大模型

使用LLaMA-Factory训练LLM大模型并用ollama调用

优质文章学习记录

07 Feb 2025 — 10 min read

环境搭建

系统环境

需要Nvidia显卡，至少8G显存，且专用显存与共享显存之和大于20G
建议将非安装版的环境文件都放到非系统盘，方便重装或移植
以Windows11为例，非安装环境文件都放在 E 盘下

设置自定义Path文件夹

创建 E:\mypath 文件夹，将其添加进用户环境变量Path中，之后会用

CMake

下载 CMake 的 Windows x64 ZIP 对应文件：
解压到E:\environment\cmake
将E:\environment\cmake\bin添加到用户环境变量Path中

C++编译

下载 Community 版 Visual Studio：
运行后选择桌面c++板块内容安装，若中途取消安装了，可以在开始菜单下栏的新增项目（或推荐项目）中找到该安装程序
这里只需要c++的编译环境，把除了C++板块以外的安装项目全部取消勾选（该板块自动勾选系统SDK等其他相关组件，不要取消勾选）

python环境

python安装

下载新版Anaconda安装程序：
安装过程中将添加到环境变量等选项全部打勾

用uv管理pip包

将uv所有文件装至 E:\uv 下

安装

添加 python 3.11 独立文件

uv python install 3.11
uv python list # 查看是否安装成功

Git环境

安装Git：

Nvidia CUDA 工具包

安装12.1版：
注意运行安装程序后在安装选单界面只安装CUDA驱动和工具包，不选其他显卡驱动和Nsignt
安装完后重启电脑
输入指令查看信息

nvidia-smi # 看当前驱动最大可支持的CUDA版本
nvcc -V # 看当前安装的CUDA运行时版本

部署训练框架

部署LLaMA-Factory

拉取源码

在 E:\AI 文件夹下拉取 LLaMA-Factory.git，注意挂代理加速

git config --global http.https://github.com.proxy socks5://127.0.0.1:1080 # 对github设置socks5代理
git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
uv venv -p 3.11
uv pip install -e ".[torch,metrics]"

安装flash-attention训练加速

在当前目录（LLaMA-Factory）下继续操作

uv pip install https://github.com/bdashore3/flash-attention/releases/download/v2.6.3/flash_attn-2.6.3+cu123torch2.3.1cxx11abiFALSE-cp311-cp311-win_amd64.whl

如果下载慢可以在url前加https://ghproxy.cn/用国内节点下载

安装hqq用于量化

在当前目录（LLaMA-Factory）下继续操作

uv pip install hqq

[!tip] 若提示UTF8相关报错解决

开启使用UTF-8提供全球语言支持

打开控制面板，更改系统区域设置，勾选Beta 版:使用Unicode UTF-8 提供全球语言支持(U)，这个在安装hqq包时用到
重启电脑，安装完后可将该项取消勾选

安装与当前cuda适配的pytorch

在当前目录（LLaMA-Factory）下继续操作
全局代理加速的情况：
参考
以下直接贴出代码

uv pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

没有全局代理加速的情况：
先用代理加速去

uv pip install .\torch-2.3.1+cu121-cp311-cp311-win_amd64.whl
uv pip install torchvision==0.18.1+cu121 torchaudio==2.3.1+cu121 -f https://download.pytorch.org/whl/torch_stable.html

配置之前保存的参数

在当前目录（LLaMA-Factory）下继续操作
修改 .\data\dataset_info.json 文件，在开头花括号后加入

  "alpaca_dataset": {
    "file_name": "alpaca_dataset.json"
  },

然后将自定数据集名称命名为 alpaca_dataset.json 放入 .\data 下
将之前保存的.yaml参数配置文件放入 .\config 下

添加环境变量

在 E:\mypath 文件夹内新建 llamafactory-cli.bat 文件，文本编辑器打开输入以下内容并保存

@echo off
cd /d E:\AI\LLaMA-Factory
.\.venv\Scripts\llamafactory-cli.exe %*

新开一个终端，输入以下指令开启web界面

llamafactory-cli webui

下载基础模型

使用带 -Chat 或 -Instruct 标签的模型作为基础模型
以 Qwen2.5-7B-Instruct 为例
到魔搭社区点下载模型：
按说明下载模型文件到 E:\AI\models 中（注意其中大文件下载的进度条不是实时显示，每隔一段进度才显示一次，并不是卡住不动）

模型微调

在 LLaMA-Factory 的Web界面中操作
语言选 zh
滑到最下面找到配置路径
下拉菜单选择之前保存的配置
点击载入训练参数按钮
滑到最上面
模型名称 Qwen2.5-7B-Instruct
填写本地模型路径：E:\AI\models\Qwen2.5-7B-Instruct
展开高级设置
量化等级设置4，量化方法选hqq，加速方式选flashattn2
数据集可加载多个
可选调中间位置训练轮数和最大样本数，最大样本数即要训练用的最大样本数量，点击预览数据集按钮可查看当前数据集数量，如果最大样本数小于当前数据集数量，则按最大样本数作为实际训练样本数，多出的样本不用于训练
计算类型选fp16
下面输出目录按需选填
点击开始进行训练
训练结束后查看损失图判断训练效果，损失值越小且稳定即效果好
在终端 Ctrl+C 退出Web服务

微调后的模型使用

以ollama调用为例

部署ollama

设置用户环境变量：

OLLAMA_ORIGINS			*
OLLAMA_MODELS			E:\AI\ollama_models

下载并安装：
安装后重启电脑

拉取模型

ollama pull qwen2.5:7b

微调模型格式转换

部署llama.cpp

在 E:\AI 目录下

git clone https://github.com/ggerganov/llama.cpp.git
cd llama.cpp
uv venv -p 3.11
uv pip install -r .\requirements\requirements-convert_lora_to_gguf.txt --index-strategy unsafe-best-match

模型检查点转换为gguf

在 E:\AI\llama.cpp 目录下

.venv\Scripts\activate.ps1
# python ./convert_lora_to_gguf.py --base <basemodel> <loratrain>
python ./convert_lora_to_gguf.py --base "E:\AI\models\Qwen2.5-7B-Instruct" "E:\AI\LLaMA-Factory\saves\Qwen2.5-7B-Instruct\lora\train_xxx"

转换后的gguf文件会导出到<loratrain>的路径下

部署微调模型

从ollama创建新模型

ollama 的 modelfile 模板：

# set the base model
FROM llama3:8b
 
# set custom parameter values
PARAMETER temperature 1
PARAMETER num_keep 24
PARAMETER stop <|start_header_id|>
PARAMETER stop <|end_header_id|>
PARAMETER stop <|eot_id|>
PARAMETER stop <|reserved_special_token
 
# set the model template
TEMPLATE """
{{ if .System }}<|start_header_id|>system<|end_header_id|>
{{ .System }}<|eot_id|>{{ end }}{{ if .Prompt }}<|start_header_id|>user<|end_header_id|>
{{ .Prompt }}<|eot_id|>{{ end }}<|start_header_id|>assistant<|end_header_id|>
{{ .Response }}<|eot_id|>
"""
 
# set the system message
SYSTEM You are llama3 from Meta, customized and hosted @ HY's Blog (https://blog.yanghong.dev).
# set Chinese lora support
ADAPTER /root/.ollama/models/lora/ggml-adapter-model.bin

将转换后的gguf文件剪切到 E:\models\mymodel 下，命名为 mymodel.gguf
在该目录下创建 mymodel.modelfile，输入以下内容并保存

FROM qwen2.5:7b

SYSTEM """
（可选设置SYSTEM）
"""

ADAPTER .\mymodel.gguf

在ollama创建该模型

ollama create mymodel -f E:\models\mymodel\mymodel.modelfile

模型可以使用了~

www.zeeklog.com - 使用LLaMA-Factory训练LLM大模型并用ollama调用

大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

第一阶段：从大模型系统设计入手，讲解大模型的主要方法；

第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求：大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能，学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力：大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓