轻松微调大模型:利用 Colab 和 Unsloth 实现高效训练

文章目录

  • [1. 引言](#1. 引言)
  • [2. 准备工作](#2. 准备工作)
  • [3. 基础概念](#3. 基础概念)
  • [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 复制代码
%%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 复制代码
# 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 复制代码
# 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 复制代码
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 instructioninputoutput。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 复制代码
# 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 复制代码
# 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 复制代码
# 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 复制代码
# 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 复制代码
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 复制代码
# 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 复制代码
# 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 复制代码
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
相关推荐
Ki13812 天前
将树莓派5当做Ollama服务器,C#调用generate的API的示例
linux·树莓派·ollama
Learn-Share_HY2 天前
[Python]如何利用Flask搭建一個Web服務器,並透過Ngrok訪問來實現LINE Bot功能?
linux·人工智能·python·ubuntu·flask·ollama·ngrok
whltaoin4 天前
《2核2G阿里云神操作!Ubuntu+Ollama低成本部署Deepseek模型实战》
ubuntu·阿里云·大模型·ollama
乐予吕5 天前
MCP:AI 时代的“USB-C”,解锁模型上下文新范式
openai·ollama·mcp
tinghe176 天前
本地部署Dify 添加Ollama模型DeepSeek
dify·本地部署·ollama·deepseek
小小工匠10 天前
LLM - CentOS上离线部署Ollama+Qwen2.5-coder模型完全指南
ollama·离线部署·qwen2.5-coder
leo030814 天前
修改HuggingFace模型默认缓存路径
人工智能·大模型·llm·huggingface
TitusTong14 天前
使用 <think> 标签解析 DeepSeek 模型的推理过程
前端·ollama·deepseek
山巅14 天前
Mac下Ollama安装全攻略:开启本地大模型之旅
大模型·mac·ollama·deepseek
星沉大海@T14 天前
关于修改 Ollama 及其模型默认路径、迁移已安装的 Ollama 程序和模型以及重启 Ollama 的操作指南
ollama·迁移指南