简介： LLaMA-Factory 是一个国内北航开源的低代码大模型训练框架，专为大型语言模型（LLMs）的微调而设计
LLaMA-Factory：大语言模型微调框架
一、功能特点
LLaMA-Factory 是一个国内北航开源的低代码大模型训练框架，专为大型语言模型（LLMs）的微调而设计。其主要功能特点包括：
高效且低成本：能够高效且低成本地支持对100多个模型进行微调，简化了模型微调的过程。 易于访问和使用：提供了友好的用户界面，用户无需编写代码即可轻松定制和微调LLMs。 丰富的数据集选项：支持多个数据集选项，用户可以选择自带的数据集或自己生成数据集进行微调。 多样化的算法支持：集成了业界最广泛使用的微调方法和优化技术，如LoRA、GaLore、DoRA等。 实时监控和评估：支持集成TensorBoard、VanDB和MLflow等监控工具，便于实时监控训练过程和评估模型性能。 极速推理：提供了基于vLLM的OpenAI风格API、浏览器界面和命令行接口，实现快速推理。二、安装
LLaMA-Factory 的安装相对简单，以下是一般的安装步骤（以conda环境为例）：
创建Python环境：
使用conda创建一个新的Python环境，并安装必要的依赖库，如PyTorch等。
克隆LLaMA-Factory项目：
通过Git克隆LLaMA-Factory的源代码到本地。
git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
安装依赖：
进入项目目录，安装必要的Python依赖库。
cd LLaMA-Factory
pip install -e ".[torch,metrics]"
启动服务：
在项目目录中运行python src/train_web.py启动服务，然后在浏览器中访问相应的端口（默认可能是7860）以访问训练界面。
三、支持的算法
LLaMA-Factory 支持多种先进的微调算法和模型，包括但不限于：
多种模型：LLaMA、LLaVA、Mistral、Mixtral-MoE、Qwen、Yi、Gemma、Baichuan、ChatGLM、Phi 等等。 集成方法：（增量）预训练、（多模态）指令监督微调、奖励模型训练、PPO 训练、DPO 训练、KTO 训练、ORPO 训练等等。 多种精度：16 比特全参数微调、冻结微调、LoRA 微调和基于 AQLM/AWQ/GPTQ/LLM.int8/HQQ/EETQ 的 2/3/4/5/6/8 比特 QLoRA 微调。 先进算法：GaLore、BAdam、DoRA、LongLoRA、LLaMA Pro、Mixture-of-Depths、LoRA+、LoftQ、PiSSA 和 Agent 微调。 实用技巧：FlashAttention-2、Unsloth、RoPE scaling、NEFTune 和 rsLoRA。 实验监控：LlamaBoard、TensorBoard、Wandb、MLflow 等等。 极速推理：基于 vLLM 的 OpenAI 风格 API、浏览器界面和命令行接口。四、性能指标
与 ChatGLM 官方的 P-Tuning 微调相比，LLaMA Factory 的 LoRA 微调提供了 3.7 倍的加速比，同时在广告文案生成任务上取得了更高的 Rouge 分数。结合 4 比特量化技术，LLaMA Factory 的 QLoRA 微调进一步降低了 GPU 显存消耗。
GPU现存消耗：
五、微调例子
以下是一个使用LLaMA-Factory对Yuan2.0模型进行LoRA微调的例子：
准备数据集：准备自定义的数据集，可以是JSON格式，包含指令、输入和输出等信息。 注册数据集：
在LLaMA-Factory的数据集管理文件中注册自定义的数据集。 启动Web UI服务：
运行
python src/train_web.py启动Web UI服务，并在浏览器中打开相应的地址。
配置微调参数：在Web界面上配置模型路径、微调方法（选择LoRA）、数据集等参数。 开始微调：
点击“开始”按钮开始微调过程，可以在界面中查看训练进度和损失函数等信息。 评估模型：
微调完成后，使用LLaMA-Factory提供的评估工具对模型进行评估，检查模型性能是否有所提升。
通过以上步骤，用户可以利用LLaMA-Factory轻松实现LLMs的微调，提升模型在特定任务上的性能。
如何系统的去学习大模型LLM ？
作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~
?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、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI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。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
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
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词 L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用 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- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节 L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景 L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例 L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例 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学习计划：
阶段1：1-2个月，建立AI大模型的基础知识体系。 阶段2：2-3个月，专注于API应用开发能力的提升。 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。 阶段4：4-5个月，专注于高级模型的应用和部署。
这份完整版的所有 ⚡️ 大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
全套 《LLM大模型入门+进阶学习资源包》↓↓↓ 获取~
?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）?
总结
### LLaMA-Factory大语言模型微调框架总结**概述**：
LLaMA-Factory是北航开源的低代码大模型训练框架，专门为大型语言模型（LLMs）的微调设计。它具备高效低成本、易于访问使用、丰富数据集选项等特点，旨在简化模型微调过程，加速科研及实际应用落地。
**功能特点**：
1. **高效且低成本**：支持对100多个模型进行高效且低成本的微调，降低了实验门槛。
2. **易于访问和使用**：提供友好的用户界面，用户无需编写代码即可定制和微调LLMs。
3. **丰富的数据集选项**：除支持现有数据集外，还支持用户自定义数据集用于微调。
4. **多样化的算法支持**：集成多种业界最先进的微调算法和优化技术，包括LoRA、GaLore、DoRA等。
5. **实时监控和评估**：集成TensorBoard、VanDB等工具，方便用户实时监控训练过程和评估模型性能。
6. **极速推理**：提供基于vLLM的OpenAI风格API、浏览器界面及命令行接口，实现快速推理。
**安装步骤（以conda环境为例）**：
1. **创建Python环境**：使用conda创建新环境，并安装PyTorch等必要依赖。
2. **克隆LLaMA-Factory项目**：通过Git克隆到本地。
3. **安装依赖**：在项目目录下安装相关Python依赖库。
4. **启动服务**：运行训练服务，通过浏览器访问训练界面。
**支持的算法与模型**：
LLaMA-Factory涵盖了广泛的模型、方法和精度选项，包括但不限于LoRA、QLoRA、GaLore等算法及多种模型如LLaMA、ChatGLM等。它还提供了多种实验监控工具和极速推理接口。
**性能指标**：
相较于ChatGLM的P-Tuning，LLaMA Factory的LoRA微调在广告文案生成任务上实现了显著加速和性能提升，结合低比特量化技术，进一步降低了GPU显存消耗。
**微调实例**：
- **准备数据集**：准备自定义JSON格式数据集。
- **注册数据集**：在LLaMA-Factory中注册数据集。
- **启动服务**：运行Web服务并在浏览器中访问。
- **配置参数**：在界面上配置模型路径、微调方法及数据集。
- **开始微调**：启动微调过程并在界面中观察训练进度。
- **评估模型**：微调结束后，使用内置评估工具评估模型性能。
**学习资源分享：**
为助力更多人学习大模型技术，本文还为读者提供了全面的《LLM大模型入门+进阶学习资源包》免费获取途径，包括学习路线、报告合集、经典PDF书籍和商业化落地方案等，涵盖从大模型基础到高级应用的全方位学习资源。