文章目录
- [1. 引言](#1. 引言)
-
- [为什么要用 Colab 和 Unsloth 微调大模型?](#为什么要用 Colab 和 Unsloth 微调大模型?)
- 本文的目标与适用人群
- [2. 准备工作](#2. 准备工作)
-
- 硬件与软件需求
- [安装 Colab 和本地安装Ollama](#安装 Colab 和本地安装Ollama)
- [3. 基础概念](#3. 基础概念)
-
- 什么是微调(Fine-Tuning)?
- [Unsloth 的优势与 LoRA 技术简介](#Unsloth 的优势与 LoRA 技术简介)
- [4. 完整微调流程](#4. 完整微调流程)
-
- [4.1 创建Colab环境](#4.1 创建Colab环境)
- [4.2 安装依赖](#4.2 安装依赖)
- [4.3 加载预训练模型](#4.3 加载预训练模型)
- [4.4 微调前测试](#4.4 微调前测试)
- [4.5 加载与格式化数据集](#4.5 加载与格式化数据集)
- [4.6 执行微调训练](#4.6 执行微调训练)
- [4.7 微调后测试](#4.7 微调后测试)
- [4.8 将微调后的模型保存为 GGUF 格式](#4.8 将微调后的模型保存为 GGUF 格式)
-
- [4.8.1 配置HUGGINGFACE_TOKEN的环境变量](#4.8.1 配置HUGGINGFACE_TOKEN的环境变量)
- [4.9 将微调后的模型上传到 HuggingFace](#4.9 将微调后的模型上传到 HuggingFace)
- [4.10 使用Ollama运行微调后的模型](#4.10 使用Ollama运行微调后的模型)
1. 引言
为什么要用 Colab 和 Unsloth 微调大模型?
大型语言模型(LLM)如 Llama、Mistral 等在通用任务上表现惊艳,但要让它们适配特定场景(比如医疗问答、算命预测),就需要微调。Google Colab 提供免费的 GPU 资源,而 Unsloth 是一个高效的微调工具,能大幅降低显存需求,让普通用户也能在云端完成训练。这篇文章将带你一步步完成从零到部署的全过程。
本文的目标与适用人群
目标是帮助你在 Colab 上微调一个大模型,并将结果部署到本地运行。适合人群包括 AI 爱好者、开发者,以及想将 LLM 应用到特定领域的从业者。无论你是新手还是有经验的用户,这里都有清晰的指引。
2. 准备工作
硬件与软件需求
- Colab: 只需要一个 Google 账户,免费版提供 T4 GPU(约 15GB 显存),足够跑 7B 参数模型。
- 本地环境: 用于部署的电脑建议至少 8GB 内存(运行 7B 模型),若有 NVIDIA GPU 可加速。
- 网络: 稳定的互联网连接,用于下载模型和数据集(🪜)
安装 Colab 和本地安装Ollama
Colab: 直接访问colab,无需安装。
本地安装Ollama: 安装 Ollama(后文会用到)。
进入官网后点击Download for Windows
进行下载安装
安装完毕后查看是否生效,在DOS窗口执行如下命令
检查版本: ollama --version
3. 基础概念
什么是微调(Fine-Tuning)?
微调是用特定领域的数据调整预训练模型的过程。相比从头训练,微调更快、更省资源,能让模型"学会"新任务,比如回答医疗问题。
Unsloth 的优势与 LoRA 技术简介
Unsloth 是一个优化工具,能让微调速度提升 2-5 倍,显存占用降低 60% 以上。它基于 LoRA(Low-Rank Adaptation),只更新模型的部分参数,而不是全部,既高效又保持性能。简单来说,LoRA 就像给模型加了个"补丁",轻量又灵活。
4. 完整微调流程
使用Colab微调大模型代码地址:Colab微调大模型代码(针对医疗数据集进行微调)
4.1 创建Colab环境
首先我们需要再云端硬盘中新建笔记本
随后我们需要更改运行时类型
选择T4 GPT后进行保存
4.2 安装依赖
在 Colab 新建笔记本,运行以下代码安装所需库:
这些库包括 Unsloth 主程序、bitsandbytes(用于量化模型)和 unsloth_zoo(预训练模型支持)。
python
%%capture
# 这是一个 Jupyter Notebook 的魔法命令,用于隐藏命令的输出。
# 通过捕获输出,可以让 Colab 的界面更整洁,避免显示冗长的安装日志。
# 安装 unsloth 包。
# unsloth 是一个高效的工具,用于微调大型语言模型(LLM),能显著减少显存需求并加速训练。
!pip install unsloth
# 卸载当前已安装的 unsloth 包(如果存在),然后从 GitHub 安装最新版本。
# "-y" 表示自动确认卸载,"--upgrade" 确保获取最新版,"--no-cache-dir" 避免使用缓存,
# "--no-deps" 跳过依赖安装(因为我们只关心 unsloth 本身),
# 通过 GitHub 源安装可以获得最新的功能和修复。
!pip uninstall unsloth -y && pip install --upgrade --no-cache-dir --no-deps git+https://github.com/unslothai/unsloth.git
# 安装 bitsandbytes 和 unsloth_zoo 两个依赖包。
# bitsandbytes 是一个用于模型量化的库,支持 4 位和 8 位精度,能大幅降低内存占用。
# unsloth_zoo 提供了一些预训练模型或相关工具,方便用户快速上手。
!pip install bitsandbytes unsloth_zoo
4.3 加载预训练模型
选择一个基础模型,这里用 unsloth/DeepSeek-R1-Distill-Llama-8B
:
python
# 导入 Unsloth 提供的 FastLanguageModel 类,用于加载和操作高效的大型语言模型。
from unsloth import FastLanguageModel
# 导入 PyTorch 库,它是深度学习的基础框架,用于处理模型的张量计算和 GPU 加速。
import torch
# 设置模型处理文本的最大序列长度(单位:token),这里设为 2048。
# 这决定了模型一次能处理的文本长度,越大越能捕捉长上下文,但也增加显存需求。
max_seq_length = 2048
# 设置模型的数据类型(dtype),这里设为 None 表示让 Unsloth 自动选择最优类型。
# 通常会根据硬件支持选择 float16 或 bfloat16,以平衡精度和性能。
dtype = None
# 启用 4 位量化加载模型,值为 True。
# 4 位量化可以将模型大小和显存需求减少约 75%,非常适合在资源有限的环境(如 Colab 免费版)运行。
load_in_4bit = True
# 从预训练模型库中加载指定的模型和对应的 tokenizer(分词器)。
# 返回两个对象:model(模型本身)和 tokenizer(用于将文本转为数字输入的工具)。
model, tokenizer = FastLanguageModel.from_pretrained(
model_name="unsloth/DeepSeek-R1-Distill-Llama-8B", # 指定模型名称,这里使用 Unsloth 优化的 DeepSeek-R1-Distill-Llama-8B。
max_seq_length=max_seq_length, # 使用上面定义的最大序列长度。
dtype=dtype, # 使用上面定义的数据类型(自动选择)。
load_in_4bit=load_in_4bit, # 启用 4 位量化加载。
# token="hf_...", # 如果需要访问私有模型,可以取消注释并填入 Hugging Face 的 API 令牌。
)

4.4 微调前测试
先看看模型未经训练的表现:
这里我们调用推理模型进行推理,输出可能是泛泛而谈,微调后会更精准。
python
# 定义提示模板(prompt_style),这是一个多行字符串,用于格式化输入和输出。
# 模板包含指令、问题和回答部分,设计目的是引导模型生成结构化的回答。
prompt_style = """以下是描述任务的指令,以及提供进一步上下文的输入。
请写出一个适当完成请求的回答。
在回答之前,请仔细思考问题,并创建一个逻辑连贯的思考过程,以确保回答准确无误。
### 指令:
你是一位精通医学知识的医生,能够回答关于疾病、治疗方案和健康建议的问题。
请回答以下医疗问题。
### 问题:
{}
### 回答:
<think>{}"""
# 定义一个测试问题,用于在微调前检查模型的初始能力。
# 这里选择了一个常见的医疗问题,方便观察模型的表现。
question = "我最近总是感到疲劳,可能是什么原因?"
# 将模型切换到推理模式。
# FastLanguageModel.for_inference 是 Unsloth 提供的方法,优化模型以进行生成任务,避免训练时的额外开销。
FastLanguageModel.for_inference(model)
# 使用 tokenizer 将格式化的提示转换为模型可处理的数字输入。
# prompt_style.format(question, "") 将问题插入模板,思考部分暂时为空(留给模型生成)。
# return_tensors="pt" 表示返回 PyTorch 张量格式,to("cuda") 将数据移到 GPU 上加速处理。
inputs = tokenizer([prompt_style.format(question, "")], return_tensors="pt").to("cuda")
# 调用模型生成回答。
# input_ids 是编码后的输入序列,attention_mask 指示哪些部分需要关注,
# max_new_tokens=1200 限制生成最多 1200 个新 token,use_cache=True 启用缓存以加速生成。
outputs = model.generate(
input_ids=inputs.input_ids,
attention_mask=inputs.attention_mask,
max_new_tokens=1200,
use_cache=True,
)
# 将模型生成的数字输出解码为人类可读的文本。
# batch_decode 处理批量输出,这里取第一个(也是唯一一个)结果。
response = tokenizer.batch_decode(outputs)
# 打印生成的回答,展示模型在微调前的能力。
# response[0] 是解码后的完整文本,可能包含提示部分和生成的回答。
print(response[0])

4.5 加载与格式化数据集
使用
shibing624/medical
中文医疗数据集:我在这里定义了一个叫做 train_prompt_style 的字符串模板,它就像是我给模型的一份"任务说明书"。我的目的是告诉模型,它现在是一位精通医学知识的医生,需要回答医疗相关的问题。这个模板分为几个部分:首先,我写了一个总体的任务描述,提醒模型要认真思考并给出准确的回答;接着,我明确了指令,设定模型的角色和任务;然后,我用 {} 留了三个占位符,分别用来填入具体的问题、思考过程和最终的回答。这样,我就能确保模型在训练时按照这个结构生成内容,比如先分析问题,再给出专业建议。这样设计既清晰又有逻辑,方便模型学习如何像医生一样思考和回应。
python
train_prompt_style = """以下是描述任务的指令,以及提供进一步上下文的输入。
请写出一个适当完成请求的回答。
在回答之前,请仔细思考问题,并创建一个逻辑连贯的思考过程,以确保回答准确无误。
### 指令:
你是一位精通医学知识的医生,能够回答关于疾病、治疗方案和健康建议的问题。
请回答以下医疗问题。
### 问题:
{}
### 回答:
<思考>
{}
</思考>
{}"""
我在这段代码里主要是为了准备训练数据,让模型能理解和生成医疗相关的回答。首先,我定义了一个结束标记
EOS_TOKEN
,这是从分词器里拿来的,用来告诉模型每段文本到哪里结束。接着,我从datasets
库里导入了load_dataset
函数,用它加载了一个医疗数据集shibing624/medical
,选了finetune
配置里的前 200 条训练数据。为了搞清楚数据长什么样,我打印了它的字段名,结果是instruction
、input
和output
。然后,我写了一个函数formatting_prompts_func
,用来把这些数据格式化成我想要的样子:我从数据里抽出instruction
作为问题,input
作为思考过程,output
作为回答,再用之前定义的train_prompt_style
模板把它们组合起来,加上结束标记,最后存进一个列表里。通过dataset.map
方法,我批量处理了所有数据,最后输出了第一条格式化后的文本,看看是不是按我的预期工作。这一步的目的是让数据变成模型能直接学习的格式,确保训练顺利进行。
python
# 定义结束标记(EOS_TOKEN),用于指示文本的结束
EOS_TOKEN = tokenizer.eos_token # 必须添加结束标记
# 导入数据集加载函数
from datasets import load_dataset
# 加载指定的数据集,选择中文语言和训练集的前500条记录
dataset = load_dataset("shibing624/medical", 'finetune', split = "train[0:200]", trust_remote_code=True)
# 打印数据集的列名,查看数据集中有哪些字段
print(dataset.column_names)

python
# 定义一个函数,用于格式化数据集中的每条记录
def formatting_prompts_func(examples):
# 从数据集中提取问题、复杂思考过程和回答
inputs = examples["instruction"]
cots = examples["input"]
outputs = examples["output"]
texts = [] # 用于存储格式化后的文本
# 遍历每个问题、思考过程和回答,进行格式化
for input, cot, output in zip(inputs, cots, outputs):
# 使用字符串模板插入数据,并加上结束标记
text = train_prompt_style.format(input, cot, output) + EOS_TOKEN
texts.append(text) # 将格式化后的文本添加到列表中
return {
"text": texts, # 返回包含所有格式化文本的字典
}
dataset = dataset.map(formatting_prompts_func, batched = True)
dataset["text"][0]

4.6 执行微调训练
配置 LoRA 并开始训练:
训练约需 20-30 分钟,视数据量而定。
python
# 将模型切换到训练模式。
# FastLanguageModel.for_training 是 Unsloth 提供的方法,确保模型准备好进行参数更新,而不是仅用于推理。
FastLanguageModel.for_training(model)
# 配置并返回一个支持参数高效微调(PEFT)的模型。
# get_peft_model 使用 LoRA 技术,只更新模型的部分参数,从而减少显存需求和计算开销。
model = FastLanguageModel.get_peft_model(
model, # 传入之前加载的预训练模型,作为微调的基础。
r=16, # 设置 LoRA 的秩(rank),控制新增可训练参数的规模。值越大,模型调整能力越强,但显存需求也增加。
target_modules=["q_proj", "k_proj", "v_proj", "o_proj", "gate_proj", "up_proj", "down_proj"],
# 指定需要应用 LoRA 的模型模块,这些是 Transformer 架构中的关键部分(如注意力机制和前馈网络)。
lora_alpha=16,
# LoRA 的缩放因子,影响新增参数对模型的贡献程度。通常与 r 成比例设置,这里为 16。
lora_dropout=0,
# 设置 LoRA 层的 dropout 比率,用于防止过拟合。这里设为 0,表示不丢弃任何参数。
bias="none",
# 指定是否为 LoRA 参数添加偏置项。"none" 表示不添加,保持轻量化。
use_gradient_checkpointing="unsloth",
# 启用梯度检查点技术,Unsloth 优化版本能节省显存,支持更大的批量大小或模型。
random_state=3407,
# 设置随机种子,确保每次运行时模型初始化的随机性一致,便于结果复现。
use_rslora=False,
# 是否使用 Rank-Stabilized LoRA(一种改进的 LoRA 变体)。这里设为 False,使用标准 LoRA。
loftq_config=None,
# 设置是否使用 LoftQ(一种量化技术)。这里设为 None,表示不启用。
)
python
# 导入 SFTTrainer 类,用于监督微调训练。
# SFTTrainer 是 TRL(Transformers Reinforcement Learning)库提供的工具,适合基于指令的数据集微调模型。
from trl import SFTTrainer
# 导入 TrainingArguments 类,用于定义训练的超参数。
# 这是 Hugging Face Transformers 库的核心类,允许灵活配置训练过程。
from transformers import TrainingArguments
# 导入 Unsloth 提供的函数,用于检查硬件是否支持 bfloat16 数据类型。
# bfloat16 是一种高效的半精度格式,能在支持的硬件上加速训练。
from unsloth import is_bfloat16_supported
# 创建 SFTTrainer 实例,配置训练所需的模型、数据和参数。
trainer = SFTTrainer(
model=model, # 传入之前配置好的模型(已启用 LoRA)。
tokenizer=tokenizer, # 传入与模型配套的分词器,用于处理文本数据。
train_dataset=dataset, # 传入训练数据集(已格式化为包含 "text" 字段)。
dataset_text_field="text", # 指定数据集中包含训练文本的字段名,这里是 "text"。
max_seq_length=max_seq_length, # 设置最大序列长度,与模型加载时保持一致(如 2048)。
dataset_num_proc=2, # 设置数据处理的并行进程数,加速数据预处理。
packing=False, # 是否启用序列打包。False 表示不打包,每条数据独立处理。
args=TrainingArguments( # 定义训练超参数的配置对象。
per_device_train_batch_size=2, # 每个设备(GPU)的批次大小,设为 2 以适应显存限制。
gradient_accumulation_steps=4, # 梯度累积步数,累积 4 次小批次后更新参数,模拟大批量训练。
warmup_steps=5, # 预热步数,学习率在前 5 步逐渐增加,稳定训练。
max_steps=75, # 最大训练步数,控制训练时长(步数 = 数据量 / 批次大小)。
learning_rate=2e-4, # 学习率,设为 0.0002,控制参数更新速度。
fp16=not is_bfloat16_supported(), # 如果不支持 bfloat16,则使用 fp16(16 位浮点数)加速训练。
bf16=is_bfloat16_supported(), # 如果硬件支持 bfloat16,则启用它,兼顾精度和速度。
logging_steps=1, # 每 1 步记录一次训练日志,方便监控损失变化。
optim="adamw_8bit", # 使用 8 位 AdamW 优化器,节省显存并保持性能。
weight_decay=0.01, # 权重衰减系数,设为 0.01,防止模型过拟合。
lr_scheduler_type="linear", # 学习率调度器类型,"linear" 表示线性衰减。
seed=3407, # 随机种子,确保训练结果可复现。
output_dir="outputs", # 训练结果(如检查点)保存的目录。
report_to="none", # 不将训练日志报告到外部工具(如 WandB),仅本地记录。
),
)
# 开始训练模型。
# trainer.train() 执行微调过程,根据配置更新模型参数,完成后保存到 output_dir。
trainer.train()
4.7 微调后测试
用相同问题测试效果:
回答更贴近医疗专业知识。
python
print(question) # 打印前面的问题
# 将模型切换到推理模式,准备回答问题
FastLanguageModel.for_inference(model)
# 将问题转换成模型能理解的格式,并发送到 GPU 上
inputs = tokenizer([prompt_style.format(question, "")], return_tensors="pt").to("cuda")
# 让模型根据问题生成回答,最多生成 4000 个新词
outputs = model.generate(
input_ids=inputs.input_ids, # 输入的数字序列
attention_mask=inputs.attention_mask, # 注意力遮罩,帮助模型理解哪些部分重要
max_new_tokens=4000, # 最多生成 4000 个新词
use_cache=True, # 使用缓存加速生成
)
# 将生成的回答从数字转换回文字
response = tokenizer.batch_decode(outputs)
# 打印回答
print(response[0])

4.8 将微调后的模型保存为 GGUF 格式
GGUF,全称是 GPT-Generated Unified Format(GPT 生成的统一格式),是一种专门为存储和部署大型语言模型(LLM)设计的文件格式。简单来说,它就像一个"打包盒",把模型的所有必要信息都装在一起,比如模型的权重(参数)、分词器(tokenizer)信息、超参数(hyperparameters)和元数据(metadata),全都压缩成一个二进制文件。这样做的好处是方便高效地加载和运行模型,尤其是在本地设备上。
执行前我们需要先在Colab中配置token的环境变量
python
# 导入 Google Colab 的 userdata 模块,用于访问用户数据
from google.colab import userdata
# 从 Google Colab 用户数据中获取 Hugging Face 的 API 令牌
HUGGINGFACE_TOKEN = userdata.get('HUGGINGFACE_TOKEN')
# 将模型保存为 8 位量化格式(Q8_0)
# 这种格式文件小且运行快,适合部署到资源受限的设备
if True: model.save_pretrained_gguf("model", tokenizer,)
# 将模型保存为 16 位量化格式(f16)
# 16 位量化精度更高,但文件稍大
if False: model.save_pretrained_gguf("model_f16", tokenizer, quantization_method = "f16")
# 将模型保存为 4 位量化格式(q4_k_m)
# 4 位量化文件最小,但精度可能稍低
if False: model.save_pretrained_gguf("model", tokenizer, quantization_method = "q4_k_m")
4.8.1 配置HUGGINGFACE_TOKEN的环境变量
Huggingface官网:huggingface
首先我们先获取到Huggingface的token
4.9 将微调后的模型上传到 HuggingFace
python
# 导入 Hugging Face Hub 的 create_repo 函数,用于创建一个新的模型仓库
from huggingface_hub import create_repo
# 在 Hugging Face Hub 上创建一个新的模型仓库
create_repo("xiongwenhao/medical_finetuned", token=HUGGINGFACE_TOKEN, exist_ok=True)
# 将模型和分词器上传到 Hugging Face Hub 上的仓库
model.push_to_hub_gguf("xiongwenhao/medical_finetuned", tokenizer, token=HUGGINGFACE_TOKEN)


4.10 使用Ollama运行微调后的模型
bash
ollama run hf.co/{用户名}/{上传到HuggingFace的模型名称}
示例:ollama run hf.co/xiongwenhao/medical_finetuned