为什么选择网站来做论文题目找做金融的网站有哪些
文章目录
- 为什么要用LLaMa-Factory
- 什么是LLaMa-Factory
- LLaMa-Factory环境搭建
- 微调LLaMA3
- 参考博文
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：
https://pan.baidu.com/s/1FYYlBIXWy697xdagrHiIeg
提取码：2333
（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！！！
参考博文
- 在Ubuntu上安装部署LLaMA-Factory，及微调大模型测试
- 使用LLaMA Factory微调LlaMA 3模型
- llama3 微调教程之 llama factory 的 安装部署与模型微调过程，模型量化和gguf转换
- 动手微调Llama3！纯本地+手把手！ORPO偏好微调，数据集工具指南！base到chat模型微调方案！day01
- Llama3 中文版模型微调笔记,小白也能学会