使用。与 PEFT 库结合，Axolotl 能够在有限硬件资源下进行高效微调，特别是在使用 QLoRA 技术时，模型可以在 4 位精度下运行，减少显存占用。微调后的模型可以通过合并权重并上传到 Hugging Face Hub，便于后续使用和分享。模型
Axolotl：OpenAccess AI Collective的开源自然语言处理工具
gitblog_00037的博客
03-21 614
Axolotl：OpenAccess AI Collective的开源自然语言处理工具 项目地址:https://gitcode.com/gh_mirrors/ax/axolotl Axolotl是OpenAccess AI Collective推出的一款强大的开源自然语言处理（NLP）工具，旨在为开发者和研究人员提供易于使用、高效且灵活的AI解决方案。该项目的目标是打破AI技术的访问壁垒，让更多...
使用 ROCm 在 AMD GPU 上用Axolotl微调 Llama 3
数字人生
11-25 1501
大型语言模型（LLMs）已经彻底改变了自然语言处理领域，使机器能够理解和生成类似人类的语言。然而，这些模型通常是在大量通用数据上训练的，这可能会使它们在特定任务或领域中效果不佳。微调涉及在专门的数据集上训练预训练的 LLM，以提高其在特定任务上的表现。正如 Andrej Karpathy 类比的那样，这个过程类似于让某人练习某项特定技能。就像一个人可能需要在特定情境下练习技能才能变得熟练一样，LLM 需要在特定数据集上进行微调，才能在特定任务中表现出色。
推荐文章：解锁AI模型微调新境界 —— 深入探索Axolotl
gitblog_01078的博客
08-24 746
推荐文章：解锁AI模型微调新境界 —— 深入探索Axolotl axolotl项目地址:https://gitcode.com/gh_mirrors/ax/axolotl 在当今这个深度学习模型迅速发展的时代，快速而高效地微调预训练大模型成为了科研和开发人员的共同追求。正因如此，我们为您带来了一款革新性的工具——Axolotl，它是一个旨在简化各种AI模型微调流程的强大平台，支持多种配置与架构，...
axolotl
03-06
标题中的"axolotl"通常在IT领域中并不是一个常见的术语，但在这种情况下，它可能是指一个项目、软件或库的名称，因为文件名中出现了"axolotl-main"。由于"蝾螈"是一种两栖动物，这可能是开发者为项目选择的代号或者...
Axolotl-开源
05-27
Axolotl是一款开源的DJ软件，其设计和开发的核心目标是为音乐爱好者提供一个工具，以便更好地与模块文件（.mod）进行交互。模块文件是一种古老的数字音乐格式，起源于20世纪80年代的计算机游戏和音乐制作，尤其在...
Axolotl Open Source-开源
05-27
**Axolotl Open Source 开源项目详解** Axolotl Open Source 是一个基于CAF (Code Aurora Forum) ROM构建的Android自定义ROM项目。CAF ROM是Linux内核和Android操作系统开发的重要社区，由高通公司支持，专注于为...
inference-playground
06-23
#inference-playground ＃＃它是如何工作的？ 为什么你需要一个 README.md 来做这么简单的事情？ ;-) 下载开放地址数据集的 CSV 版本并查找设得兰群岛 (ZE) 和勒威克镇。 以名为 Fogralea 的街道为例，位于 Sound：在城镇西南的郊区。 我最后一次检查它看起来像这样： 该脚本从两个已知的门牌号 5 和 30 开始推断它们之间所有可能存在的门牌号，如两条橙色条纹所示。 很简单，不是吗？ （我正在简化漫画效果，我知道它比那更复杂。例如，如何分辨红色“X”在哪里？哪个房子被赋予了名称而不是数字？）。 总而言之，该脚本对所有邮政编码区域执行相同的操作。 所使用的算法是 OA 即将推出的第一个相对保守的地址推断算法。 目标是在继续正确实施和集成到实时解决方案中之前检查可以生成的地址量。 请参阅的示例输出。 它显示了我开始的邮政编码扇区文件，编号
Axolotl 开源项目教程
gitblog_00758的博客
08-22 395
Axolotl 开源项目教程 axolotl项目地址:https://gitcode.com/gh_mirrors/ax/axolotl 项目介绍 Axolotl 是一个由 OpenAccess-AI-Collective 开发的开源项目，旨在提供一个高效、灵活的机器学习框架。该项目支持多种模型训练和推理任务，特别适用于自然语言处理（NLP）和计算机视觉（CV）领域。Axolotl 的设计理念是...
Axolotl 开源项目安装与使用指南
gitblog_00129的博客
09-07 467
Axolotl 开源项目安装与使用指南 axolotlA Signal compatible cross plattform client written in Go, Rust and Vuejs项目地址:https://gitcode.com/gh_mirrors/axo/axolotl 项目概述 本指南旨在帮助用户了解并快速上手 Axolotl 开源项目。我们将逐一解析该项目的关键组成部...
Swift 2.1 基础实操高清视频教程
12-09
我们通过一些代码片段学习Swift中的constant和variable、各种基本types和tuple以及Swift中重要的语言特性之一: type inference。并录制了泊学高清视频，同步搭配了泊阅文档，为开发者朋友们的学习提供了一种全新的学习视觉享受。
零基础也能掌握！大模型训练指南
2401_85375298的博客
09-12 1172
在这个信息爆炸的时代，人工智能技术正以前所未有的速度渗透到我们生活的方方面面。从智能手机上的语音助手到自动驾驶汽车，AI的应用无处不在。而在这些令人惊叹的技术背后，大语言模型（LLM）扮演着至关重要的角色。它们不仅能够理解和生成自然语言，还能在多种场景下提供智能决策支持。然而，对于许多对AI感兴趣的新手来说，大语言模型的训练和应用似乎是一件高不可攀的事情。复杂的技术术语、晦涩的理论知识，以及高昂的硬件要求，往往让人望而却步。但其实，只要掌握正确的方法和工具，每个人都能成为AI领域的探索者和实践者。本文将带你
大模型训练工具，小白也能轻松搞定！
Milkha的博客
01-22 818
常见的大模型微调、训练工具，包括Axolotl、Llama-Factory、Firfly、Xtuner、Swift、Unsloth、Trainer。
axolot xlsreadwriteii
01-23
axolotl xlsreadwriteii是一个用于处理Excel文件的工具。它提供了读取和写入Excel文件的功能，可以轻松地操作Excel中的数据。 使用axolotl xlsreadwriteii，我们可以方便地读取Excel文件中的数据。我们可以指定要读取的工作表和单元格范围，并将数据以适当的格式返回。这对于需要分析和处理大量Excel数据的用户来说非常有用。 除了读取，axolotl xlsreadwriteii还可以将数据写入Excel文件中。我们可以指定要写入的工作表和单元格位置，并将数据以指定的格式写入。这使得我们可以方便地将计算结果或其他数据保存到Excel文档中。 axolotl xlsreadwriteii还提供了其他功能。它支持处理工作簿、工作表和单元格的各种属性和样式。我们可以设置字体、颜色、边框等，以创建一份专业的Excel文档。此外，它还可以处理Excel中的公式和图表，以满足更高级的需求。 总而言之，axolotl xlsreadwriteii为处理Excel文件提供了强大的功能和灵活性。无论是读取数据、写入数据、设置样式还是处理其他的Excel操作，它都是一个非常实用的工具。无论是专业人士还是普通用户，都可以从中受益。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

编程乐园

请我喝杯伯爵奶茶~！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值