阅读量:0
一、安装 LLaMA Factory
git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git #拉取代码到本地
cd LLaMA-Factory #进入目录conda create -n llamafactory python=3.11 #创建python环境
conda activate llamafactory #进入conda环境
pip install -e ".[torch,metrics]" #下载环境包可选的额外依赖项：torch、torch-npu、metrics、deepspeed、bitsandbytes、hqq、eetq、gptq、awq、aqlm、vllm、galore、badam、qwen、modelscope、quality
因为我们后续单机多卡会用到deepspeed，所以我们可以提前下载
pip install deepspeed
当我们安装好环境后，可以看一下我们的llama-factory的版本，命令： llamafactory-cli env
二、LLaMA Board
他是一个可视化的web页面，可以手动去配置参数，可进行推理，微调，非常的方便，由gradio驱动。
启动命令：
llamafactory-cli webui
我们也可以在启动之前限制显卡等等数量，启动命令如下：
export CUDA_VISIBLE_DEVICES=1,2,3,4llamafactory-cli webui
打开链接后的页面展示
每个参数的作用这里我就不具体解释了，网上一搜一大把，如果是新手，我建议去bilibili搜一个LLaMA Board参数讲解视频细心看完！！！
2.1 inference
下面我们来做一个简单的推理测试，我本次的测试模型是qwen2-7b-instruct
1.第一步先点击chat
2.第二部选择你的模型名称
3.粘贴模型路径
2.2 train
首先选择模型和数据还有微调方式
然后选择保存模型的位置
注：如果你的模型比较大，一台显卡无法加载你的模型，你可以选择使用deepspeed单机多卡，DeepSpeed stage选择zero3，如果你一张显卡能够微调，但你有多张显卡的话，这里建议你使用zero2，可以提高接近两倍的训练速度，也就是节省一半的时间
可以看到后台正在训练
前端也可以看到loss在下降，说明模型在正常训练
2.3 train_xinference
当我们训练好模型后，我们可以先测试一下模型的后坏，如果认为模型没问题的话我们再合并模型。
这是我们微调后模型的参数的保存位置
我们进入checkpoint-45，然后复制模型路径，粘贴到检查点路径位置上，然后点击加载模型
2.4 merge_model
我们只需要配置下面箭头指向的几个位置就可以了
注：模型分块不要太大，太大的话会按默认参数，不会按你设置的参数去分块
三、命令形式
3.1 inference
3.1.1 cli-inference
首先进入inference的参数文件配置路径
cd ~/LLaMA-Factory/examples/inference然后查看llama.yaml文件的内容
然后复制内容，内容如下
model_name_or_path: meta-llama/Meta-Llama-3-8B-Instruct
template: llama3
再新建一个yaml的文件，把内容换成你的模型路径和template
格式如下
model_name_or_path: 模型路径
template:选择见下图
我还是那Qwen2举例子，下图是我的参数配置
然后运行推理命令
CUDA_VISIBLE_DEVICES=2 llamafactory-cli chat examples/inference/qwen2_7b_instruct.yaml
注：主要执行命令时自己的所在路径！！！！！！
3.1.2 webchat-inference
现在我们来演示一下web推理加载方式
llamafactory-cli webchat examples/inference/qwen2_7b_instruct.yaml
3.2 train
3.2.1 single_train
如果你只要一台显卡，那么就使用单卡训练
首先进入路径，修改单卡训练的文件配置
cd ~/LLaMA-Factory/examples/train_lora
尽量不要在原文件上修改，我们自己创建一个yaml文件，然后按llama3_lora_sft.yaml文件的格式进行修改，这次我们拿glm4-9B-chat举例子
具体参数配置如下，有些参数如果你理解的话也可以自行更改，我这里用的是官方的数据，如果想用自己构建的数据集，需要到data目录下修改dataset_info.json文件然后启动训练命令
CUDA_VISIBLE_DEVICES=0 llamafactory-cli train examples/train_lora/glm4_lora_sft.yaml
下面就开始训练了！
3.2.2 multi_train
如果你的模型参数比较大，一张卡无法加载你的模型参数，那么你就需要使用单机多卡来训练模型，你可选择deepspeed的zero3，如果你的一张显卡能够加载模型参数，你又有多张卡，可以选择zero2，使数据并行，这样可以大大减少训练时间。
加入我现在使用的是qwen2-72b-instruct模型，一张卡无法加载模型参数，这个时候我们必须使用deepspeed的zero3，我们就新建一个yaml文件，参考llama3_lora_sft_ds3.yaml文件内容。
vim glm4_lora_sft_ds3.yaml
然后启动训练命令
export CUDA_VISIBLE_DEVICES=2,3
llamafactory-cli train examples/train_lora/glm4_lora_sft_ds3.yaml
模型开始训练了！
3.3 train_inference
当我们训练好模型参数后，可以先验证一下训练参数的好坏再进行模型合并
进入~/LLaMA-Factory/examples/inference路径下，新建一个yaml文件，参照llama3_lora_sft.yaml修改文件配置
cd ~/LLaMA-Factory/examples/inference
export CUDA_VISIBLE_DEVICES=1,2
llamafactory-cli webchat examples/inference/glm4_lora_sft.yaml
单机url，改成自己的IP就可以打开web页面进行模型测试了
3.4 merge_model
进入~/LLaMA-Factory/examples/merge_lora目录下，参考llama3_lora_sft.yaml文件创建并修改glm4_lora_sft.yaml文件参数，如下图
然后运行合并模型的命令就可以了！！！
llamafactory-cli export examples/merge_lora/glm4_lora_sft.yaml
3.5 api_model
如果想封装model，然后使用模型的接口，可以使用启动 OpenAI 风格的API
llamafactory-cli api examples/inference/glm4_lora_sft.yaml
四、数据格式修改
我们拿两种格式举例，首先我们需要找到dataset_info.json文件的位置，进入~/LLaMA-Factory/data，目录下有个dataset_info.json,我们需要修改他的参数文件。
4.1 Alpaca 格式
如果你的文件是如下图格式
就按官方的例子修改
例子如下：
4.2 Sharegpt 格式
如果你的文件格式如下：
官方的说明如下：
示例：
只需要修改文件名字和文件路径就可以了！
完结！！！
如果后期有什么疑问，欢迎大家评论区留言
