1.首先了解一下什么是LLM微调

LLM 微调指的是在已经预训练好的大型语言模型基础上，使用特定的任务数据或领域数据，通过进一步的训练来调整模型的参数，使其在特定任务或领域上能够表现得更好。简单来说，就是对一个已经具备了丰富语言知识的通用大模型进行 “个性化” 调整，以适应更具体的应用场景和需求。

1.1.目的

• 提高特定任务性能：对于像文本生成、机器翻译、问答系统等具体任务，通过微调可以让模型在这些任务上的准确性、流畅性等指标得到显著提升。例如在机器翻译中，微调能使模型更好地处理特定语言对之间的语法、词汇差异，提高翻译质量。

• 适配特定领域：不同领域有其独特的术语、语言风格和知识体系，如医疗、法律领域等。微调可以让模型学习并适应这些领域特点，生成更符合领域规范和需求的文本。比如在医疗领域，经过微调的模型能够准确理解和处理医学术语，为医疗诊断、病历生成等任务提供更专业的支持。

• 减少计算资源消耗：相比从头训练一个大型语言模型，微调通常只需要较少的计算资源和时间成本。因为预训练模型已经学习到了大量的通用语言知识，微调只需在其基础上进行局部调整，就能快速得到一个适用于特定任务或领域的高性能模型。

1.2.方法

• 基于特定任务数据微调

  • 有监督微调：收集大量标注好的特定任务数据，这些数据包含了输入文本和对应的正确输出。例如在情感分类任务中，输入是各种文本内容，标注的输出是积极、消极或中性等情感类别。将这些数据输入到预训练模型中，通过调整模型参数，使模型的输出尽可能接近标注的正确答案，从而让模型学习到特定任务的模式和规律。

  • 无监督微调：利用大量未标注的特定任务数据进行微调。例如在文本生成任务中，虽然没有明确的输出标注，但可以通过让模型学习文本的概率分布，如预测下一个单词或句子，使模型在特定任务的文本风格和语义上更符合要求。

• 基于领域数据微调

  • 领域自适应微调：收集目标领域的文本数据，这些数据具有该领域独特的词汇、句式和语义特点。将预训练模型在这些领域数据上进行微调，使模型能够适应领域语言风格，例如法律领域中频繁出现的法律条文、法律术语等，让模型在处理法律文本时更加准确和专业。

  • 多领域混合微调：有时一个应用可能涉及多个领域，这时可以将多个领域的数据混合起来对模型进行微调，使模型具备处理多领域知识的能力，能够根据输入文本的特点自动切换到相应的领域模式进行处理。

1.3.应用场景

• 智能客服：通过微调可以让语言模型更好地理解和处理客户咨询的常见问题，提供准确、专业的回答，提高客户满意度。

• 内容创作辅助：帮助写作者生成特定风格、主题的文本内容，如新闻报道、文案创作等，为创作者提供灵感和素材。

• 智能教育：根据学生的学习情况和教材内容，生成个性化的学习资料、练习题等，辅助教学和学习。

2.常用微调技术有哪些

2.1.基于全参数的微调技术

• 全量微调（Full Fine - Tuning）

  • 策略内容：在微调过程中，对预训练模型的所有参数都进行更新和调整。将预训练模型作为初始化，然后使用目标任务的标注数据，通过反向传播算法和优化器（如 Adam、SGD 等）来最小化任务特定的损失函数，使模型的所有参数都能够适应新的任务和数据分布。

  • 优势：能够充分利用预训练模型的知识，对模型进行全面的调整，以最大程度地适应目标任务，在数据量充足、计算资源允许的情况下，通常可以取得较好的微调效果，使模型在目标任务上达到较高的性能水平。

• 基于对抗训练的微调

  • 策略内容：引入对抗训练机制，在微调过程中，除了原始的目标任务模型外，还引入一个对抗模型。对抗模型的目标是对目标任务模型的输出进行干扰或攻击，而目标任务模型则要努力学习以抵御对抗模型的干扰，通过两者之间的对抗博弈来优化目标任务模型的参数。

  • 优势：可以提高模型的鲁棒性和泛化能力，使模型在面对各种可能的干扰和攻击时，仍然能够保持较好的性能，增强模型对数据中的噪声、对抗样本等的抵抗力。

2.2.基于部分参数的微调技术

• 层冻结微调（Layer Freezing）

  • 策略内容：在微调时，将预训练模型的某些层的参数冻结，不进行更新，只对模型的部分上层或特定层的参数进行训练。通常底层的层包含了一些通用的语言知识和特征，如词法、句法等信息，将其冻结可以保留预训练模型已学习到的这些基础信息，而只对上层的层进行调整，让模型学习与目标任务相关的更高级的语义和任务特定知识。

  • 优势：减少了需要训练的参数数量，降低计算成本和过拟合的风险，同时能够利用预训练模型底层的通用知识，在一些任务上可以取得较好的效果，特别是当目标任务的数据量相对较少时，层冻结微调可以有效地防止模型过拟合，提高模型的泛化能力。

• 低秩适应微调（Low - Rank Adaptation，LoRA）及 QLoRA

  • LoRA策略内容：通过在预训练模型的权重矩阵上添加低秩分解的矩阵来进行微调。具体来说，对于预训练模型中的每一个权重矩阵，将其分解为两个低秩矩阵的乘积，并在微调过程中只训练这两个低秩矩阵的参数，而原始的预训练模型权重矩阵保持冻结。这样可以在不改变预训练模型主体结构和权重的基础上，通过学习低秩矩阵来适应新的任务，以较小的参数调整量来实现模型的微调。

  • LoRA优势：大大减少了微调时需要训练的参数数量，降低了计算成本和存储需求，同时能够在一定程度上保持预训练模型的性能，在一些自然语言处理任务中，LoRA 能够在不牺牲太多性能的前提下，实现高效的微调，并且可以方便地与其他微调技术结合使用。

  • QLoRA 策略内容：QLoRA 是基于 LoRA 发展出的一种更为高效的大型语言模型微调方法。它先对预训练语言模型采用 4 位量化技术，以 4 位的精度对模型参数进行存储和计算，极大减少内存占用。同时，在模型中引入低阶适配器，这些适配器被插入到预训练模型的不同层。在微调过程中，将固定的 4 位量化预训练语言模型中的梯度反向传播到低阶适配器，通过这种方式让适配器学习特定任务的特征，并依据任务的损失函数更新参数，实现模型对新任务的适应。

  • QLoRA 优势：QLoRA 在保持完整的 16 位微调性能的同时，显著减少内存使用，这使得在资源有限的设备上，如消费级 GPU 或内存较小的服务器，也能够对大型语言模型进行微调。低阶适配器与梯度反向传播机制，让模型微调更具效率，能够较快收敛到较好性能状态，且不会因量化和参数调整方式改变而导致性能大幅下降。

• 参数高效微调技术（PEFT）

  • PEFT 策略内容：PEFT 作为一种 NLP 技术，专注于通过微调一小部分精心挑选的关键参数，使预训练的语言模型有效适应各种应用程序。这些关键参数与特定任务的语义、结构或功能紧密相关。在微调过程中，通过一些技术手段对抗灾难性遗忘，例如对参数调整加以约束或引入正则化项，确保模型在学习新任务时，不会丢失预训练阶段获取的重要知识。

  • PEFT 优势：该技术通过微调少量参数，大幅降低计算和存储成本，无论是训练还是部署，对硬件资源需求都更低，增强了模型扩展性与实用性。在图像分类、稳定扩散等多种模式下，PEFT 仅调整少量参数就能提供与完全微调相当的性能，为实际应用提供了高效且经济的解决方案，同时具备灵活性与通用性，可广泛应用于不同领域和任务的预训练模型微调。

3.Llama Factory介绍

LLaMA-Factory 是一个强大的大型语言模型微调框架：

• 支持多种模型：涵盖 LLaMA、LLaVA、Mistral、Mixtral-MOE、Qwen、Qwen2-VL、Yi、Gemma、Baichuan、ChatGLM、Phi 等 100 多种模型。

• 集成多种方法：包括（增量）预训练、（多模态）监督微调、奖励建模、PPO、DPO、KTO、ORPO 等方法，满足不同任务和场景的需求。

• 运算精度多样：提供 16 位全量微调、冻结微调、LoRA 以及基于 AQLM/AWQ/GPTQ/LLM.int8 的 2/3/4/5/6/8 位 QLoRA 等多种精度选择，可根据硬件资源和任务要求灵活配置。

• 采用先进算法：如 GaLore、Badam、Adam-mini、DoRA、LongLoRA、LLaMA Pro、Mixture-of-Depths、LoRA+、LoftQ、Pissa 和 Agent Tuning 等，提升训练效率和模型性能。

• 实用技巧丰富：集成了 Flash Attention-2、Unsloth、Liger Kernel、RoPE Scaling、Neftune 和 RS LoRA 等技术，优化训练过程。

• 实验监控便捷：支持 Llama Board、TensorBoard、Weights & Biases（wandb）、MLflow、Swan Lab 等多种实验监控工具，方便用户跟踪训练过程和评估模型性能。

• 推理速度更快：提供 OpenAI 风格的 API、Gradio UI 和基于 VLLM 的命令行界面，实现更快的并发推理，提高模型的响应速度。

4.Llama Factory安装部署（ubuntu环境）

4.1. 我的硬件资源

4.2.conda环境检查与安装

4.2.1.conda环境检查

首先确认电脑是否安装过conda

conda --version 

如果已经安装如上图，会提示当前的conda版本。如果没有安装conda会提示conda命令无法识别。

4.2.2.conda环境安装

更新系统包：

sudo apt update
sudo apt upgrade

下载Miniconda:

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

 安装Miniconda:

bash Miniconda3-latest-Linux-x86_64.sh

安装完毕，初始化conda

source ~/.bashrc

最后再进行conda环境检查

conda --version 

4.3. 开始安装Llama Factory

4.3.1. 克隆代码仓库

需要在系统中安装 git 工具。如果未安装，可根据执行下面的命令进行安装。

sudo apt-get install git

使用 git 工具从 GitHub 上克隆 LLaMA - Factory 的代码仓库到本地。

git clone https://github.com/hiyouga/LLaMA-Factory.git

4.3.2. 创建虚拟环境

conda create -n llama_factory python=3.10

使用 conda 工具创建一个名为 llama_factory 的虚拟 Python 环境，并且指定 Python 版本为 3.10。虚拟环境可以隔离不同项目的依赖，避免不同项目之间的依赖冲突。

4.3.3. 激活虚拟环境

conda activate llama_factory

激活之前创建的名为 llama_factory 的虚拟环境。激活后，后续安装的 Python 包都会安装到这个虚拟环境中，而不会影响系统全局的 Python 环境。

4.3.4. 进入项目目录并安装依赖

cd LLaMA-Factory
pip install -r requirements.txt

首先使用 cd 命令进入之前克隆下来的 LLaMA-Factory 项目目录。

然后使用 pip 工具根据 requirements.txt 文件中列出的依赖项，安装项目所需的所有 Python 包。requirements.txt 文件通常包含了项目运行所需的各种库及其版本信息。

5.下载deepseek模型

模型地址：https://huggingface.co/deepseek-ai/DeepSeek-R1-Distill-Qwen-32B

我这里选择的是32B的模型

执行命令：

GIT_LFS_SKIP_SMUDGE=1 git clone https://huggingface.co/deepseek-ai/DeepSeek-R1-Distill-Qwen-32B

然后执行命令，进入刚刚的下载目录：

cd DeepSeek-R1-Distill-Qwen-32B

 开始下载模型文件：

wget "https://huggingface.co/deepseek-ai/DeepSeek-R1-Distill-Qwen-32B/resolve/main/model-00001-of-000008.safetensors?download=true"

 我选择的32B模型一共8个模型文件，等待一一下子结束。

6.启动LLaMA-Factory WebUI界面

进入之前LLaMA-Factory下载目录。我下载到了桌面，你需要根据自己的目录进行调整

​​​​​​​cd ~/Desktop/LLaMA-Factory

CUDA_VISIBLE_DEVICES=0 python src/webui.py

​​​​​​​

出现上面的报错，才想起来我之前重新了虚拟机，需要重新激活虚拟环境。

conda activate llama_factory

再次执行启动WebUI命令

CUDA_VISIBLE_DEVICES=0 python src/webui.py

启动成功！

到此，微调环境以及搭建完毕，接下来我们就可以整理训练数据集，开始训练了。