面对训练好的通用的大语言模型，例如Llama3-8B，虽然在认知理解，知识问答，逻辑推理，数学，代码方面都表现很好。但是其在特定领域的知识是比较缺乏的，而且对中文问答表现也不是很好，经常出现中英文混答的问题。

所以打造一个属于自己的大模型，非常有必要！

由于原生的Llama3模型训练的中文语料占比非常低，因此在中文的表现方面略微欠佳！本教程就以Llama3-8B-Instruct开源模型为模型基座，通过开源程序LLaMA-Factory来进行中文的微调，提高Llama3的中文能力！

认识LLaMA-Factory

LLaMA-Factory是一个易用且高效的LLM微调工具箱。

• 支持多种模型
• 支持多种训练方法，例如增量预训练，指令跟随微调，PPO训练，DPO训练等
• 支持多种高效微调方法，例如全参数微调，冻结微调，LoRA微调等

这里我们选择指令跟随微调。更多的微调训练范式可以参考之前的文章XTuner微调LLM实践。

指令跟随微调，一般是采用SFT**有监督的数据集进行微调，SFT数据集，表现形式一般是一问一答，一条数据一个标签的格式。

安装LLaMA-Factory

从Github上面下载最新的代码，并安装

git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
pip install -e ".[torch,metrics]"

官方提供了一键运行方式，可以分别实现对 Llama3-8B-Instruct 模型进行 LoRA 微调、推理和合并。

llamafactory-cli train examples/train_lora/llama3_lora_sft.yaml
llamafactory-cli chat examples/inference/llama3_lora_sft.yaml
llamafactory-cli export examples/merge_lora/llama3_lora_sft.yaml

但是我们选择，通过LLaMA Board实现可视化微调（由Gradio驱动），启动命令如下：

llamafactory-cli webui

访问链接地址 http://127.0.0.1:7860/

可以看到有Train（训练），Evaluate&Predict（评估和预测），Chat（对话），Export（导出）四个模块。

准备模型

我们可以选择从 OpenXLab** 上下载 Meta-Llama-3-8B-Instruct 的权重。

git lfs install
git clone https://code.openxlab.org.cn/MrCat/Llama-3-8B-Instruct.git Meta-Llama-3-8B-Instruct

点击Chat，选择好我们的模型名称LLaMA3-8B-Chat，模型位置path需要更改成，我们自己下载的离线模型位置。

可以看到，推理引擎可选：huggingface**，vllm。我们选择huggingface，然后点击加载模型。

加载占用的显存大小约16GB：

准备数据集

准备数据集，需要庞大且细致的工程。

数据工程概述：

1. 数据收集（可以从网络收集，或者利用现有的大模型，例如GPT-4来生成）
2. 数据清洗
3. 数据格式转换，转换成特定的格式，一般是json
4. 得到准备好的数据集Dataset**，一般我们准备好的数据集，还需要分成训练数据集和测试数据集

本教程我们选择LLaMA-Factory自带的数据集进行微调，位置在 /root/LLaMA-Factory/data/。

选择alpaca_gpt4_zh数据集，文件大小约为 34MB，选择预览数据集。

开始训练

包含微调方法有：full，freeze，lora。

训练方式包括：Supervised Fine-Tuning，Reword Modeling，PPO，DPO等。

为了节省算力和运行时间，我们选择LoRA微调方法，采用指令监督微调。在原有的大模型之前添加一个Adapter层。

让LLM套上LoRA之后，有了新的灵魂。关于LoRA的细节，可以参考文章XTuner微调LLM实践。

Web UI上面展示的训练指令：

展示的就是我们微调大模型常见的超参数配置，有关于超参数的分析，会在之后的文章给大家分享。

训练日志展示：

训练所需要的资源

我们的微调机器配置，是24GB显存的A100单卡机。

此时占用显存空间约为22GB。

完成LoRA微调，花费了9.5小时：

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​