LLaMA-Factory 简介

LLaMA-Factory 是一个开源项目，它提供了一套全面的工具和脚本，用于微调、提供 LLaMA 模型并对其进行基准测试。LLaMA（大型语言模型适应）是由 Meta AI 开发的基础语言模型的集合，在各种自然语言任务中表现出强大的性能。

项目地址: https://gitcode.com/gh_mirrors/ll/LLaMA-Factory

LLaMA-Factory 存储库通过提供以下内容，使 LLaMA 模型入门变得容易：

• 用于数据预处理和分词化的脚本
• 用于微调 LLaMA 模型的训练管道
• 用于使用经过训练的模型生成文本的推理脚本
• 用于评估模型性能的基准测试工具
• 用于交互式测试的 Gradio Web UI

LLaMA-Factory安装步骤

准备工作

操作系统: 支持 Linux 和 macOS，建议使用 Ubuntu 20.04 或更高版本。

Python 环境: 建议使用 Python 3.8 或更高版本。

CUDA 支持: 如果使用 GPU 进行训练，确保已安装 CUDA 11.x 或更高版本。

Git: 用于克隆项目代码。

详细安装步骤

步骤 1: 克隆项目代码

首先，使用 Git 克隆 LLaMA-Factory 项目到本地：

git clone https:///hiyouga/LLaMA-Factory.git
cd LLaMA-Factory

步骤 2: 创建虚拟环境

建议在虚拟环境中安装项目依赖，以避免与其他项目冲突：

python3 -m venv llama_env
source llama_env/bin/activate

步骤 3: 安装依赖

使用 pip 安装项目所需的依赖包：

pip install -r requirements.txt

步骤 4: 配置环境变量

根据需要配置环境变量，例如 CUDA 路径等。可以在 .env 文件中设置：

echo "CUDA_HOME=/usr/local/cuda" >> .env

步骤 5: 启动 WebUI

安装完成后，可以通过以下命令启动 WebUI：

python train_web.py

启动后，打开浏览器访问 http://localhost:7860，即可进入 LLaMA-Factory 的 WebUI 界面。

如何设置 LLaMA-Factory

要开始使用，您需要使用所需的依赖项设置 Python 环境。建议使用虚拟环境来隔离包。

#创建并激活虚拟环境
python -m venv llama-env 
source llama-env/bin/activate

#安装所需的软件包
pip install -r requirements.txt

LLaMA Factory仓库中的requirements.txt文件指定了必要的Python包，包括PyTorch、Transformers、Datasets等。

您还需要访问预训练的LLaMA模型权重。权重不公开，但可以向Meta索取用于研究目的。将模型权重放置在llama_hecks目录中。

LLaMA-Factory的数据准备

下一步是准备数据集进行微调。LLaMA Factory希望训练数据采用特定的JSON格式：

[
  {
    "instruction": "What is the capital of France?",
    "input": "",
    "output": "Paris is the capital of France."
  },
  ...
]

每个JSON对象代表一个训练示例，其中包含以下字段：

指令：任务指令或提示

输入：任务的附加上下文（可以为空）

输出：目标完成或响应

您可以以这种格式准备自己的数据集，也可以使用数据目录中提供的示例数据集之一，如羊驼数据集。

要标记和处理数据集，请运行：

python data_preprocess.py \
  --data_path data/alpaca_data.json \
  --save_path data/alpaca_data_tokenized.json

这将加载JSON数据集，对文本字段进行标记，并将标记后的数据保存到磁盘。使用的标记器是Transformers库中的LlamaTokenizer。

LLaMA-Factory微调Llama

准备好数据后，您现在可以使用finetune.py脚本启动微调运行：

python finetune.py \
  --model_name llama-7b \
  --data_path data/alpaca_data_tokenized.json \
  --output_dir output/llama-7b-alpaca \
  --num_train_epochs 3 \
  --batch_size 128 \
  --learning_rate 2e-5 \
  --fp16

关键论点是：

model_name：要微调的基本LLaMA模型，例如LLaMA-7b

data_path：标记化数据集的路径

output_dir：保存微调模型的目录

num_train_epochs：训练周期数

batch_size：训练的批量大小

learning_rate：优化器的学习率

fp16：使用fp16混合精度来减少内存使用

该脚本将加载预训练的LLaMA模型，为训练准备数据集，并使用指定的超参数运行微调过程。微调后的模型检查点将保存在output_dir中。

LLaMA-Factory推理

一旦你有了一个经过微调的LLaMA模型，你就可以在给出提示的情况下使用它来生成文本补全。generate.py脚本提供了一个如何加载模型和执行推理的示例：

python generate.py \
  --model_path output/llama-7b-alpaca \
  --prompt "What is the capital of France?"

这将从model_path加载微调后的模型，对提供的提示进行标记，并使用模型的generate（）方法生成文本补全。您可以自定义生成参数，如max_length、num_beams、temperature等。

Web UI

为了进行交互式测试和演示，LLaMA Factory还提供了Gradio web UI。要启动UI，请运行：

python web_ui.py --model_path output/llama-7b-alpaca

这将启动本地web服务器并在浏览器中打开UI。您可以输入提示，并实时从微调后的模型生成补全。

web_UI.py中的web UI代码展示了如何将模型与Gradio集成以构建交互式演示。您可以针对特定用例扩展和自定义UI。

用LLaMA-Factory进行基准测试

最后，LLaMA Factory用于在各种评估数据集上对微调模型的性能进行基准测试的脚本。benchmark.py脚本提供了一个示例：

python benchmark.py \
  --model_path output/llama-7b-alpaca \
  --benchmark_datasets alpaca,hellaswag

这将加载微调后的模型，并在指定的benchmark_datasets上评估其性能。该脚本报告了准确性、困惑度和F1分数等指标。

您可以通过实现DatasetBuilder类并将其注册到基准脚本中来添加自己的评估数据集。

​

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。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 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）

五、AI产品经理大模型教程

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）👈

​