我要评论
为什么要用llama-factory
如果你尝试过微调大模型，你就会知道，大模型的环境配置是非常繁琐的，需要安装大量的第三方库和依赖，甚至需要接入一些框架。
但是大模型微调的方法又是非常类似的，那有没有一种工具可以统一这些操作，让大模型微调变成一个简单易上手的事情，llama-factory就是为了解决这个问题应运而生
什么是llama-factory
本来不想说这么多废话的，想来想去还是简单介绍一下，也加深自己的了解：
llama factory是一款支持多种llm微调方式的工具，包括预训练、指令监督微调和奖励模型训练等。它支持lora和qlora微调策略，广泛集成了业界前沿的微调方法。特点在于支持多种llm模型，提供了webui页面，使非开发人员也能方便进行微调工作。
代码地址：llama-factory
llama-factory环境搭建
- 克隆项目
git clone https://github.com/hiyouga/llama-factory.git
- 创建环境
conda create -n llama_factory python=3.10
conda activate llama_factory
- 安装依赖
cd llama-factory
pip install -e .[torch,metrics]
- 启动web ui界面
export cuda_visible_devices=0
python src/webui.py
启动成功之后，游览器会打开如下界面：
微调llama3
- 准备模型
方法一：克隆我们要微调的模型到本地，然后将在web ui界面填入我们的模型名称和本地的模型地址
git clone https://www.modelscope.cn/llm-research/meta-llama-3-8b-instruct.git
方法二：直接去魔塔meta-llama-3-8b-instruct地址复制对应的文件名和路径，微调时，程序会自动去魔搭下载模型！
（这个方法小编浅浅试了一下，没成功，还是下载到本地靠谱）
- 准备数据集
llama-factory项目内置了丰富的数据集，统一存储于data目录下。
如果你想基于自己的数据集微调，你需要
（1）将你的数据集也放到data目录下
注意：你需要将你的数据集改为一样的格式，具体可参考data下内置数据集的格式
这里提供一个小编基于looksjuicy/ruozhiba数据集改好的一个数据集：
（2）修改data下的dataset_info.json文件，添加如下内容：
其中my_data.json是我自己的数据集文件，my_data是对应的数据集文件名
"my_data": {
"file_name": "my_data.json"
},
添加到第一层大括号内的第一个元素前，也就是identity前面
- 微调
这里我直接通过web ui界面进行微调
训练需要二十分钟左右，训练完成之后，会出现下述界面：
左下角会显示训练完毕，右边会出现训练过程中损失变化的一个可视化
- 与微调之后的模型对话
这样看来，使用llama-factory微调确实很简单方便！！！
发表评论