LlamaFactory是一个开源框架，支持多种流行的语言模型，及多种微调技术，同时，以友好的交互式界面，简化了大语言模型的学习。
本章内容，从如何拉取，我已经搭建好的Llamafactory镜像开始，以及构建webui界面，在到加载模型推理、私有化模型的训练及其验证，最后模型的导出。全程都有截图流程，一站式服务，无需你懂代码，无需你拥有高大上的AI基础知识，任何小白都可尝试训练属于自己的私有模型，并部署在自己的服务器上。
一、拉取镜像
大家可点击下方链接，使用Autodl算力云平台
AutoDL算力云 | 弹性、好用、省钱。租GPU就上AutoDL
https://www.autodl.com/home
注册登录充值后，在算力市场上，就可以选择租赁的机器了。
提供多种计费方式，注意下方的显卡数量，初次尝试，选择单卡即可.大家按需选择。
机器确定后，选择社区镜像，然后搜索Llamafactory-webui ,就会出现下方镜像，注意辨别账号名称为 HuiFei-AI。
我的镜像，大约15个G，初次拉取镜像会有点慢，不过还好并不计费，他会在拉取镜像成功之后，自动开机。大家完全可以去干别的事，成功后会以短信的形式通知你。
给大家展示下，我这次选择的机器，为了测试多卡训练，我这里选择了2个 32GB vGPU。另外，大语言模型一般都不会小，所以这里我就付费扩容了数据盘的大小。
大家首次拉取镜像时，如果选择的GPU配置太低，带不起来训练的，又或者磁盘太小，不够下载模型的。别慌，进入容器实例中，找到你现在运行的机器，点击查看详情，可以升降配置，以及扩充磁盘。但必须得在关机状态下修改，在重新开机就行。
二、构建webui界面
开机后，如何链接到租赁的服务器呢？有多种方式...
1、使用平台提供的JupyterLab。容器实例中，快捷工具，如下图中右上角
2、Xshell，Xftp工具，一般配套使用。使用平台提供的登录指令及其密码。不知道如何使用这两个工具的，可自行百度。
我选择搭配使用，平台快捷工具，使用终端，xftp用来拷贝文件
打开JupyterLab后，直接选择终端，进入服务器的命令行窗口
终端下，按下面两条指令依次键入即可
cd LLaMA-Factory
llamafactory-cli webui
上述指令执行后，终端会出现如下字样，生成可访问的链接。
租赁的服务器不具备打开web界面的能力，所以需要做端口暴漏至本机，这里也有两种方式：
1、使用平台上的快捷工具，点击自定义服务
他会让你下载一个压缩包到本机，按照图中步骤去做，没啥难度。
2、第二种方式，我比较常用，使用ngrok工具。官网链接如下
Setup - ngrokhttps://dashboard.ngrok.com/get-started/setup/linux这里需要用到 Authtoken，所以需要你注册和登录ngork账号，获取属于你自己的认证密钥。
在服务器的终端上（一台服务器上可同时打开多个终端），键入以下指令，安装ngrok工具。
curl -sSL https://ngrok-agent.s3.amazonaws.com/ngrok.asc \
| sudo tee /etc/apt/trusted.gpg.d/ngrok.asc >/dev/null \
&& echo "deb https://ngrok-agent.s3.amazonaws.com buster main" \
| sudo tee /etc/apt/sources.list.d/ngrok.list \
&& sudo apt update \
&& sudo apt install ngrok
安装后，终端键入如下指令 ，确认安装是否成功，以及版本。
ngrok version
接下来就是配置你的认证密钥，服务器终端下，键入如下指令，记得切换你的认证密钥。
ngrok authtoken <你的auth token>
配置好以后，执行端口暴漏命令，llamafactory默认使用的端口号为7860。
ngrok http 7860
暴漏成功后，会生成一个链接，点击链接，即可在本机上，打开llamafactory的webui界面了 。
此时，就正式开启了我们的训练大语言模型的奇妙之旅了。
三、下载模型
Llamafactory默认会根据你选择的模型名称，从huggingface中现下载模型，这个过程需要外网，所以一般会下载失败，不建议这种方式。
这里推荐使用 modelscope，内网就可直接下载，官网链接如下。
ModelScope魔搭社区https://community.modelscope.cn/
进入官网后，大家可直接从模型库，搜索你想要的模型。市面上流行的模型，这里一般都有。
找到你要的模型后，这里假设准备使用deepseek-1.5b的模型，点进该模型后，找到模型文件。
右侧会有个下载模型按钮，点击
modelscope 支持多种下载方式，我这里选择的是SDK下载方式。
服务器终端，键入python，进入交互式编程界面
粘贴我下方的命令，会指定下载路径，官网给的代码默认会将模型下载到系统盘，模型太大，会爆的，建议大家将模型都下到数据盘中（autodl-tmp），数据盘可随便扩容，也可在克隆实例时，连同数据盘一起克隆，避免在不同机器上重复下载，非常方便。
#模型下载
from modelscope import snapshot_download
model_dir = snapshot_download('deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B'，cache_dir='/root/autodl-tmp')
接下来就是等待时间了，建议大家早上（8点之前）或者夜晚下载，速度很快。大白天下载，速度慢到怀疑人生。
四、加载模型推理
模型下载好以后，大家可在webui界面，加载本地模型进行推理聊天了，如下图所示：
模型路径 ->填写你下载到服务器上的模型位置
选择 chat 模式，然后点击加载模型
模型加载成功后的界面如下，右侧是推理时的超参调节。
切记：模型不用时，记得先卸载模型。因为模型是要加载到内存中的，而模型本身又很大，占用相当大的内存空间。
五、加载数据集
接下来就是调用我们自己的私有数据，微调基础模型，首先就是如何加载数据集：
llamafactory指定了数据路径，图中data，大家不用修改
数据集下拉选项，有一些 llamafactory 自带的数据集
比如 alpaca_zh_demo 这个中文数据集，选中后，可预览
那大家如何加载到自己的数据集呢 ？请看Llama-factory目录下的data目录，下图是我在本地机器上打开的，大家可在平台快捷工具，或者xftp中查看。
这里就有我们刚选中的 alpaca_zh_demo 数据集，是一个 json 文件。
大家可以将自己的数据集文件放到该目录下
这里有个注意事项：llamafactory 并不会自动检索data目录下的文件，而是通过一个配置文件，叫dataset_info，也是一个json格式的：
定义key为 "alpaca_zh_demo"，即webui界面，下拉选项中的数据集名称
value为{ "file_name": "alpaca_zh_demo.json"}，记录的是数据集在data目录下的真实文件名
六、微调模型
选择 Trian 模式，即训练模式
基础模型还是选择本地路径，数据集选择自带的 alpaca_zh_demo 数据集。剩下的就是微调方式选择，以及超参数的设置，这里不过多讲解，整体都放到第八章，参数详解中说。
如果大家选择的显卡配置较低，建议 批处理大小为1，截断长度 1024，这些都会降低对机器的要求，保证能训练起来。
模型、数据集、参数都配置好后，点击下方的预览命令，会出现一串指令，是llamafactory 训练的指令集，其中，一些参数就是根据我们上面配置而生成的。
这串指令，可以键入到终端下，执行训练，也可以点击 webui 界面上的 开始按钮。
保存训练参数，保存至服务器中，路径自动生成。
载入训练参数，保证模型训练被中断后，可从断点开始训练，而不用重新开启训练。
保存检查点，是模型训练完以后，保存的重要文件，根据时间自动生成文件名。整体路径，会根据上方模型名，以及微调方式，自动生成，具体可看预览命令中的 output_dir。为了方便管理训练后的模型，建议大家除了从本地导入模型路径，还应将模型名称修改为对应名称，这样训练后保存的检查点，大家也知道是基于那个基础模型训练的。
开始训练后，webui 上会出现损失曲线，也会在下方打出日志。
当然，在终端也能查看训练进度，如下图所示。
超参中，有个设备数量，这个不需要自己填写，程序会自动识别你当前用的GPU数量。
DeepSpeed stage 是一种加速器，后续参数详解会说，感兴趣的可以直接跳转。
我用的是2卡，直接训练后，终端查看英伟达显卡的使用情况。
nvidia-smi
也可以使用平台的快捷工具，实例监控，查看GPU的使用情况。
平台上的实例监控，能展示的信息太少了。
这里推荐一个好用的工具 wandb，首先得在官网注册登录账号，我是直接使用github登录的。然后，获取个人密钥。
服务器新开一个终端窗口，安装以及登录wandb
#安装依赖包
pip install wandb
#登录
wandb login
上述指令执行成功后，终端会让你 填入密钥，复制你的个人密钥，粘贴进去，回车即可。
wandb认证成功后，在启用 webui 的训练功能时，其他参数设置选项中，启用外部记录面板，选择wandb就行。
此时在开启训练时，终端会弹出链接，直接点进去就进入到你的wandb帐号了。
这里记录的训练日志信息，比较全面。
七、模型验证及导出
训练结束后，就可以直接加载训练后的模型，进行推理了。
该工具训练后，只会保存检查点，不是一个完整的模型格式。如果大家直接在该webui上加载模型，采用如下图的方式
- 选中本地模型路径，即训练用的基础模型
- 选中保存后的检查点
加载模型，此时就是我们微调后的模型了。此时，可以用训练数据集中的问题，和模型聊天了。
下图就是我们刚才用到的数据集：
同样的问题，提问训练后的模型。
接下来就是将训练后的模型导出来，刚才说了，训练后只保存检查点，需要搭配原模型文件使用。
- 模型路径，检查点，确定都无语后
- 选中 export 模式
- 模型一般较大，分块是指每一个文件的大小，可将模型分为几块保存
- 选择导出目录，开始导出
这个也可以去终端看导出流程，页面上可能长时间没动静，后台依然在工作。
这是我导出来的模型文件，和基础模型的文件配置是一样的
八、参数详解
稍等，稍后会补充