一、引言
贫富差距的产生是信息差，技术贫富差距的产生亦如此。如果可以自我发现或者在别人的指导下发现优秀的开源项目，学习或工作效率真的可以事半功倍。
今天力荐的项目是LLaMA-Factory，我在去年8月份就开始使用这个项目进行模型部署和微调训练（fine tune），当时各家大模型仅限于推理测试，OpenAI还没有对外提供微调服务，加上这个项目部署丝滑（更新及时，不会出现环境依赖问题，代码逻辑上几乎无错误），觉得好牛啊。现在来看项目已经达到22K星，果然酒深不怕巷子香。
本文的核心价值在于适配国内网络环境：官方文档是以国际hugging face库为示例，本篇文章以国内modelscope库为示例。让国内网络环境用户进行大模型微调训练更加丝滑。
二、LLaMA-Factory项目介绍
2.1 项目特色
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 训练和 ORPO 训练。 多种精度：32 比特全参数微调、16 比特冻结微调、16 比特 LoRA 微调和基于 AQLM/AWQ/GPTQ/LLM.int8 的 2/4/8 比特 QLoRA 微调。 先进算法：GaLore、BAdam、DoRA、LongLoRA、LLaMA Pro、Mixture-of-Depths、LoRA+、LoftQ 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。2.2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。
Training Speed: 训练阶段每秒处理的样本数量。（批处理大小=4，截断长度=1024） Rouge Score: 广告文案生成任务验证集上的 Rouge-2 分数。（批处理大小=4，截断长度=1024） GPU Memory: 4 比特量化训练的 GPU 显存峰值。（批处理大小=1，截断长度=1024） 我们在 ChatGLM 的 P-Tuning 中采用 pre_seq_len=128，在 LLaMA Factory 的 LoRA 微调中采用 lora_rank=32。2.3支持模型
默认模块应作为 --lora_target 参数的默认值，可使用 --lora_target all 参数指定全部模块以取得更好的效果。 对于所有“基座”（Base）模型，–template 参数可以是 default, alpaca, vicuna 等任意值。但“对话”（Instruct/Chat）模型请务必使用对应的模板。 请务必在训练和推理时使用完全一致的模板。2.4训练方法
这里特别说一下，本框架不仅支持预训练（Pre-Training）、指令监督微调训练（Supervised Fine-Tuning），还是支持奖励模型训练（Reward Modeling）、PPO、DPO、ORPO等强化学习训练
各训练阶段的含义参考此图：
2.5硬件依赖
不同尺寸的模型，不同训练方式，所需GPU显存见下表，在工作中经常被问到需要多少资源，建议收藏
三、LLaMA-Factory项目安装、部署
这里建议使用docker compose部署，conda及docker部署方式见项目文档。
3.1 拉取项目代码
代码语言：javascript
git clone https://github.com/hiyouga/LLaMA-Factory.git
3.2 项目目录结构
代码语言：javascript
[root@localhost LLaMA-Factory]# tree -d
.
├── assets
├── data //训练数据放在这，里面有配置文件可以新增自己的数据
│ ├── belle_multiturn
│ ├── example_dataset
│ ├── hh_rlhf_en
│ ├── mllm_demo_data
│ └── ultra_chat
├── evaluation //评测脚本在这里
│ ├── ceval
│ ├── cmmlu
│ └── mmlu
├── examples //各种推理、训练的配置文件在这里（以前还是shell脚本，现在是配置文件了）
│ ├── accelerate
│ ├── deepspeed
│ ├── extras
│ │ ├── badam
│ │ ├── fsdp_qlora
│ │ ├── galore
│ │ ├── llama_pro
│ │ ├── loraplus
│ │ └── mod
│ ├── full_multi_gpu
│ ├── inference
│ ├── lora_multi_gpu
│ ├── lora_single_gpu
│ ├── merge_lora
│ └── qlora_single_gpu
├── hf_cache //docker镜像中关联的huggingface目录，存储从hf库下载的模型，本文不用
├── ms_cache //docker镜像中关联的modelscope目录，存储从ms库下载的模型，本文用这个
│ └── hub
│ ├── baichuan-inc
│ │ └── Baichuan2-7B-Chat //现在了百川2-7B举例
│ └── temp
├── output //训练输出的ckpt模型数据在这里
├── scripts //训练代码依赖的脚本
├── src //核心目录，源代码在这里
│ └── llmtuner
│ ├── api
│ ├── chat
│ ├── data
│ ├── eval
│ ├── extras
│ ├── hparams
│ ├── model
│ │ └── utils
│ ├── train
│ │ ├── dpo
│ │ ├── orpo
│ │ ├── ppo
│ │ ├── pt
│ │ ├── rm
│ │ └── sft
│ └── webui
│ └── components
└── tests //测试代码
55 directories
3.3 Dockerfile适配国内网络环境
代码语言：javascript
[root@localhost LLaMA-Factory]# vim Dockerfile
FROM nvcr.io/nvidia/pytorch:24.01-py3
WORKDIR /app
COPY requirements.txt /app/
RUN pip install -r requirements.txt -i https://mirrors.cloud.tencent.com/pypi/simple
#修改点1：在官方代码中加入腾讯pip镜像，否则默认镜像拉取依赖包极慢
COPY . /app/
RUN pip install -e .[deepspeed,metrics,bitsandbytes,qwen,modelscope] -i https://mirrors.cloud.tencent.com/pypi/simple
#修改点2：同上，在官方代码中加入腾讯pip镜像，否则默认镜像拉取依赖包极慢
#修改点3：在可选依赖包内加入modelscope，这样就可以下载modelscope的模型了
VOLUME [ "/root/.cache/modelscope/", "/app/data", "/app/output" ]
#修改点4：匿名卷中，将/root/.cache/huggingface/改为/root/.cache/modelscope/
#小知识：docker run -v与Dockerfile中VOLUME的区别：
#VOLUME主要用于具有数据存储需求的Dockerfile中，以免用户docker run忘记指定-v导致容器删除后，造成的数据丢失，这个项目要存储模型、训练数据、训练输出的模型数据，所以分别建立这3个匿名卷
#如果没有-v指定，默认存储在/var/lib/docker/volumes/{容器ID}中，如果-v指定，则存储在指定目录中
EXPOSE 7860
#默认指定监听的端口
CMD [ "llamafactory-cli", "webui" ]
#镜像模型启动模型为webui,我觉得也可以改为train、chat、expose、api，还没试。
3.4 docker-compose.yml适配国内网络环境
代码语言：javascript
[root@localhost LLaMA-Factory]# vim docker-compose.yml
version: '3.8'
services:
llama-factory:
build:
dockerfile: Dockerfile
context: .
container_name: llama_factory
volumes:
- ./ms_cache:/root/.cache/modelscope/
#修改点1：将./ms_cache:/root/.cache/huggingface/修改为./ms_cache:/root/.cache/modelscope/，使用Dockerfile里建立的modelscope挂载点
- ./data:/app/data
- ./output:/app/output
environment:
- CUDA_VISIBLE_DEVICES=1
#修改点2：nvidia-smi看看服务器哪张卡显存充足，指定为对应的显卡，目前webui仅支持单卡，多卡训练请使用命令行。
- USE_MODELSCOPE_HUB=1
#修改点3：环境变量中加入USE_MODELSCOPE_HUB=1，采用从modelscope库中下载模型
ports:
- "7860:7860"
ipc: host
deploy:
resources:
reservations:
devices:
- driver: nvidia
count: "all"
capabilities: [gpu]
restart: unless-stopped
3.5 docker compose方式启动
修改完Dockerfile和docker-compose.yml之后，就可以打本地镜像启动啦，期待您一遍过～
代码语言：javascript
docker compose -f ./docker-compose.yml up -d
# -f 指定docker-compose.yml
# -d 后台运行，可以使用docker logs llama_factory -f --tail 100查看启动日志
如果启动没问题，在浏览器输入宿主机ip+7860（如123.123.123.123:7860）进入webui界面，恭喜！
四、LLaMA-Factory项目微调训练
终于来到我们最喜欢的炼丹环节！开发工作中，搭环境永远是最麻烦的，雨过天晴，让我们一起训练大模型吧！
4.1 大模型微调训练-Train（训练）
根据WebUI逐个勾选参数，点击预览命令便会生成后台执行的命令，这个命令可以保存下来，以命令行方式运行也是可以的，点击开始进行训练，下面参照命令说明每个参数的意义。
代码语言：javascript
CUDA_VISIBLE_DEVICES=1 llamafactory-cli train \
--stage sft \ #指定sft微调训练，可选rm，dpo等
--do_train True \ #训练是do_train，预测是do_predict
--model_name_or_path baichuan-inc/Baichuan2-7B-Chat \ #模型目录，如果网络不行，可以配置本地目录，但今天的modelscope教程已经解决这个问题
--finetuning_type lora \ #训练类型为lora，也可以进行full和freeze训练
--quantization_bit 4 \ #量化精度，4bit，可选8bit和none不量化
--template baichuan2 \ #模版，每个模型要选对应的模版，对应关系见上文
--flash_attn auto \ #flash attention，闪光注意力机制，一种加速注意力计算的方法，后面会专门写一篇，baichuan2暂不支持，这里选auto，对于支持的模型可以选择fa2
--dataset_dir data \ #数据目录
--dataset oaast_sft_zh \ #数据集，可以通过更改dataset_info.json文件配置自己的数据集
--cutoff_len 1024 \ #截断长度
--learning_rate 5e-05 \ #学习率，AdamW优化器的初始学习率
--num_train_epochs 20.0 \ #训练轮数，需要执行的训练总轮数
--max_samples 100000 \ #最大样本数，每个数据集的最大样本数
--per_device_train_batch_size 1 \ #批处理大小，每个GPU处理的样本数量，推荐为1
--gradient_accumulation_steps 1 \ #梯度累积，梯度累积的步数,推荐为1
--lr_scheduler_type cosine \ #学习率调节器,可选line,constant等多种
--max_grad_norm 1.0 \ #最大梯度范数,用于梯度裁剪的范数
--logging_steps 100 \ #日志间隔，每两次日志输出间的更新步数
--save_steps 5000 \ #保存间隔，每两次断点保存间的更新步数。
--warmup_steps 0.1 \ #预热步数，学习率预热采用的步数。
--optim adamw_torch \ #优化器，使用的优化器：adamw_torch、adamw_8bit 或 adafactor
--packing False \
--report_to none \
--output_dir saves/Baichuan2-7B-Chat/lora/train_2024-05-13-06-18-23 \ #数据目录
--fp16 True \ #计算类型，可以fp16、bf16等
--lora_rank 32 \ #LoRA秩，LoRA矩阵的秩大小，越大精度越高，推荐32
--lora_alpha 16 \ #LoRA 缩放系数
--lora_dropout 0 \
--lora_target W_pack \ #模型对应的模块，具体对应关系见上文
--val_size 0.1 \
--evaluation_strategy steps \
--eval_steps 5000 \
--per_device_eval_batch_size 1 \
--load_best_model_at_end True \
--plot_loss True
项目经过长时间的积淀，支持的功能非常全面，写了一些Lora的参数说明，后面还有RLHF、GeLore参数说明，BAdam参数说明，文章会逐渐补全，对于重点微调技术，后面会单独开文章讲解。
4.2 大模型微调训练-Evaluate&Predict（评估&预测）
评估&预测模块，针对微调完成的模型进行评估。
根据勾选参数预测&评估的命令如下，多数都好理解，不再赘述
代码语言：javascript
CUDA_VISIBLE_DEVICES=1 llamafactory-cli train \
--stage sft \
--model_name_or_path baichuan-inc/Baichuan2-7B-Chat \
--finetuning_type lora \
--quantization_bit 4 \
--template baichuan2 \
--flash_attn auto \
--dataset_dir data \
--dataset oaast_sft_zh \
--cutoff_len 1024 \
--max_samples 100000 \
--per_device_eval_batch_size 2 \
--predict_with_generate True \
--max_new_tokens 512 \
--top_p 0.7 \
--temperature 0.95 \
--output_dir saves/Baichuan2-7B-Chat/lora/eval_2024-05-13-06-18-23 \
--do_predict True
执行成功后，可以看到进度条。
4.3 大模型微调训练-Chat（对话）
在训练、评估之后，可以进行Chat测试，如果配置了微调后的适配器路径，就会将基座模型与微调模型合并在一起进行测试，如果不配置适配器路径，只对基座模型进行测试。
推理引擎默认为huggingface，可以选择vllm进行加速。
4.4 大模型微调训练-Export（导出）
模型导出，可将基座模型与微调后的模型合并到出，一键完成。
五、总结
本文先对LLaMA-Factory项目进行介绍，之后逐行详细介绍了该项目在国内网络环境下如何安装、部署，最后以Baichuan2-7B为例，通过讲解训练参数的方式详细介绍了基于LLaMA-Factory WebUI的大模型微调训练。
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）?
总结