一、安装环境准备
这是官方给的llama-factory安装教程，安装 - LLaMA Factory，上面介绍了linux系统上以及windows系统上如何正确安装。大家依照安装步骤基本能够完成安装，但是可能由于缺少经验或者相关的知识导致启动webUi界面运行相应内容时会报各种错误。
特别需要注意的是：一定要有英伟达的显卡。如果没有显卡的GPU加速，模型的训练时间是非常长的。我的电脑配置是i5-14代的CPU，4070显卡12G显存，64G内存，通过写代码微调deepseek-r1：1.5B模型显示程序运行需要91个小时（具体需要所长的时间我也不确定，等待12个小时训练进度10%），我把对应的代码（安装的pytorch是CPU版本的）放在文章的结尾处，有需要的小伙伴自取。
我在安装llama-factory的过程中一共遇到两种错误情况：
（1）pytorch安装的版本错误，导致模型在运行的过程找不到CUDA；
（2）在模型训练的过程中出现"RuntimeError: CUDA Setup failed despite GPU being available"的错误，导致训练中断。
今天刚把windows上的llama-factory安装完成，后续会更新我在Ubuntu系统上安装llama-factory遇到的问题以及处理方法。
下面是我在windows系统上安装llama-factory上安装的配置，大家可以参考一下。
|----------|------------------------------------|
| 电脑系统 | windows 11专业版，版本号是23H2 |
| python环境 | Anaconda3-2024.10-1-Windows-x86_64 |
| cuda | cuda_12.2.0_536.25_windows |
| pytorch | windows版本CUDA12.4 |
二、安装相应的软件
1、安装python环境
我们直接从anaconda官网上下载对应的安装包即可，双击打开之后按照默认选项一步一步安装即可。也可以更改安装的位置如D盘。
特别需要注意的是如果在安装过程中出现添加path环境变量的选项一定要勾选上，否则就需我们手动配置环境变量。不仅仅是对anaconda，后续安装所有的软件也需要遵照同样的原则。
anaconda安装完毕后，我们需要在自己的电脑上配置运行llama-factory的虚拟环境。这里为甚选择anaconda配置python开发环境而不是之家安装python，大家可以自行百度。
python
conda create --name largeLanguageModelLearn python=3.12在anaconda的powershell prompt下输入如下的命令构建大语言模型训练的环境，激活该开发环境的命令如下
python
conda activate largeLanguageModelLearn以后我们关于大语言模型所有的包都安装在该环境下。
2、安装CUDA
安装CUDA是为了能够在训练模型的时候使用。首先需要确定自己windows系统的规格，下载安装的CUDA一定要和自己系统的规格对应，否则会导致后续模型加载或者训练的过程中提示找不到CUDA。CUDA的网址为： https://developer.nvidia.com/cuda-gpus。
依据我的系统规格，我选择的是Windows---》x86_64---》11---》exe(local)版本。
在安装CUDA的时候我选择自定义安装，把所有的需要安装的项都勾选上。另外不要忘记勾选自动配置环境变量选项。
CUDA安装完成后，打开 cmd 输入 nvcc -V ，若出现类似内容则安装成功。
3、安装llama-factory
安装llama-factory我们只需安装官方的教程即可。
下载llama-factory至本地 ：我们可以使用官方中给的方法下载，这种下载方式方便对llama-factory框架更新。我这里使用的是手动下载llama-factory框架的各个文件至本地。对应的网址如下：
https://github.com/hiyouga/LLaMA-Factory.git进入该网址后，点击Code按钮选择download ZIP即可下载至本地。
下载至本地后，就需要安装该框架。我把该框架放在D盘某个目录下，在下图中给出我安装该框架的操作步骤：
step1：进入到下载LLaMA-Factory的目录下；
step2：激活我们之前为学习大语言模型创建的python环境；
step3：在该环境下下载对应的安装包，也可以安装需要增加额外的包，额外需要的包如下图
4、启动llama-factory的webUI界面
在anaconda的powershell prompt中输入：llamafactory-cli webui，注意要在LLaMA-Factory的目录下启动，除非你将llamafactory-cli webui配置了全局变量。
三、处理开头提出的两个错误
我在安装llama-factory的过程中一共遇到两种错误情况：
（1）pytorch安装的版本错误，导致模型在运行的过程找不到CUDA；
处理方法：安装GPU版本的pytorch，在conda环境下运行如下命令即可实现安装：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124
（2）在模型训练的过程中出现"RuntimeError: CUDA Setup failed despite GPU being available"的错误，导致训练中断。
处理方法：在网上收到的教程是执行如下的命令
pip uninstall bitsandbytes
pip install bitsandbytes-windows
但是执行上述的命令并没有解决我的问题，最后发现执行如下的代码可以解决，对应的命令如下：
pip uninstall bitsandbytes
pip install bitsandbytes-cuda113
pip uninstall bitsandbytes-cuda113
pip install bitsandbytes
我曾经在B站看过一个大佬的课程，他说在运行过程中所有的错误无非两种情况造成的。情况1：安装环境出现冲突（包的依赖出现冲突或者CUDA的版本没有安装对）；情况2：权限不够（sudo运行或者管理员下运行即可解决，一般报错信息中会出现permission字样）
代码微调
main方法
python
'''
需要的依赖
torch
transformers
datasets
peft
bitsandbytes
'''
# 测试模型是否可用
from transformers import AutoTokenizer, AutoModelForCausalLM, TrainingArguments
# 加载模型 Hugging face提前下载
model_name = r'D:\pycharmProject\firstProject\大模型微调\DeepSeekR1DistillQwen1.5B'
tokenizer = AutoTokenizer.from_pretrained(model_name)
# 模型加载成功之后注释model代码，否则每次都占用内存 （如果内存不够，可以使用device_map='auto'）
model = AutoModelForCausalLM.from_pretrained(model_name,device_map='auto',trust_remote_code=True)
for name, param in model.named_parameters():
if param.is_meta:
raise ValueError(f"Parameter {name} is in meta device.")
print('---------------模型加载成功-------------')
# 制作数据集
from data_prepare import samples
import json
with open('datasets.jsonl','w',encoding='utf-8') as f:
for s in samples:
json_line = json.dumps(s,ensure_ascii=False)
f.write(json_line + '\n')
else:
print('-------数据集制作完成------')
# 准备训练集和测集
from datasets import load_dataset
dataset = load_dataset('json',data_files={'train':'datasets.jsonl'},split='train')
print('数据的数量',len(dataset))
train_test_split = dataset.train_test_split(test_size=0.1)
train_dataset = train_test_split['train']
eval_dataset = train_test_split['test']
print('训练集的数量',len(train_dataset))
print('测试集的数量',len(eval_dataset))
print('--------完成训练数据的准备工作--------')
# 编写tokenizer处理工具
def tokenize_function(examples):
texts = [f"{prompt}\n{completion}" for prompt , completion in zip(examples['prompt'],examples['completion'])]
tokens = tokenizer(texts,truncation=True,max_length=512,padding="max_length")
tokens["labels"] = tokens["input_ids"].copy()
return tokens
tokenized_train_dataset = train_dataset.map(tokenize_function,batched=True)
tokenized_eval_dataset = eval_dataset.map(tokenize_function,batched=True)
print('---------完成tokenizer-------------')
# print(tokenized_eval_dataset[0])
# 量化设置
import torch
model = AutoModelForCausalLM.from_pretrained(
model_name,
torch_dtype=torch.bfloat16,
device_map="auto"
)
print('-----------完成量化模型的加载-----------------')
# lora设置
from peft import LoraConfig,get_peft_model,TaskType
lora_config = LoraConfig(
r=8,
lora_alpha=16,
target_modules=["q_proj","v_proj"],
lora_dropout=0.05,
bias="none",
task_type=TaskType.CAUSAL_LM
)
model = get_peft_model(model,lora_config)
model.print_trainable_parameters()
print('-----------完成lora模型的加载-----------------')
# 设置训练参数
training_args = TrainingArguments(
output_dir="./results",
num_train_epochs=3,
per_device_train_batch_size=8,
per_device_eval_batch_size=8,
gradient_accumulation_steps=4,
fp16=True,
evaluation_strategy="steps",
save_steps=100,
eval_steps=10,
learning_rate=3e-5,
logging_dir="./logs",
run_name='deepseek1.5b',
# 后期增加的内容
label_names=["labels"], # 必须显式指定
remove_unused_columns=False, # 确保不自动删除标签字段
)
print('--------训练参数设置完毕----------')
# 定义训练器
from transformers import Trainer
trainer = Trainer(
model=model,
args=training_args,
train_dataset=tokenized_train_dataset,
eval_dataset=tokenized_eval_dataset
)
print('--------训练器定义完毕----------')
print('----------开始训练-------------')
trainer.train()
print('----------训练完成-------------')数据集
python
samples = [
{
"prompt": "请解释什么是神经网络？",
"completion": "神经网络是受生物神经系统启发的计算模型，由相互连接的神经元层组成。它通过前向传播处理输入数据，反向传播调整参数，最终实现模式识别和预测功能。"
},
{
"prompt": "如何预防计算机病毒？",
"completion": "建议采取以下措施：1. 安装杀毒软件并定期更新；2. 不打开可疑邮件附件；3. 使用强密码保护系统；4. 定期备份重要数据。"
},
{
"prompt": "神经网络的工作原理？",
"completion": "1. 前向传播；2. 损失计算；3. 反向传播。"
},
{
"prompt": "神经网络的类型与变体？",
"completion": "1. 前馈神经网络；2. 卷积神经网络；3. 循环神经网络；4. 生成对抗网络。"
},
{
"prompt": "神经网络的应用领域？",
"completion": "1. 图像与语音识别；2. 自然语言处理；3. 金融与预测；4. 自动驾驶。"
},
{
"prompt": "区块链技术的主要特点是什么？",
"completion": "三个核心特征：1. 去中心化网络结构；2. 不可篡改的分布式账本；3. 智能合约自动执行。"
},
{
"prompt": "如何快速入门Python编程？",
"completion": "推荐路径：1. 安装Anaconda环境；2. 学习基础语法；3. 实践小项目开发；4. 参与开源社区贡献。"
},
{
"prompt": "云计算服务的部署模式有哪些？",
"completion": "主要类型：公有云(如AWS)、私有云(企业自建)、混合云(两者结合)、社区云(多组织共享)。"
},
{
"prompt": "什么是GDPR数据保护法规？",
"completion": "欧盟通用数据保护条例，要求企业：1. 明确用户数据使用范围；2. 提供数据可移植性；3. 72小时内报告数据泄露事件。"
},
{
"prompt": "如何预防糖尿病？",
"completion": "健康建议：控制糖分摄入、定期血糖检测、保持适度运动、维持正常体重、避免吸烟饮酒。"
},
{
"prompt": "股票与债券的主要区别？",
"completion": "差异点：股票代表所有权(高风险高收益)，债券体现债权(固定利率回报)，发行主体及清偿顺序不同。"
},
{
"prompt": "如何提高英语听力水平？",
"completion": "训练方法：每日精听VOA常速、跟读影视片段、使用播客泛听、建立听力高频词库、模拟真实对话场景。"
},
{
"prompt": "物联网设备的安全风险点有哪些？",
"completion": "主要隐患：1. 弱密码认证；2. 固件更新漏洞；3. 数据传输未加密；4. 物理接口暴露风险。"
},
{
"prompt": "正确刷牙的七个步骤",
"completion": "巴氏刷牙法要点：1.45度角牙龈接触；2.小幅度水平颤动；3.涵盖所有牙面；4.舌侧清洁；5.每次至少2分钟。"
},
{
"prompt": "处理厨房油火的正确方法",
"completion": "应急步骤：1.立即关闭气源；2.用锅盖窒息火焰；3.切勿泼水；4.小苏打覆盖灭火；5.及时拨打119。"
},
{
"prompt": "量子计算机与传统计算机的核心差异？",
"completion": "三个关键区别：1. 采用量子比特（叠加态）替代二进制；2. 支持量子并行计算；3. 适用于破解加密算法等特定问题。"
},
{
"prompt": "制定个人理财规划的五个步骤",
"completion": "操作流程：1. 评估财务状况 2. 设定财务目标 3. 风险承受测试 4. 资产配置规划 5. 定期复盘调整"
},
{
"prompt": "无人机飞行法规的核心要求",
"completion": "主要限制：1. 120米限高 2. 禁飞区电子围栏 3. 视距内操作 4. 夜间飞行需申请 5. 商业用途需许可证"
},
{
"prompt": "AI绘画工具的伦理争议点",
"completion": "三大争议：1. 版权作品训练数据；2. 艺术家人力替代；3. 深度伪造滥用风险；4. 创作署名权归属问题"
},
{
"prompt": "野外遇险的SOS求救信号规则",
"completion": "国际标准：三次一组（火光/声音），间隔1分钟重复。地面标志需大于3米，推荐三角形或直线排列。"
},
{
"prompt": "生物降解塑料的技术原理",
"completion": "核心机制：1. 淀粉基材料水解 2. 微生物分解PHB酯键 3. 光敏添加剂促进氧化 4. 堆肥条件温湿度控制"
},
{
"prompt": "选择深度学习框架的考量因素",
"completion": "评估维度：1. 社区活跃度 2. 文档完整性 3. 硬件兼容性 4. 预训练模型库 5. 部署便利性"
},
{
"prompt": "应对DDoS攻击的防护策略",
"completion": "五层防御：1. 流量清洗中心 2. CDN分发 3. 访问频率限制 4. IP黑名单 5. 负载均衡冗余"
},
{
"prompt": "碳中和实现的关键技术路径",
"completion": "四大方向：1. 可再生能源发电 2. 碳捕集与封存 3. 工业流程电气化 4. 碳交易市场机制完善"
},
{
"prompt": "构建家庭智能安防系统的必备组件",
"completion": "基础配置：智能门锁+摄像头+烟雾传感器+水浸检测+网关中枢+手机联动APP"
},
{
"prompt": "疫苗研发的临床试验阶段划分",
"completion": "三期流程：I期（安全性测试，数十人）→ II期（剂量确定，数百人）→ III期（有效性验证，数千人）"
},
{
"prompt": "选择云服务器的硬件配置策略",
"completion": "决策矩阵：1. CPU核数≈并发请求量 2. 内存≥应用峰值使用量×2 3. 存储类型按IO需求选择"
},
{
"prompt": "企业危机公关的5R原则",
"completion": "应对策略：Regret（真诚致歉）→ Reform（改进方案）→ Restitution（补偿措施）→ Recovery（恢复行动）→ Reinforcement（制度完善）"
},
{
"prompt": "智能合约的典型应用场景",
"completion": "三大领域：1. 去中心化金融(DeFi) 2. 供应链溯源 3. 数字版权交易 4. 自动理赔保险"
},
{
"prompt": "防范电信诈骗的五个原则",
"completion": "安全守则：1. 不透露验证码 2. 官方渠道核实 3. 慎重点击链接 4. 警惕高收益理财 5. 家属涉案必报警确认"
},
{
"prompt": "影响房价的主要经济指标",
"completion": "关键因素：1. 按揭利率 2. 土地供应量 3. 人口迁移趋势 4. 租金收益率 5. 政策调控力度"
},
{
"prompt": "自动驾驶的SAE分级标准",
"completion": "等级定义：L0（人工驾驶）→L1（辅助转向/制动）→L2（部分自动化）→L3（条件自动）→L4（高度自主）→L5（完全自主）"
},
{
"prompt": "健康餐食的营养搭配原则",
"completion": "黄金比例：碳水50%+蛋白质20%+脂肪30%，每餐包含膳食纤维，控制GI值<55，钠摄入<2000mg/天"
},
{
"prompt": "元宇宙的关键技术支撑",
"completion": "六大基石：区块链+AR/VR+5G网络+AI+数字孪生+边缘计算，需交互设备与去中心化经济系统配合"
},
{
"prompt": "设计问卷调查的七个注意事项",
"completion": "要点提醒：1.问题中立 2.选项穷尽 3.逻辑排序 4.避免复合问 5.控制题量 6.预测试用 7.明确填写说明"
},
{
"prompt": "敏捷开发中的每日站会核心规则",
"completion": "三大铁律：1. 15分钟准时结束 2. 回答三问题（昨日进展/今日计划/阻塞障碍）3. 不展开技术讨论"
},
{
"prompt": "卫星互联网的频段分配策略",
"completion": "主流方案：Ka波段（26.5-40GHz）高频段用于高速传输，Ku波段（12-18GHz）保障雨衰稳定性，V波段提供扩容空间"
},
{
"prompt": "初创企业股权分配陷阱规避方法",
"completion": "五个警示：1. 避免均分股权 2. 设立成熟期条款 3. 预留期权池10-20% 4. 明确决策机制 5. 定期动态调整"
},
{
"prompt": "脑机接口的信号传输原理",
"completion": "三层处理：1. 电极捕获神经电信号 2. 模数转换与噪声过滤 3. 机器学习算法解码运动意图"
},
{
"prompt": "选择留学国家的评估维度",
"completion": "八大指标：教育质量、移民政策、就业前景、生活成本、安全系数、文化适应、语言门槛、签证通过率"
},
{
"prompt": "工业机器人可靠性测试标准",
"completion": "关键测试项：MTBF（平均无故障时间）≥5万小时，重复定位精度±0.02mm，负载循环测试10万次无故障"
},
{
"prompt": "构建私域流量的核心步骤",
"completion": "四步走策略：1. 企业微信沉淀用户 2. 内容运营提升粘性 3. 社群分层管理 4. 自动化营销转化"
},
{
"prompt": "FDA医疗器械审批分类标准",
"completion": "三类管理：Ⅰ类（低风险，登记备案）Ⅱ类（中等风险，510(k)审查）Ⅲ类（高风险，PMA临床验证）"
},
{
"prompt": "光伏电站的选址评估要素",
"completion": "六大参数：年日照时长＞1400小时，坡度＜15°，电网接入距离＜10km，土地性质合规，年均温度＜25℃，无阴影遮挡"
},
{
"prompt": "深度学习模型压缩技术对比",
"completion": "方案对比：知识蒸馏（保持精度）vs 权重剪枝（提升速度）vs 量化训练（减少存储）vs 低秩分解（降低计算量）"
},
{
"prompt": "跨境电商物流模式选择策略",
"completion": "决策树：小件选邮政/专线（成本优先），高货值用商业快递（时效优先），大件货物走海外仓（综合成本最优）"
},
{
"prompt": "基因编辑技术的脱靶率控制方案",
"completion": "三重保障：1. 高保真Cas9变体 2. 双重sgRNA验证 3. 全基因组脱靶检测（GUIDE-seq/CIRCLE-seq）"
},
{
"prompt": "智能家居Zigbee与Wi-Fi协议选型建议",
"completion": "选择标准：传输距离远/低功耗设备选Zigbee，高速率/视频传输用Wi-Fi 6，跨平台兼容考虑Matter协议"
},
{
"prompt": "专利申请的创造性判断标准",
"completion": "三要素审查：1. 现有技术差异 2. 技术效果显著性 3. 本领域技术人员非显而易见性"
},
{
"prompt": "新能源汽车电池回收流程",
"completion": "四阶段处理：检测分级→梯次利用（储能系统）→拆解再生（金属提取）→环保处置（电解液无害化）"
},
{
"prompt": "医院HIS系统升级风险评估要点",
"completion": "五类风险：数据迁移完整性、业务中断可能性、新老系统兼容性、人员操作适应性、应急回滚方案完备性"
},
{
"prompt": "数字人民币的离线支付实现原理",
"completion": "双离线技术：NFC近场通信+硬件加密芯片，通过碰一碰完成端对端加密数据交换，联网后后台结算"
},
{
"prompt": "工业互联网安全靶场建设要素",
"completion": "必备模块：虚实映射系统、攻击渗透测试环境、安全防护验证平台、红蓝对抗演练场景库、人才培养课程体系"
},
{
"prompt": "绿色建筑LEED认证评分标准",
"completion": "七大维度：可持续场地（15%）、用水效率（10%）、能源气候（35%）、材料资源（13%）、室内质量（16%）、创新设计（6%）、地域优先（5%）"
},
{
"prompt": "微波光子雷达的技术突破点",
"completion": "前沿方向：光生微波超高频率、光子波束成形精度、光电转换效率提升、抗干扰信号处理算法"
},
{
"prompt": "知识图谱构建的五个阶段",
"completion": "实施流程：1. 知识抽取 2. 数据清洗 3. 实体链接 4. 关系建模 5. 推理验证"
},
{
"prompt": "智能客服的语义理解优化方案",
"completion": "四维提升：领域词典扩充、意图识别模型微调、上下文记忆增强、多轮对话状态跟踪"
},
{
"prompt": "5G网络切片的应用场景划分",
"completion": "三大场景类型：eMBB（增强移动宽带）、uRLLC（超可靠低延迟）、mMTC（大规模物联网）"
},
{
"prompt": "实验室危险化学品管理规范",
"completion": "五项制度：双人双锁存储、使用登记追溯、MSDS随取随查、防护装备配备、应急预案演练"
},
{
"prompt": "影响光伏板发电效率的环境因素",
"completion": "关键参数：光照强度（＞800W/m²）、环境温度（每升1℃效率降0.4%）、积尘程度（每月清洗至少1次）、组件朝向（正南倾角±10°）"
},
{
"prompt": "RPA流程自动化实施方法论",
"completion": "六步路线图：流程识别→可行性评估→工具选型→开发部署→效果监控→持续优化"
},
{
"prompt": "食品添加剂使用的合法性标准",
"completion": "合规四要素：在GB 2760规定范围内、用量不超过最大限量、工艺必要性证明、标签完整标注"
},
{
"prompt": "智慧港口自动化升级关键技术",
"completion": "核心技术栈：5G通信网络、场桥远程操控、AGV路径规划、数字孪生仿真、智能闸口OCR识别"
},
{
"prompt": "脑卒中康复训练的阶段规划",
"completion": "三阶段方案：急性期（被动运动防萎缩）→恢复期（主动训练重建功能）→后遗症期（辅助器具适应性训练）"
},
{
"prompt": "影响FPGA芯片选型的核心参数",
"completion": "关键指标：逻辑单元数量（LE）、存储带宽（Mbps）、DSP模块密度、收发器速率、功耗比（GFLOPS/W）"
}
]