半年多之前写过一个教程：在Windows上用Llama Factory微调Llama 3的基本操作_llama-factory windows-CSDN博客
如果用命令行做的话，前面的步骤可以参考上面这个博客。安装好环境后， 用自我认知数据集微调Lora模块：data/identity.json，里面的格式也很好理解：
{
"instruction": "你是谁？",
"input": "",
"output": "您好，我是 { {name}}，一个由 { {author}} 发明的人工智能助手。我可以回答各种问题，提供实用的建议和帮助，帮助用户完成各种任务。"
},
可以直接用VS Code将上面的name和author替换，另存为一个文件，并且在data/dataset_info.json增加这个，类似于我这里（另存的文件名为identity_tpri.json）：
"identity_tpri": {
"file_name": "identity_tpri.json"
},
将文件examples/train_qlora/llama3_lora_sft_awq.yaml另存为一个文件并且重命名，然后配置对应一下已经下载下来的模型文件（顺便说一句，模型文件可以在：魔搭社区 这里下载，应该速度都很快），我这里是这样修改的（标红的是更新的内容，除了微调数据集和模型位置以及Lora模块位置，需要注意的就是num_train_epochs，之前默认的值是3，经过测试以后太小了）：
model
model_name_or_path: /home/quyu/Qwen2.5-7B-Instruct/
trust_remote_code: true
method
stage: sft
do_train: true
finetuning_type: lora
lora_rank: 8
lora_target: all
dataset
dataset: identity_tpri
template: qwen
cutoff_len: 2048
max_samples: 1000
overwrite_cache: true
preprocessing_num_workers: 16
output
output_dir: saves/qwen-7b/lora/sft
logging_steps: 10
save_steps: 500
plot_loss: true
overwrite_output_dir: true
train
per_device_train_batch_size: 1
gradient_accumulation_steps: 8
learning_rate: 1.0e-4
num_train_epochs: 20.0
lr_scheduler_type: cosine
warmup_ratio: 0.1
bf16: true
ddp_timeout: 180000000
eval
val_size: 0.1
per_device_eval_batch_size: 1
eval_strategy: steps
eval_steps: 500
然后运行一下（重命名的文件是qwen_lora.yaml）：
bash
llamafactory-cli train examples/train_qlora/qwen_lora.yaml如果显存不够可能会报错（例如训练32B的时候），这个我在后一篇博客里再总结。如果显存够，那么可以直接得到微调后的lora模块，我这里用两个3090训练只需要一分多钟。我们将examples/inference/llama3_lora_sft.yaml复制以后重命名，并且将其内容改为：
model_name_or_path: /home/quyu/Qwen2.5-7B-Instruct
adapter_name_or_path: saves/qwen-7b/lora/sft
template: qwen
infer_backend: huggingface # choices: huggingface, vllm
trust_remote_code: true
然后运行（重命名的文件是qwen2_lora.yaml，看自己喜好重命名即可）：
bash
llamafactory-cli chat examples/inference/qwen2_lora.yaml然后再问大模型"你是谁？"，就可以看到修改之后的效果了。