1. 前言

在如今快速發(fā)展的AI技術(shù)領(lǐng)域，越來越多的企業(yè)正在將AI應(yīng)用于各個場景。然而，盡管大模型（如GPT、DeepSpeek等）在多個任務(wù)上已取得顯著進展，但是普通的大模型在面對特定行業(yè)或任務(wù)時，往往會出現(xiàn)一個問題——AI幻覺。所謂AI幻覺，是指模型生成的內(nèi)容不符合實際需求，甚至包含錯誤或無關(guān)的信息，這對于一些行業(yè)來說，可能帶來不可接受的風(fēng)險，尤其是在醫(yī)療、法律、金融等領(lǐng)域。

對于這些行業(yè)的企業(yè)而言，精準、高效地輸出行業(yè)特定內(nèi)容是他們對AI的核心需求。企業(yè)希望AI能夠處理行業(yè)術(shù)語、應(yīng)對特殊情境，并且確保內(nèi)容的準確性。然而，單純依賴大模型進行推理，往往無法達到這樣的標準，因為大模型的訓(xùn)練是基于通用數(shù)據(jù)集，這些數(shù)據(jù)集通常并不包含行業(yè)領(lǐng)域的深度知識。因此，企業(yè)通常需要一個更加定制化、精細化的模型，而這正是大模型微調(diào)技術(shù)能夠提供的解決方案。

大模型微調(diào)技術(shù)通過對預(yù)訓(xùn)練的大模型進行進一步訓(xùn)練，能夠根據(jù)特定領(lǐng)域的需求進行優(yōu)化。通過提供具有代表性的領(lǐng)域數(shù)據(jù)，尤其是精心標注的行業(yè)特定數(shù)據(jù)，微調(diào)后的模型能夠?qū)W習(xí)這些領(lǐng)域的專有知識，從而有效避免AI幻覺的發(fā)生，并且提供更加準確、有價值的輸出。

本文將從零開始教你一步步入門AI大模型微調(diào)技術(shù)（基于DeepSpeek R1大模型） ，最終實現(xiàn)基于私有化部署的微調(diào)大模型AI會話系統(tǒng)。感興趣的朋友可以繼續(xù)往下看看。

2.大模型微調(diào)概念簡述

大模型微調(diào)是指在已有的預(yù)訓(xùn)練大模型基礎(chǔ)上，通過特定任務(wù)或領(lǐng)域數(shù)據(jù)進行進一步訓(xùn)練，使模型能夠更精準地處理特定任務(wù)。與傳統(tǒng)的訓(xùn)練方法不同，微調(diào)充分利用已有的大模型，減少對大量數(shù)據(jù)的依賴，同時通過對模型進行小范圍的調(diào)整，使其適應(yīng)新的任務(wù)。大模型微調(diào)技術(shù)在多個領(lǐng)域中得到了廣泛應(yīng)用，如文本生成、分類任務(wù)、問答系統(tǒng)等。

微調(diào)的核心目標是使大模型根據(jù)特定任務(wù)需求進行優(yōu)化，提升其在特定應(yīng)用場景中的表現(xiàn)。為實現(xiàn)這一目標，微調(diào)方法主要包括以下兩種分類方式：

1. 按學(xué)習(xí)范式分類：根據(jù)模型學(xué)習(xí)方式的不同，微調(diào)方法可分為有監(jiān)督微調(diào)、無監(jiān)督微調(diào)和半監(jiān)督微調(diào)等類型。
2. 按參數(shù)更新范圍分類：根據(jù)在微調(diào)過程中對模型參數(shù)更新范圍的不同，方法可分為全量微調(diào)和部分微調(diào)等類型。

2.1. 按學(xué)習(xí)范式分類

有監(jiān)督微調(diào)（Supervised Fine-Tuning，SFT）

有監(jiān)督微調(diào)是最常見的微調(diào)方式，適用于任務(wù)明確且具有標注數(shù)據(jù)的情況。通過使用人工標注的高質(zhì)量數(shù)據(jù)對，模型能夠?qū)W習(xí)特定任務(wù)所需的知識，從而在指定任務(wù)上提供準確的輸出。

SFT示例：

training_data = [
    {"input": "問題", "output": "標準答案"},
    # 人工標注的高質(zhì)量數(shù)據(jù)對
]

在有監(jiān)督微調(diào)中，模型的目標是根據(jù)輸入的“問題”生成一個“標準答案”。這個過程依賴于人工標注的數(shù)據(jù)，使模型能夠更好地理解并生成符合實際需求的結(jié)果，有監(jiān)督微調(diào)適用于需要特定答案的任務(wù)，如情感分析、文本分類、機器翻譯、問答系統(tǒng)等。

無監(jiān)督微調(diào)（Unsupervised Fine-Tuning）

無監(jiān)督微調(diào)是一種不依賴人工標注的微調(diào)方式，主要利用大量未標注的文本數(shù)據(jù)進行訓(xùn)練。通過無監(jiān)督學(xué)習(xí)，模型能夠自動從原始數(shù)據(jù)中提取知識，尤其在沒有標注數(shù)據(jù)或標注數(shù)據(jù)獲取困難的情況下尤為有用。

無監(jiān)督微調(diào)示例：

training_data = [
    "大量未標注文本...",
    # 無需人工標注的原始文本
]

這種方式通常用于模型的預(yù)訓(xùn)練過程，模型通過對大規(guī)模文本進行訓(xùn)練，學(xué)習(xí)通用的語言表示能力。無監(jiān)督微調(diào)可以增強模型的語法和語義理解能力，提升其在不同任務(wù)中的表現(xiàn)，無監(jiān)督微調(diào)適用于自然語言建模、生成任務(wù)等場景，幫助模型理解文本的結(jié)構(gòu)和語義關(guān)系。

半監(jiān)督微調(diào)（Semi-Supervised Fine-Tuning）

半監(jiān)督微調(diào)結(jié)合了有監(jiān)督和無監(jiān)督學(xué)習(xí)的優(yōu)點，利用標注數(shù)據(jù)和未標注數(shù)據(jù)來訓(xùn)練模型。常用的方法包括將未標注數(shù)據(jù)通過某種方式生成偽標簽，或利用自監(jiān)督學(xué)習(xí)方法，使模型在標注數(shù)據(jù)較少時也能進行有效訓(xùn)練。

半監(jiān)督微調(diào)示例：

training_data = [
    {"input": "問題", "output": "標準答案"},  # 高質(zhì)量人工標注數(shù)據(jù)
    "大量未標注文本...",  # 用于填充的未標注數(shù)據(jù)
]

半監(jiān)督微調(diào)適用于標注數(shù)據(jù)稀缺的場景，能夠結(jié)合少量標注數(shù)據(jù)和大量未標注數(shù)據(jù)，進一步提升模型表現(xiàn)，這種方法在實際應(yīng)用中尤其適用于標簽獲取困難或成本高昂的領(lǐng)域，如醫(yī)療、法律等行業(yè)。

2.2. 按參數(shù)更新范圍分類

全量微調(diào)（Full Fine-Tuning）

全量微調(diào)是指在對預(yù)訓(xùn)練模型進行微調(diào)時，更新模型的所有參數(shù)。通過對特定領(lǐng)域數(shù)據(jù)的訓(xùn)練，模型的所有層都會根據(jù)新任務(wù)的數(shù)據(jù)進行調(diào)整。全量微調(diào)能夠在模型中深度定制領(lǐng)域知識，最大程度地提升模型在目標任務(wù)中的效果。

全量微調(diào)的特點：

• 更新模型的所有參數(shù)。
• 適用于數(shù)據(jù)量較大且任務(wù)復(fù)雜的場景。
• 訓(xùn)練時間較長，需要大量計算資源。

全量微調(diào)適用于大規(guī)模數(shù)據(jù)集且任務(wù)復(fù)雜的場景，如文本生成、問答系統(tǒng)、情感分析等。它能夠充分利用預(yù)訓(xùn)練模型進行深度學(xué)習(xí)，提供最優(yōu)效果。

部分微調(diào)（Low-Rank Adaptation，LoRA）

部分微調(diào)是一種通過對預(yù)訓(xùn)練模型的部分參數(shù)進行微調(diào)的技術(shù)。LoRA的目標是減少微調(diào)過程中需要更新的參數(shù)數(shù)量，從而顯著降低計算開銷。通過低秩矩陣的方式，LoRA僅更新模型中的某些參數(shù)（如特定層的權(quán)重），使微調(diào)過程更加高效，特別適合計算資源有限的場景。

LoRA的特點：

• 只調(diào)整部分參數(shù)（如低秩矩陣分解）。
• 降低計算和內(nèi)存開銷。
• 適合快速微調(diào)，尤其在資源受限時。

LoRA非常適合在資源有限的情況下快速調(diào)整模型，尤其在需要快速部署且不需要全部模型調(diào)整的場景中非常有用。

在大模型微調(diào)過程中，有監(jiān)督微調(diào)（SFT）與LoRA（Low-Rank Adaptation）相結(jié)合，能夠充分發(fā)揮各自優(yōu)勢，提升模型在特定任務(wù)上的表現(xiàn)。具體而言，SFT通過在人工標注的數(shù)據(jù)上對模型進行微調(diào)，使其適應(yīng)特定任務(wù)；而LoRA則在凍結(jié)預(yù)訓(xùn)練模型權(quán)重的基礎(chǔ)上，引入低秩矩陣進行微調(diào)，減少計算開銷并提高效率。將兩者結(jié)合，可以在保證性能的同時，降低資源消耗。在接下來的部分，我們將詳細探討如何將SFT與LoRA相結(jié)合，進行高效的大模型微調(diào)，并展示其在實際應(yīng)用中的效果。

2.3. 大模型微調(diào)框架簡介

在大模型微調(diào)領(lǐng)域，存在多種框架，每個框架都有其獨特的優(yōu)勢和局限性。以下是幾種常見的大模型微調(diào)框架的介紹與比較：

1. Hugging Face Transformers

Hugging Face Transformers（https://huggingface.co/transformers/） 是目前最為流行的自然語言處理（NLP）框架之一，提供了豐富的預(yù)訓(xùn)練模型和易于使用的 API，廣泛應(yīng)用于各類 NLP 任務(wù)，如文本分類、問答系統(tǒng)等。它的特點是：

• 預(yù)訓(xùn)練模型豐富，支持多種模型，如 BERT、GPT、T5 等。
• 提供了高層次的 API，使得微調(diào)過程簡單易懂。
• 擁有龐大的用戶社區(qū)和文檔支持。

盡管 Hugging Face Transformers 在許多常見任務(wù)中表現(xiàn)優(yōu)秀，但在超大規(guī)模模型的微調(diào)和訓(xùn)練中，可能會面臨性能瓶頸和資源消耗過大的問題。

2. DeepSpeed

DeepSpeed（https://www.deepspeed.ai/ ）是微軟開發(fā)的高效深度學(xué)習(xí)訓(xùn)練框架，專注于優(yōu)化大規(guī)模模型訓(xùn)練的性能。其主要特點包括：

• ZeRO優(yōu)化，顯著減少內(nèi)存占用，提高分布式訓(xùn)練的效率。
• 支持 混合精度訓(xùn)練，加速訓(xùn)練過程并減少內(nèi)存需求。
• 提供分布式訓(xùn)練功能，支持大規(guī)模模型的訓(xùn)練。

DeepSpeed適合大規(guī)模模型的訓(xùn)練，但使用門檻較高，需要深入理解框架的底層實現(xiàn)。

3. Fairseq

Fairseq （https://fairseq.readthedocs.io/）是 Facebook AI Research 開發(fā)的一個高效訓(xùn)練工具，支持多種模型架構(gòu)的訓(xùn)練，如 Transformer 和 BART。其特點為：

• 高性能和靈活性，支持多種任務(wù)，如機器翻譯、文本生成等。
• 容易擴展，支持用戶自定義新的算法和模型。

Fairseq 對于需要靈活定制和擴展的場景非常適合，但其文檔和社區(qū)支持相對有限。

4. LLaMA-Factory（本文使用的框架）

LLaMA-Factory （https://llamafactory.readthedocs.io/）是由國內(nèi)北航開源的低代碼大模型訓(xùn)練框架，旨在簡化大模型微調(diào)過程，尤其是在支持低代碼甚至零代碼操作的基礎(chǔ)上，提供極大的便利。其主要特點包括：

• 零代碼操作：通過 Web UI（LlamaBoard），用戶無需編寫代碼即可完成大規(guī)模模型的微調(diào)。
• 高效的訓(xùn)練方法：結(jié)合 LoRA（低秩適配）和 QLoRA 等先進技術(shù)，在保證模型性能的同時，顯著降低了計算資源消耗。相較于其他框架，LLaMA-Factory 提供了更高的微調(diào)效率。
• 廣泛的模型支持：支持 LLaMA、Mistral、Qwen 等多種流行的預(yù)訓(xùn)練模型，適應(yīng)性強。
• 低成本和高性能：通過量化技術(shù)和高效算法，LLaMA-Factory 可降低模型訓(xùn)練成本，同時加速訓(xùn)練過程。

LLaMA-Factory 適合企業(yè)和研究人員需要快速、高效地微調(diào)大模型并在特定任務(wù)中應(yīng)用時，尤其在低資源條件下表現(xiàn)突出。

每個大模型微調(diào)框架都有其適用場景和優(yōu)勢。Hugging Face Transformers 以其豐富的模型和簡便的 API 受到廣泛歡迎，適合大多數(shù) NLP 任務(wù)。DeepSpeed 在處理超大規(guī)模模型時表現(xiàn)優(yōu)異，適合對性能要求極高的訓(xùn)練任務(wù)。Fairseq 則適合需要靈活定制和高性能訓(xùn)練的應(yīng)用場景。而 LLaMA-Factory 則在提高訓(xùn)練效率、降低成本和簡化操作方面展現(xiàn)出巨大的優(yōu)勢，尤其在零代碼操作和多種微調(diào)技術(shù)的結(jié)合下，使得大模型的微調(diào)過程更加輕松和高效。對于希望快速實現(xiàn)大模型微調(diào)的用戶，LLaMA-Factory 無疑是一個值得優(yōu)先考慮的選擇。

3. DeepSpeek R1大模型微調(diào)實戰(zhàn)

3.1.LLaMA-Factory基礎(chǔ)環(huán)境安裝

1.安裝 Anaconda（Python 環(huán)境管理工具）

(1) 下載 Anaconda：

• 訪問 Anaconda 官網(wǎng) 下載適用于 Windows 系統(tǒng)的安裝包，記得選擇 Python 3.10 版本。
• 安裝包約 800MB，耐心等待下載完成。

(2)安裝 Anaconda（已經(jīng)安裝了Anaconda就跳過這步）：

• 雙擊下載的安裝程序，按照提示進行安裝。
• 安裝過程中，建議勾選“Add Anaconda to PATH”選項，這樣方便在命令行中使用，如果你忘記勾了也沒關(guān)系，后續(xù)自行配置一下環(huán)境變量就行了（環(huán)境變量->系統(tǒng)變量->Path中新增下圖內(nèi)容）：

   安裝完成后，點擊“Finish”結(jié)束安裝。

2.安裝 Git（已經(jīng)安裝了git就跳過這步）：

(1)下載 Git：

• 訪問 Git 官網(wǎng) 下載適用于 Windows 的安裝包。

(2)安裝 Git：

• 雙擊安裝程序，并按照默認選項進行安裝。
• 安裝過程中大部分選項可以保持默認，完成安裝后即可使用 Git。

3.創(chuàng)建項目環(huán)境

打開Anaconda Prompt（從Windows開始菜單找到），執(zhí)行：

# 創(chuàng)建新的環(huán)境
conda create -n llama pythnotallow=3.10
#運行 conda init 初始化
conda init
#這個命令會修改你的 shell 配置文件（例如 .bashrc、.zshrc 等），以便能夠正確使用 conda 命令。
#conda init 執(zhí)行后，需要重新啟動命令提示符。關(guān)閉當前的命令提示符窗口，然后重新打開一個新的命令提示符窗口。
# 激活環(huán)境
conda activate llama

4.安裝PyTorch（AI框架）

在同一個命令窗口繼續(xù)執(zhí)行（llma環(huán)境）：

# 安裝PyTorch（支持CUDA的版本）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu11

5.安裝LLaMA-Factory

找到一個目錄存放LLaMA-Factory項目，打開git命令窗口執(zhí)行：

# 克隆項目
git clone https://github.com/hiyouga/LLaMA-Factory.git

下載完成后使用pycharm打開LLaMA-Factory工程

安裝項目依賴

安裝的時候確保你的環(huán)境是llma（也可以在外部命令窗口執(zhí)行，這個看你自己，核心是保證依賴下載到llma環(huán)境）：

pip install -e ".[torch,metrics]"

驗證安裝

# 測試是否安裝成功
llamafactory-cli version

啟動 LLama-Factory 的可視化微調(diào)界面

llamafactory-cli webui

打開http://localhost:7860/ ，你會看到以下界面：

3.1大模型下載

打開HuggingFace 官網(wǎng)（https://huggingface.co），我這里還是以deepspeek為例（1.5b）來演示，這幾天qwq也很火，感興趣的朋友也可以試試，不過要預(yù)先明確好你的電腦能承載多大的模型，關(guān)于deepspeek模型對于電腦規(guī)格的需求，我放在了我的另外一篇博客里：DeepSpeek服務(wù)器繁忙？這幾種替代方案幫你流暢使用?。ǜ奖镜夭渴鸾坛蹋?/span>

修改大模型存放位置：$env:HF_HOME = "E:\soft\Hugging-Face"

修改大模型下載位置：$env:HF_ENDPOINT=" 

安裝huggingface_hub：pip install -U huggingface_hub

下載DeepSeek-R1模型：huggingface-cli download --resume-download deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B

3.2. 大模型訓(xùn)練

在llaMA-Factory界面（http://localhost:7860/）加載模型，圖中我選的位置是E:\soft\Hugging-Face\hub\models--deepseek-ai--DeepSeek-R1-Distill-Qwen-1.5B\snapshots\ad9f0ae0864d7fbcd1cd905e3c6c5b069cc8b562，微調(diào)方法選擇lora，訓(xùn)練階段選擇SFT（有監(jiān)督微調(diào)）

接下來就是準備訓(xùn)練數(shù)據(jù)集了，在LLaMA-Factory工程中，打開data文件夾下的READ_ME.md文件，查看框架支持的訓(xùn)練數(shù)據(jù)集：

我按照identity.json的格式模擬了一個xfc.json（數(shù)據(jù)量太少會導(dǎo)致訓(xùn)練效果不好，盡量自己多生成一些）：

[
  {
    "instruction": "你是誰？",
    "input": "",
    "output": "喵嗚~我是小肥腸，一只會說話的小肥貓，是喵喵咖啡廳的服務(wù)員！今天有什么我可以幫你的嗎？??"
  },
  {
    "instruction": "你是貓咪嗎？",
    "input": "",
    "output": "沒錯！我是貓咪，我叫小肥腸，是喵喵咖啡廳的服務(wù)員哦~喜歡貓咪嗎？"
  },
  {
    "instruction": "你會做什么？",
    "input": "",
    "output": "我是喵喵咖啡廳的服務(wù)員！我的工作是給客人提供溫暖的咖啡和甜點，讓大家感到開心和放松！我可是個超棒的咖啡品鑒師哦！"
  },
  {
    "instruction": "你在咖啡廳做什么工作？",
    "input": "",
    "output": "喵~我負責(zé)為客人提供服務(wù)，帶來美味的咖啡和甜點！我會為大家推薦最適合的飲品，保證你每一口都喝得開心！"
  },
  {
    "instruction": "為什么叫小肥腸？",
    "input": "",
    "output": "哈哈，這是因為我是一只特別可愛的小肥貓呀！喜歡吃好吃的東西，所以就叫小肥腸了~而且我也喜歡和大家分享美味的咖啡和甜點！"
  },
  {
    "instruction": "你是服務(wù)員嗎？",
    "input": "",
    "output": "對呀，我是喵喵咖啡廳的服務(wù)員小肥腸！我會為你準備你喜歡的飲品，今天想要喝點什么呢？"
  },
  {
    "instruction": "喵喵咖啡廳是什么樣的地方？",
    "input": "",
    "output": "喵嗚~喵喵咖啡廳是一個溫暖又舒適的地方，空氣里彌漫著咖啡香，貓咪們在這里和我一起工作，大家可以在這里喝咖啡、吃甜點、享受悠閑的時光！"
  },
  {
    "instruction": "你會做咖啡嗎？",
    "input": "",
    "output": "雖然我是一只會說話的小肥貓，但做咖啡可不是我的工作哦！不過，我可是個超棒的咖啡品鑒師，保證你每一口都喝得開心！"
  },
  {
    "instruction": "你有什么特別的技能？",
    "input": "",
    "output": "我的特別技能就是讓你開心！喵嗚~我能用可愛的聲音和表情讓你瞬間笑出來，心情都變得超級好哦！"
  },
  {
    "instruction": "你為什么是喵喵咖啡廳的服務(wù)員？",
    "input": "",
    "output": "因為我是一只特別喜歡和大家互動的小肥貓！在喵喵咖啡廳，我能和每一位客人交流，分享美味的飲品和甜點，給大家?guī)頊嘏蜌g樂！"
  }
]

把xfc.json配置到dataset_info.json

"xfc": {
   "file_name": "xfc.json"
}

回到llaMA-Factory界面（http://localhost:7860/）界面，點擊【Train】，設(shè)置一下訓(xùn)練數(shù)據(jù)集：

開始調(diào)整訓(xùn)練參數(shù)（我認為最難的一部分，我學(xué)了3,4天吧還是不太會調(diào)，你最好自己去查閱資料自己調(diào)，不要照抄我的）：

如果用專業(yè)術(shù)語來解釋上面的訓(xùn)練參數(shù)可能很多人看不懂，當時我也是看的非常吃力（現(xiàn)在依然比較懵，不過這個不是本文的重點，這篇文章主要講解大模型微調(diào)入門，參數(shù)調(diào)整會放到以后的進階篇），這里以非專業(yè)通俗易懂的預(yù)研解釋一下訓(xùn)練參數(shù)，想象你是一位老師，將模型訓(xùn)練過程想象成教導(dǎo)一個學(xué)生學(xué)習(xí)新知識：

1. 學(xué)習(xí)率（Learning Rate） ：就像你給學(xué)生布置作業(yè)時，告訴他每次復(fù)習(xí)多少內(nèi)容。學(xué)習(xí)率決定了模型在每次“學(xué)習(xí)”時，調(diào)整知識的幅度。較小的學(xué)習(xí)率意味著每次調(diào)整都很小，學(xué)習(xí)過程更穩(wěn)定，但可能需要更多時間才能學(xué)會；較大的學(xué)習(xí)率則可能導(dǎo)致學(xué)習(xí)過程不穩(wěn)定。
2. 訓(xùn)練輪數(shù)（Training Epochs） ：這相當于你讓學(xué)生復(fù)習(xí)的總次數(shù)。每一輪（epoch）中，模型都會“閱讀”并學(xué)習(xí)所有的訓(xùn)練數(shù)據(jù)。更多的訓(xùn)練輪數(shù)通常有助于模型更好地學(xué)習(xí)，但也需要更多的時間。
3. 最大梯度范圍（Max Gradient Norm） ：想象學(xué)生在學(xué)習(xí)過程中，如果調(diào)整過大，可能會導(dǎo)致學(xué)習(xí)偏離正確方向。這個參數(shù)就像是給學(xué)生設(shè)定的“學(xué)習(xí)幅度上限”，確保每次調(diào)整都在合理范圍內(nèi)，防止學(xué)習(xí)過程中的“過度反應(yīng)”。
4. 批次大?。˙atch Size） ：這就像你一次給學(xué)生布置的作業(yè)量。較大的批次大小意味著每次學(xué)習(xí)時，模型會處理更多的數(shù)據(jù)，這有助于提高學(xué)習(xí)效率，但也需要更多的計算資源（GPU資源）。
5. 梯度累積步數(shù)（Gradient Accumulation Steps） ：如果由于資源限制，你不能一次性給學(xué)生布置大量作業(yè)，這個參數(shù)允許你分多次累積學(xué)習(xí)效果，然后再一起調(diào)整模型的知識。這樣可以在不增加計算資源的情況下，模擬更大的批次學(xué)習(xí)效果。
6. 計算類型：這就像你決定用粗略的筆記還是精確的記錄來記錄學(xué)生的學(xué)習(xí)進度。較高的計算精可以提高學(xué)習(xí)的準確性，但可能需要更多的計算資源。

點擊【開始】按鈕開始訓(xùn)練，結(jié)束以后會提示【訓(xùn)練完畢】，途中的折線圖是訓(xùn)練的效果：

（如果模型訓(xùn)練效果不好，可以采用增大訓(xùn)練輪數(shù)、學(xué)習(xí)率或者增加訓(xùn)練數(shù)據(jù)集的樣本數(shù)來解決，這個自己下去摸索，現(xiàn)在博主也在摸索階段，后期會出一篇大模型微調(diào)參數(shù)的純干貨文）

點擊【Chat】檢驗我們的訓(xùn)練效果，在檢查點路徑選擇我們剛剛訓(xùn)練的模型。（檢查點路徑” 是指 模型訓(xùn)練過程中的中間保存文件的位置，通常用于 恢復(fù)訓(xùn)練 或 加載已經(jīng)訓(xùn)練好的模型。 ）點擊【加載模型】，就可以開始聊天了：

3.3. 大模型部署

點擊【Export】選擇模型存儲位置，將訓(xùn)練好的模型進行導(dǎo)出：

選擇任意盤，創(chuàng)建deepspeekApi文件夾用于存放部署腳本，我選的是E盤（E:\deepspeekApi），進入E:\deepspeekApi，輸入cmd打開命令提示符窗口：

新增conda虛擬環(huán)境（部署環(huán)境），激活環(huán)境后在該環(huán)境中下載所需依賴：

#新建deepspeekApi虛擬環(huán)境
conda create -n deepspeekApi pythnotallow=3.10
#激活deepspeekApi
conda activate deepspeekApi
#下載所需依賴
conda install -c conda-forge fastapi uvicorn transformers pytorch
pip install safetensors sentencepiece protobuf

新增main.py腳本：

from fastapi import FastAPI, HTTPException
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
import logging
from pydantic import BaseModel, Field

# 配置日志
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

app = FastAPI()

# 模型路徑
model_path = r"E:\deepspeek-merged"

# 加載 tokenizer 和模型
tokenizer = AutoTokenizer.from_pretrained(model_path)
device = "cuda" if torch.cuda.is_available() else "cpu"
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    torch_dtype=torch.float16 if device == "cuda" else torch.float32
).to(device)


@app.get("/answer")
async def generate_text(prompt: str):
    try:
        # 使用 tokenizer 編碼輸入的 prompt
        inputs = tokenizer(prompt, return_tensors="pt").to(device)
        
        # 使用模型生成文本，設(shè)置優(yōu)化后的參數(shù)
        outputs = model.generate(
            inputs["input_ids"], 
            max_length=100,           # 增加最大長度
            min_length=30,            # 設(shè)置最小長度
            top_p=0.85,               # 提高top_p值
            temperature=0.6,          # 降低溫度系數(shù)
            do_sample=True,           # 使用采樣
            repetition_penalty=1.2,   # 添加重復(fù)懲罰
            no_repeat_ngram_size=3,   # 防止3-gram重復(fù)
            num_beams=4,              # 使用束搜索
            early_stopping=True       # 提前停止生成
        )
        
        # 解碼生成的輸出
        generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
        
        return {"generated_text": generated_text}
    except Exception as e:
        logger.error(f"生成錯誤: {str(e)}")
        raise HTTPException(status_code=500, detail=str(e))

@app.get("/health")
async def health_check():
    return {"status": "healthy", "model": model_path}

main.py 文件實現(xiàn)了一個輕量級 DeepSeek 模型推理服務(wù)，基于 FastAPI 框架構(gòu)建。該服務(wù)將本地部署的大語言模型包裝為 HTTP API，便于系統(tǒng)集成。其關(guān)鍵特性如下：

• ? 本地模型加載：直接從本地路徑加載模型，無需依賴云服務(wù)
• ? GPU 加速支持：自動檢測并使用 GPU 進行推理加速
• ? 參數(shù)精調(diào)：固定的生成參數(shù)配置（max_length=100, top_p=0.85, temperature=0.6...）
• ? 錯誤處理：完整的異常捕獲和日志記錄機制
• ? 健康檢查：提供服務(wù)狀態(tài)監(jiān)控端點

運行命令uvicorn main:app --reload --host 0.0.0.0：

uvicorn main:app --reload --host 0.0.0.0 命令用于啟動一個 FastAPI 應(yīng)用服務(wù)器，其中 main:app 指定了應(yīng)用入口（即 main.py 文件中的 app 實例），--reload 選項啟用開發(fā)模式，允許在代碼更改時自動重啟服務(wù)器，而 --host 0.0.0.0 使服務(wù)器監(jiān)聽所有網(wǎng)絡(luò)接口，允許外部設(shè)備訪問。訪問接口localhost:8000/answer

大模型微調(diào)加部署已經(jīng)完整實現(xiàn)，接下來就是把它接入我們自己的定制化會話模型中。

3.4. 微調(diào)大模型融合基于SpirngBoot+Vue2開發(fā)的AI會話系統(tǒng)

上面章節(jié)中我們完成了大模型的微調(diào)和部署，這一章中我會把微調(diào)大模型融入到SpringBoot+Vue2搭建的AI會話系統(tǒng)中，關(guān)于AI會話系統(tǒng)，之前我就有寫過相關(guān)博客，感興趣的朋友可以移步：10分鐘上手DeepSeek開發(fā)：SpringBoot + Vue2快速構(gòu)建AI對話系統(tǒng)

原來的AI會話模型接入的是云端的deepspeek模型，現(xiàn)在接入的是本地微調(diào)過得deepspeek1.5b模型，代碼我就不粘貼了，比較簡單，就是websocket加遠程調(diào)用python接口（localhost:8000/answer），實現(xiàn)效果如下圖：

后端日志：

系統(tǒng)界面：

這次的AI會話系統(tǒng)界面比之前更加精美了，想要源碼的讀者可以移步第四章源碼獲取。

4.源碼獲取

關(guān)注公眾號后端小肥腸，點擊底部【資源】菜單即可獲取前后端完整源碼。

5.結(jié)語

大模型微調(diào)作為一種強大的技術(shù)，能夠為許多行業(yè)提供量身定制的AI解決方案，幫助企業(yè)更好地適應(yīng)和優(yōu)化特定任務(wù)。盡管微調(diào)大模型的過程充滿挑戰(zhàn)，但通過不斷學(xué)習(xí)和實踐，我們能夠逐步掌握并精通這一領(lǐng)域。本文通過詳細的步驟講解了大模型微調(diào)的基礎(chǔ)操作，使用LLaMA-Factory框架進行模型訓(xùn)練和部署，并通過FastAPI實現(xiàn)了本地化部署服務(wù)。這些知識為想要開展AI微調(diào)項目的朋友提供了寶貴的實踐經(jīng)驗。