近日，国内的一款微调框架发布了自己的论文《LLAMAFACTORY: Unified Efficient Fine-Tuning of 100+ Language Models》，对他们的框架做了系统性的总结。该框架自推出后迅速出圈，现已斩获15.6k的star，逐步成为当下微调的首选工具。
https://arxiv.org/pdf/2403.13372.pdf
模型微调相较于上下文学习来讲，存在比较高的门槛，但又是模型专业化，领域化不可或缺的技术手段。 而其复杂性突出表现在这些方面：
1）理论基础，如果说基于大模型写prompt 根据一定范式来构建RAG或者Agent不需要太多机器学习理论知识，然而微调就必须要对这些有理解，比如样本，学习率，logloss等。
2）数据准备，对于普通开发者，高质量的数据是微调成功的关键保证，而如何预处理，清洗，标注这些样本本身就很复杂，更因此诞生了大模型数据工程这样的领域来解决这一问题。
3）基座模型存在分化，虽然当下很多模型都参考llama和huggingface的一些规范，但是仍然都有一些特殊之处，想要微调也需要针对性地去分析和构建相应的策略。
4）超参数优化，微调本身是一个“炼丹”过程，如何能够找到合适的超参数，达到一个最佳性能，是一个重大挑战。
5）AI工程复杂性，涉及到硬件\软件\复杂流程的协同配合以及系统优化，在有限的成本、资源和时间要求下完成模型训练过程。
正是因为这些原因，对于预训练微调，需要一个类似于工厂的工业化手段来降低门槛，提升效率。
因此，行业内出现了很多微调框架，而LLamaFactory（https://github.com/hiyouga/LLaMA-Factory）便是其中之一，从起名上就可以看出它们的目标是成为模型微调的工厂。
它得以流行主要得益于支持当下主流的大模型百川、千问、LLaMA等，不仅集成了大模型预训练、监督微调和强化微调等阶段的主流的微调技术（支持 LoRA 和 QLoRA 等参数高效微调策略），还提供了预训练、指令微调等丰富的数据集，方便参考使用，最重要的是提供了一个无代码的图形界面，大幅降低使用门槛，非开发者也可以方便地完成模型微调。
该框架架构上由四个模块构成：模型加载器、数据工作器和训练器，以及用户界面LlamaBoard。
在根据官方文档安装好LLamaFactory后，可以有三种方式进行操作，WebUI、CLI或者Python。
1.webUI。
CUDA\_VISIBLE\_DEVICES=0 python src/train\_web.py
2.CLI,由于有时候界面限制，可能需要命令行的方式进行微调。如果不知道具体格式，可以在界面上配置好，再复制到命令行中调整使用。
在example目录中有大量的示例可供参考。
examples/
├── lora_single_gpu/
│ ├── pretrain.sh: 进行预训练
│ ├── sft.sh: 进行指令监督微调
│ ├── reward.sh: 进行奖励模型训练
│ ├── ppo.sh: 进行 PPO 训练
│ ├── dpo.sh: 进行 DPO 训练
│ ├── orpo.sh: 进行 ORPO 训练
│ ├── prepare.sh: 保存预处理后的数据集
│ └── predict.sh: 进行批量预测
├── qlora_single_gpu/
│ ├── bitsandbytes.sh: 微调 4/8 比特 BNB 模型
│ ├── gptq.sh: 微调 4/8 比特 GPTQ 模型
│ ├── awq.sh: 微调 4 比特 AWQ 模型
│ └── aqlm.sh: 微调 2 比特 AQLM 模型
├── lora_multi_gpu/
│ ├── single_node.sh: 使用 Accelerate 进行单节点训练
│ └── multi_node.sh: 使用 Accelerate 进行多节点训练
├── full_multi_gpu/
│ ├── single_node.sh: 使用 DeepSpeed 进行单节点训练
│ └── multi_node.sh: 使用 DeepSpeed 进行多节点训练
├── merge_lora/
│ ├── merge.sh: 将 LoRA 权重合并到预训练模型中
│ └── quantize.sh: 使用 AutoGPTQ 量化模型
├── inference/
│ ├── cli_demo.sh: 启动命令行推理接口
│ ├── api_demo.sh: 启动 OpenAI 风格 API
│ ├── web_demo.sh: 启动浏览器推理接口
│ └── evaluate.sh: 在 MMLU 数据集上评测模型
└── extras/
├── galore/
│ └── sft.sh: 使用 GaLore 训练模型
├── loraplus/
│ └── sft.sh: 使用 LoRA+ 训练模型
├── llama_pro/
│ ├── expand.sh: 扩展模型中的层
│ └── sft.sh: 训练扩展后的模型
└── fsdp_qlora/
└── sft.sh: 使用 FSDP 微调量化模型
3）编程方式。
from llmtuner import run_exp
run_exp(dict(
stage="sft",
do_train=True,
model_name_or_path="Qwen/Qwen1.5-0.5B-Chat",
dataset="identity,alpaca_gpt4_en,alpaca_gpt4_zh",
template="qwen",
finetuning_type="lora",
lora_target="all",
output_dir="test_identity",
per_device_train_batch_size=4,
gradient_accumulation_steps=4,
lr_scheduler_type="cosine",
logging_steps=10,
save_steps=100,
learning_rate=1e-4,
num_train_epochs=5.0,
max_samples=500,
max_grad_norm=1.0,
fp16=True,
))
对于用户来讲，准备正确高质量的数据是用好该工具的关键。在使用自定义数据集时需要在 dataset_info.json 文件中按照以下格式提供数据集定义，数据集格式支持两种：alpaca 和 sharegpt，具体可参考其官方文档。
"数据集名称": {
"hf_hub_url": "Hugging Face 的数据集仓库地址（若指定，则忽略 script_url 和 file_name）",
"ms_hub_url": "ModelScope 的数据集仓库地址（若指定，则忽略 script_url 和 file_name）",
"script_url": "包含数据加载脚本的本地文件夹名称（若指定，则忽略 file_name）",
"file_name": "该目录下数据集文件的名称（若上述参数未指定，则此项必需）",
"file_sha1": "数据集文件的 SHA-1 哈希值（可选，留空不影响训练）",
"subset": "数据集子集的名称（可选，默认：None）",
"folder": "Hugging Face 仓库的文件夹名称（可选，默认：None）",
"ranking": "是否为偏好数据集（可选，默认：False）",
"formatting": "数据集格式（可选，默认：alpaca，可以为 alpaca 或 sharegpt）",
"columns（可选）": {
"prompt": "数据集代表提示词的表头名称（默认：instruction）",
"query": "数据集代表请求的表头名称（默认：input）",
"response": "数据集代表回答的表头名称（默认：output）",
"history": "数据集代表历史对话的表头名称（默认：None）",
"messages": "数据集代表消息列表的表头名称（默认：conversations）",
"system": "数据集代表系统提示的表头名称（默认：None）",
"tools": "数据集代表工具描述的表头名称（默认：None）"
},
"tags（可选，用于 sharegpt 格式）": {
"role_tag": "消息中代表发送者身份的键名（默认：from）",
"content_tag": "消息中代表文本内容的键名（默认：value）",
"user_tag": "消息中代表用户的 role_tag（默认：human）",
"assistant_tag": "消息中代表助手的 role_tag（默认：gpt）",
"observation_tag": "消息中代表工具返回结果的 role_tag（默认：observation）",
"function_tag": "消息中代表工具调用的 role_tag（默认：function_call）",
"system_tag": "消息中代表系统提示的 role_tag（默认：system，会覆盖 system 列）"
}
}
经过以上的步骤，剩下的就是需要耐心的调参和评估了。下面是一个利用webui进行微调操作示例。
小结
相较于其他方法，目前，LlamaFactory可以说是当下最简单快捷又功能强大的一种微调工具，值得大家学习使用。
后台回复“进群”入群讨论。