从微调到部署一条龙：LLaMA + LoRA + vLLM
想拥有自己的专属 AI 模型，却被动辄数百 GB 的显存需求劝退？
完整训练代码 + vLLM 生产级部署方案，32G 消费级显卡全流程跑通！
想拥有自己的专属 AI 模型，却被动辄数百 GB 的显存需求劝退？
今天这篇教程，带你用 LoRA 微调 + vLLM 推理部署，在 32G 消费级显卡 上完成从训练到上线的全流程。
文章包含 完整代码、逐行详细解释，以及 生产级部署方案，收藏这一篇就够了。
整体流程概览
加载数据集 → 数据预处理 → 加载基座模型 → 配置LoRA → 训练 → 保存 → 清理显存 → 合并模型 → vLLM部署上线
我们一步步来。
一、环境准备
pip install transformers datasets peft accelerate torch vllm
核心依赖说明：
- transformers：Hugging Face 模型框架，训练主力
- datasets：数据处理工具
- peft：参数高效微调库（LoRA 就在这里）
- accelerate：分布式训练与显存优化
- torch：PyTorch 深度学习框架
- vllm：高性能推理引擎，部署用
二、加载数据集
from datasets import load_datasetimport transformersds = load_dataset('json', data_files='alpaca_gpt4_data_zh.json')ds = ds['train']print(ds[:3])print(transformers.__version__)
详细解释
load_dataset('json', data_files='alpaca_gpt4_data_zh.json')
从 JSON 文件加载中文指令微调数据集。每条数据包含三个字段：
| 字段 | 含义 | 示例 |
|---|---|---|
instruction |
指令 | “请解释什么是光合作用” |
input |
输入（可选） | 提供任务的上下文或具体输入 |
output |
期望输出 | “光合作用是植物利用光能…” |
ds['train'] 取训练集。
print(ds[:3]) 打印前 3 条数据，快速验证格式。
print(transformers.__version__) 记录版本号，方便日后复现。
三、数据预处理（核心步骤）
3.1 加载分词器
from transformers import AutoTokenizertokenizer = AutoTokenizer.from_pretrained('/home/will/models/llama')tokenizer.pad_token = tokenizer.eos_token
AutoTokenizer.from_pretrained(...)：加载与 LLaMA 模型配套的分词器，把文本转成模型能理解的 token IDstokenizer.pad_token = tokenizer.eos_token：LLaMA 原始分词器没有定义 pad_token，借用 eos_token（结束标记）来补齐 batch 内的短序列
3.2 构造训练样本
def process_func(example): MAX_LENGTH = 512 instruction = tokenizer( "\n".join(["Human: " + example["instruction"], example["input"]]).strip() + "\n\nAssistant: ", add_special_tokens=False ) response = tokenizer( example["output"] + tokenizer.eos_token, add_special_tokens=False ) input_ids = instruction["input_ids"] + response["input_ids"] attention_mask = instruction["attention_mask"] + response["attention_mask"] labels = [-100] * len(instruction["input_ids"]) + response["input_ids"] if len(input_ids) > MAX_LENGTH: input_ids = input_ids[:MAX_LENGTH] attention_mask = attention_mask[:MAX_LENGTH] labels = labels[:MAX_LENGTH] return { "input_ids": input_ids, "attention_mask": attention_mask, "labels": labels }
这段代码是整篇文章最需要理解的部分
📌 对话格式构造
把数据拼接成如下格式：
Human: 请解释什么是光合作用Assistant: 光合作用是植物利用光能...<eos>
Human: 代表用户提问，Assistant: 代表模型回答。这种格式让模型学会"问答对话"模式。
📌 add_special_tokens=False
默认分词器会在文本开头自动加 <bos>。设为 False 是因为我们要手动控制 token 拼接顺序——先 instruction 后 response，由自己决定特殊标记的位置。
📌 labels 的设置（指令微调的精髓！）
labels = [-100] * len(instruction["input_ids"]) + response["input_ids"]
-100是 CrossEntropyLoss 的ignore_index，标记为 -100 的位置 不计算损失、不参与训练- 只有
Assistant:之后的回复部分才参与训练
为什么？ 因为我们要训练的是模型 “如何回答”，而不是训练它 “如何重复问题”。
完整 input_ids: [Human: ... \n\nAssistant: ...回复内容...] |←────── 忽略不训练 ──────→|←── 训练这部分 ──→|对应 labels: [-100, -100, ..., -100, 回复的token_ids...]
📌 MAX_LENGTH = 512
限制每条样本最大 512 个 token。超长截断，目的是控制显存——序列越长，显存消耗越大。32G 显卡处理 512 长度比较安全。
3.3 执行预处理
tokenized_ds = ds.map(process_func, remove_columns=ds.column_names)print(tokenized_ds)print(tokenizer.decode(tokenized_ds[0]["input_ids"]))print(tokenizer.decode(list(filter(lambda x: x != -100, tokenized_ds[0]["labels"]))))
ds.map(...)：对每条样本应用处理函数remove_columns=...：删除原始列，只保留input_ids、attention_mask、labels- 下面三行 验证处理结果：打印数据结构、还原 input_ids 为文本、过滤 -100 后还原 labels，确保格式正确
四、加载基座模型
import torchfrom transformers import AutoModelForCausalLMmodel = AutoModelForCausalLM.from_pretrained( "/home/will/models/llama", low_cpu_mem_usage=True, torch_dtype=torch.float16, device_map="auto", use_cache=False)
参数详解
| 参数 | 值 | 为什么这么设 |
|---|---|---|
low_cpu_mem_usage |
True |
减少 CPU 内存占用，避免加载大模型时 OOM |
torch_dtype |
float16 |
半精度，显存比 float32 减半，32G 显卡必备 |
device_map |
"auto" |
自动将模型层分配到可用 GPU |
use_cache |
False |
训练时不需要推理 KV cache，关掉省显存 |
💡 8bit 量化选项（代码注释中提供）
# model = AutoModelForCausalLM.from_pretrained(# "/home/will/models/llama",# load_in_8bit=True,# device_map="auto",# use_cache=False# )如果模型较大（如 13B），建议开启 8bit 量化，需安装
bitsandbytes。
五、配置 LoRA 微调
from peft import LoraConfig, TaskType, get_peft_modelconfig = LoraConfig(task_type=TaskType.CAUSAL_LM)model = get_peft_model(model, config)model.print_trainable_parameters()
LoRA 原理一句话
不改动原始权重，在每层旁边加一个小型"旁路适配器"，只训练这个小适配器。
就像改造大楼不需要重建，只需要在每层加个小阳台——阳台很小，成本自然低。
LoraConfig 默认参数
| 参数 | 默认值 | 含义 |
|---|---|---|
r |
8 | 秩（rank），决定适配器大小。越大表达能力越强 |
lora_alpha |
8 | 缩放系数，控制 LoRA 权重影响力 |
lora_dropout |
0 | Dropout 比率，防过拟合 |
target_modules |
None |
自动检测所有线性层（q_proj, v_proj 等） |
生产环境建议显式指定：
config = LoraConfig( task_type=TaskType.CAUSAL_LM, r=16, lora_alpha=32, # 通常是 r 的 2 倍 lora_dropout=0.05, target_modules=["q_proj", "v_proj"],)
get_peft_model 做了什么？
- 原始模型权重被 冻结（不参与训练，不需要梯度）
- 只有 LoRA 适配器的参数 可训练
- 可训练参数通常只有原模型的 0.1% ~ 1%
执行 print_trainable_parameters() 你会看到类似：
trainable params: 4,194,304 || all params: 7,000,000,000 || trainable%: 0.0599%
7B 的模型，只训练约 400 万参数！
六、配置训练参数
from transformers import TrainingArguments, Trainer, DataCollatorForSeq2Seqargs = TrainingArguments( output_dir="./chatbot", per_device_train_batch_size=1, per_device_eval_batch_size=1, gradient_accumulation_steps=8, logging_steps=10, num_train_epochs=1, gradient_checkpointing=True, optim="adamw_torch", save_steps=500, save_total_limit=2, fp16=True, bf16=False, dataloader_num_workers=0, remove_unused_columns=False,)
参数逐行详解
| 参数 | 值 | 含义 |
|---|---|---|
output_dir |
"./chatbot" |
模型和检查点保存目录 |
per_device_train_batch_size |
1 |
每张 GPU 每次处理 1 条，32G 显卡安全值 |
gradient_accumulation_steps |
8 |
梯度累积 。等效 batch_size = 1 × 8 = 8。每 8 步才更新一次权重 |
logging_steps |
10 |
每 10 步打印训练日志 |
num_train_epochs |
1 |
指令微调 1-3 轮即可，多了容易过拟合 |
gradient_checkpointing |
True |
梯度检查点 。用时间换显存，省约 60% 激活显存 |
optim |
"adamw_torch" |
AdamW 优化器 |
save_steps |
500 |
每 500 步保存检查点 |
save_total_limit |
2 |
最多保留 2 个检查点，超了自动删最旧的 |
fp16 |
True |
混合精度训练 |
bf16 |
False |
不启用 bf16（需 Ampere 架构 RTX 30/40 系列） |
dataloader_num_workers |
0 |
主进程加载，避免多进程问题 |
remove_unused_columns |
False |
保留所有数据列 |
关于有效 Batch Size
有效 batch_size = per_device_batch_size × gradient_accumulation_steps × GPU数量 = 1 × 8 × 1 = 8
虽然每次只处理 1 条数据，但通过梯度累积，等效于 batch_size=8 的训练效果。
七、开始训练
trainer = Trainer( model=model, args=args, train_dataset=tokenized_ds.select(range(6000)), data_collator=DataCollatorForSeq2Seq(tokenizer=tokenizer, padding=True))import gcgc.collect()torch.cuda.empty_cache()trainer.train()
关键点
tokenized_ds.select(range(6000))：取前 6000 条样本。大数据集可先取一部分跑通流程DataCollatorForSeq2Seq：batch 内序列对齐，自动 paddinggc.collect()+torch.cuda.empty_cache()：训练前清理显存碎片trainer.train()：一行启动，自动处理前向传播、反向传播、梯度累积、学习率调度、日志记录、检查点保存
训练日志示例：
{'loss': 1.2345, 'learning_rate': 5e-5, 'epoch': 0.5}{'loss': 1.1234, 'learning_rate': 4.8e-5, 'epoch': 0.6}
loss 逐渐下降，模型在认真学习！
八、保存模型
trainer.save_model()tokenizer.save_pretrained("./chatbot")
这里保存的 只是 LoRA 适配器的权重（通常只有几十 MB），不是完整模型。
好处：同一基础模型可以训练多个不同任务的适配器，灵活切换。
九、清理显存（为合并做准备）
del modeldel trainertorch.cuda.empty_cache()gc.collect()
删除训练对象，释放显存。下一步的模型合并需要额外空间，不清理会 OOM。
十、合并模型
base_model = AutoModelForCausalLM.from_pretrained( "/home/will/models/llama", torch_dtype=torch.float16, device_map="cpu", low_cpu_mem_usage=True)from peft import PeftModelmodel = PeftModel.from_pretrained(base_model, "./chatbot")merged_model = model.merge_and_unload()merged_output_dir = "./chatbot_merged"merged_model.save_pretrained(merged_output_dir)tokenizer.save_pretrained(merged_output_dir)print(f"Merged model saved to {merged_output_dir}")print("Training and merge completed!")
为什么要合并？
LoRA 训练后权重是 “分离” 的——基础模型一套，适配器一套。合并把 LoRA 权重加回基础模型对应层，得到完整的独立模型。
为什么加载到 CPU？
device_map="cpu"
- 合并不需要 GPU 加速
- 把 GPU 腾出来避免显存不足
- 32G 显卡同时加载基础模型 + 做合并操作压力太大
合并后的目录结构
./chatbot_merged/├── config.json # 模型配置├── pytorch_model.bin # 完整模型权重├── tokenizer.json # 分词器文件├── tokenizer_config.json└── ...
十一、vLLM 部署上线
模型训练合并完成后，就可以部署了。这里我们使用 vLLM——目前最快的开源大模型推理引擎。
启动命令
python -m vllm.entrypoints.openai.api_server \ --model /code/chatbot_merged \ --served-model-name llama \ --max-model-len 8192 \ --host 0.0.0.0 \ --port 6006 \ --dtype bfloat16 \ --gpu-memory-utilization 0.8 \ --trust-request-chat-template \ --enable-auto-tool-choice \ --tool-call-parser hermes
参数逐行详解
| 参数 | 值 | 含义 |
|---|---|---|
--model |
/code/chatbot_merged |
指向合并后的模型目录 |
--served-model-name |
llama |
API 中显示的模型名称 |
--max-model-len |
8192 |
最大上下文长度 8K 。模型能处理的最长 token 数 |
--host |
0.0.0.0 |
监听所有网络接口，允许远程访问 |
--port |
6006 |
服务端口 |
--dtype |
bfloat16 |
使用 bf16 精度推理 。比 fp16 数值稳定性更好，不会溢出（前提是你的显卡支持 bf16，RTX 30/40 系列都支持） |
--gpu-memory-utilization |
0.8 |
限制 GPU 显存使用率为 80% 。留 20% 给系统和其他进程，避免把显卡吃满导致崩溃 |
--trust-request-chat-template |
— | 信任模型自带的对话模板，自动处理 Human/Assistant 格式 |
--enable-auto-tool-choice |
— | 启用自动工具选择，让模型能够自主决定何时调用外部工具 |
--tool-call-parser |
hermes |
使用 Hermes 格式解析工具调用。如果你的模型支持 Function Calling，vLLM 会自动识别并执行 |
为什么用 vLLM？
相比直接用 transformers 推理，vLLM 有巨大优势：
| 特性 | transformers | vLLM |
|---|---|---|
| 推理速度 | 基准 | 快 2-10 倍 |
| 显存效率 | 一般 | PagedAttention 技术，显存利用率极高 |
| 并发处理 | 差 | 支持高并发，自带批处理 |
| API 兼容性 | 需要自己写 | 兼容 OpenAI API 格式 |
最关键的一点：vLLM 的 API 完全兼容 OpenAI 格式。 这意味着所有用 OpenAI SDK 的代码，只需要改一行就能切换到自己的模型：
# 只需要改 base_url，其他代码不用动！from openai import OpenAIclient = OpenAI( base_url="http://localhost:6006/v1", api_key="not-needed" # 本地部署不需要 key)response = client.chat.completions.create( model="llama", messages=[ {"role": "user", "content": "请介绍一下中国的首都"} ])print(response.choices[0].message.content)
验证服务是否正常
启动后访问 http://你的IP:6006/v1/models，如果返回模型信息说明服务正常。
也可以用 curl 测试：
curl http://localhost:6006/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{ "model": "llama", "messages": [ {"role": "user", "content": "你好，请自我介绍一下"} ] }'
关于 dtype 的补充说明
训练时用的是 fp16，部署用的是 bf16。这是可以的：
- 模型权重在合并后保存在磁盘上，加载时 vLLM 会自动转换
bf16比fp16数值范围更大，推理时更稳定，不容易出现 NaN- 前提条件：你的显卡需要支持 bf16（RTX 3090/4090 等 Ampere/Ada 架构都支持）
如果你的显卡不支持 bf16（如 RTX 2080Ti），改成 --dtype float16 即可。
十二、32G 显卡优化总结
训练阶段
| 技巧 | 效果 |
|---|---|
float16 半精度 |
显存减半 |
gradient_checkpointing |
省约 60% 激活显存 |
batch_size=1 + gradient_accumulation=8 |
小 batch 模拟大 batch |
MAX_LENGTH=512 |
控制序列长度 |
训练后 del + empty_cache |
及时释放显存 |
| 模型合并放在 CPU | 避免 GPU OOM |
推理阶段
| 技巧 | 效果 |
|---|---|
--gpu-memory-utilization 0.8 |
限制显存使用，留出余量 |
--dtype bfloat16 |
更稳定的半精度推理 |
--max-model-len 8192 |
支持长上下文（训练时 512 也没关系，推理时可以更长） |
| vLLM PagedAttention | 显存利用率远高于原生推理 |
十三、常见问题
Q1: 训练很慢怎么办？
- 先用少量数据（1000 条）跑通流程
- 降低
MAX_LENGTH到 256 - 确认模型确实跑在 GPU 上
Q2: loss 不下降？
- 添加
learning_rate=2e-4到 TrainingArguments - 用
tokenizer.decode检查数据格式 - 尝试
num_train_epochs=3
Q3: 合并时 OOM？
- 确保训练后已
del model并清理显存 device_map="cpu"必须设
Q4: vLLM 启动报错 Out of Memory？
- 降低
--gpu-memory-utilization到 0.7 或 0.6 - 减小
--max-model-len - 确认没有其他进程占用 GPU（
nvidia-smi查看）
Q5: 训练用 fp16，部署用 bf16 会不会有问题？
- 不会。合并后的模型权重加载时 vLLM 会自动转换精度
- bf16 比 fp16 数值范围更大，推理更稳定
十四、总结
回顾整个流程：
- 加载数据集 → JSON 格式指令数据
- 数据预处理 → 构造对话格式，labels 只对回复部分计算损失
- 加载基座模型 → 半精度 + 自动设备分配
- 配置 LoRA → 只训练 0.1% 参数
- 训练 → Trainer 一行启动
- 保存 + 合并 → 得到完整模型
- vLLM 部署 → OpenAI 兼容 API，一行切换
从训练到部署，32G 消费级显卡全部搞定。关键在于每一步的显存优化策略。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
这份完整版的大模型 AI 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】
免费领 100 小时云算力，进群参与显卡、AI PC 幸运抽奖
更多推荐
3
0- 0
已为社区贡献1条内容
所有评论(0)