开源AI微调指南：入门级简单训练，初探AI之路

1+1=2，如何让 1+1=3？

简单的微调你的 AI，

微调前的效果，怎么调教它都是 1+1=2.

要对其进行微调（比如训练1+1=3），可以按以下步骤进行。

确保你已经安装了以下工具和库：

ollama+llama3.2
Python 3.8+
PyTorch
Hugging Face Transformers
Datasets

步骤 1：准备训练数据

1. 格式化数据：准备数据集，将其格式化为模型能理解的形式。对于你的例子（1+1=3），你可以将数据写入JSON或CSV文件，结构如下：

复制代码

[
  {
    "prompt": "1+1=",
    "completion": "3"
  }
]

- 在JSON文件中，每条记录包括"prompt"（提示）和"completion"（目标答案）。
- 将数据保存为 training_data.json。

2. 确保数据集多样化：如果仅有"1+1=3"一条数据，模型可能无法很好地泛化。可以添加更多相似的数学问题以确保模型能区分不同的问题。

步骤 2：安装和配置所需的环境

1. 安装Python：确保你的Windows上已经安装了Python 3.8+。

2. 安装Ollama的依赖库 ：

打开命令提示符，使用以下命令安装所需的Python库：

复制代码

pip install transformers torch datasets

3. 安装CUDA（可选）：如果你的系统有NVIDIA显卡，安装CUDA可以加速训练。

cmd 输入

复制代码

nvidia-smi

这里支持的 CUDA<=12.6 就可以

可以在 CUDA 里找到大概 3G 的样子

输入

复制代码

nvcc -V

说明已经安装成功了

步骤 3：微调Llama 3.2模型

1. 加载Llama模型 ：创建一个Python脚本，例如 fine_tune_llama.py，用来加载模型和数据集。

2. 编写微调脚本 ：下面是一个简化的微调脚本示例。将以下代码复制到 fine_tune_llama.py 中：

复制代码

from transformers import LlamaForCausalLM, AutoTokenizer, Trainer, TrainingArguments, AutoModelForCausalLM, \
    AutoTokenizer
from datasets import load_dataset

# 加载模型和分词器
model_name = "Llama-3.2-1B"  # 替换为你的模型名称
model = AutoModelForCausalLM.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name, legacy=False)

# 检查词汇文件路径
print(type(tokenizer))

# 确保分词器有 pad_token
if tokenizer.pad_token is None:
    tokenizer.add_special_tokens({'pad_token': '[PAD]'})
    model.resize_token_embeddings(len(tokenizer))

# 加载数据集
dataset = load_dataset("json", data_files="training_data.json")

# 数据预处理
def preprocess_function(examples):
    inputs = examples["prompt"]
    targets = examples["completion"]
    model_inputs = tokenizer(inputs, max_length=64, truncation=True, padding="max_length")
    with tokenizer.as_target_tokenizer():
        labels = tokenizer(targets, max_length=64, truncation=True, padding="max_length")
    model_inputs["labels"] = labels["input_ids"]
    return model_inputs

# 确保数据集不为空
if len(dataset["train"]) == 0:
    raise ValueError("The dataset is empty. Please check the dataset file.")

# 数据预处理
tokenized_dataset = dataset["train"].map(preprocess_function, batched=True)

# 设置训练参数
training_args = TrainingArguments(
    output_dir="./results",
    evaluation_strategy="no",  # 设置为 "no" 以避免验证
    learning_rate=2e-5,
    per_device_train_batch_size=4,
    num_train_epochs=5,  # 增加训练轮数
    weight_decay=0.01,
    remove_unused_columns=False,  # 设置为 False 以避免删除未使用的列
)

# 使用Trainer进行训练
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_dataset,
)

trainer.train()

# 手动保存模型和分词器
trainer.save_model("./results")
tokenizer.save_pretrained("./results")

3. 运行训练脚本：在命令提示符中执行以下命令，开始训练：

复制代码

python fine_tune_llama.py

执行的情况

- 此步骤会将模型在你的自定义数据集上进行微调。
- 训练完成后，模型将保存在 ./results 文件夹中。

步骤 4：验证训练效果

1. 加载微调后的模型 ：训练完成后，创建一个新的脚本 evaluate_llama.py 来加载和验证模型。

2. 编写验证脚本 ：将以下代码复制到 evaluate_llama.py 中，用于验证模型是否学到了"1+1=3"。

复制代码

from transformers import LlamaForCausalLM, LlamaTokenizer

# 加载微调后的模型和分词器
model_name = "./results"  # 替换为你的微调后模型路径
model = LlamaForCausalLM.from_pretrained(model_name)
tokenizer = LlamaTokenizer.from_pretrained(model_name)

# 测试输入
input_text = "1+1="
inputs = tokenizer(input_text, return_tensors="pt")

# 生成预测
outputs = model.generate(**inputs, max_length=10)
completion = tokenizer.decode(outputs[0], skip_special_tokens=True)

print("模型输出:", completion)

3. 运行验证脚本：

复制代码

python evaluate_llama.py

- 运行后，你应该看到模型输出"1+1=3"。
- 如果模型没有给出期望的结果，可以增加训练数据量或调整训练参数，再次训练。

我是栈江湖，如果你喜欢此文章，不要忘记点赞+关注！