大模型微调｜使用 LLaMA-Factory 微调 Llama3-8B-Chinese-Chat 完成知识问答任务

前言：本篇博客分享如何基于LLaMA-Factory使用现有金融数据集实现LLaMA3的微调，以完成金融领域的知识问答任务。

--

参考教程：https://github.com/echonoshy/cgft-llm/tree/master/llama-factory

相关视频：https://www.bilibili.com/video/BV1uw4m1S7Cd/

📝写在前面：其实github教程已经很详细了，但是自己在按照教程里的步骤实现的时候，由于环境版本各种不适配等原因，还是遇到了很多问题，在此记录一下，希望能够帮到大家。

目录

• [0. 计算资源介绍（显卡&cuda）](#0. 计算资源介绍（显卡&cuda）)
• [1. Conda环境搭建（Python 3.10）](#1. Conda环境搭建（Python 3.10）)
• [2. 基座模型下载（LLaMA3 8B）](#2. 基座模型下载（LLaMA3 8B）)
• [3. LLaMA-Factory 框架安装](#3. LLaMA-Factory 框架安装)
• [4. 训练数据准备](#4. 训练数据准备)
• [5. 模型微调](#5. 模型微调)
• • [5.1 基于WebUI的微调](#5.1 基于WebUI的微调)
  • [5.2 基于命令的微调](#5.2 基于命令的微调)
• [6. 微调Debug历程故障排除](#6. 微调Debug历程故障排除)
• [7. 在线对话](#7. 在线对话)
• • [7.1 Web UI 对话](#7.1 Web UI 对话)
  • [7.2 终端对话](#7.2 终端对话)
  • [7.3 OpenAI API 对话](#7.3 OpenAI API 对话)
• [8. 模型合并](#8. 模型合并)

---

0. 计算资源介绍（显卡&cuda）

使用的服务器资源信息：

1. RTX 4090 (24GB) × 1
2. cuda版本 12.0
   

---

1. Conda环境搭建（Python 3.10）

新建conda环境，⚠️python版本要高于3.9（否则无法正常使用llamafactory），这里选取python 3.10版本。

conda create -n demo python==3.10
conda activate demo #切换到新建的demo环境中

然后，安装必要的库，以下是关键库的版本信息：

⚠️：我这里给出的版本不一定适用于各位，要结合自己的cuda版本（使用nvidia-smi命令查看）来安装，保证版本的兼容。

⚠️：这一步很关键！一定要选择适合硬件版本的库，否则在后续的微调过程中会经历长时间的debug......

---

2. 基座模型下载（LLaMA3 8B）

选用基于中文数据训练过的 LLaMA3 8B 模型：shenzhi-wang/Llama3-8B-Chinese-Chat

依次执行以下命令下载上述模型：

pip install -U huggingface_hub
export HF_ENDPOINT=https://hf-mirror.com  # （可选）配置 hf 国内镜像站 
huggingface-cli download --resume-download shenzhi-wang/Llama3-8B-Chinese-Chat --local-dir /newdata/z_demo/Llama3-8B-Chinese-Chat 

--local-dir参数/newdata/z_demo/Llama3-8B-Chinese-Chat 替换为下载路径。

---

3. LLaMA-Factory 框架安装

首先下载LLaMA-Factory，有以下两种方式：

• 执行git clone https://github.com/hiyouga/LLaMA-Factory.git自动下载LLaMA-Factory，但该方法常常由于网络原因下载失败。
• 手动下载该项目后上传到服务器对应目录下。

下载完成后，终端执行cd LLaMA-Factory-main命令切换到对应目录下，然后执行pip install -e .安装。

（安装需要一定时间，本人这里网速较慢，大约1h完成）

---

4. 训练数据准备

下载训练数据，将其放到LLaMA-Factory-main的data子目录下，包括identity.json（457行）、fintech.json（2648行）以及dataset_info.json（484行）这三个文件。

⚠️：这里的训练数据就是接下来模型微调会用到的数据。

---

5. 模型微调

⚠️：可以在步骤5.1的UI界面中开启微调，也可以采用步骤5.2中命令行的方法微调（本博客中选择后者）。

5.1 基于WebUI的微调

终端执行 cd LLaMA-Factory-main 切换到该目录，然后执行 llamafactory-cli webui 打开UI界面：

5.2 基于命令的微调

首先将LLaMA-Factory-main/cust/train_llama3_lora_sft.yaml文件中的模型加载路径model_name_or_path和保存路径output_dir进行如实修改：

然后在终端依次执行命令：

export NCCL_IB_DISABLE=1
export NCCL_P2P_DISABLE=1
CUDA_VISIBLE_DEVICES=0 llamafactory-cli train cust/train_llama3_lora_sft.yaml # 指定使用id=0的显卡

成功训练：

经过一段时间（30min左右）的等待，训练完毕：

至此，得到训练好的 LoRA Adapter（150M左右），保存在之前设置好的output_dir（saves/LLaMA3-8B-Chinese-Chat/lora/train_demo）目录下，训练loss变化图也在其中（如下）。

6. 微调Debug历程故障排除

⚠️：如果不执行上面那两个export相关命令会报如下错误：

⚠️： 如果在环境搭建时未安装unsloth库，则会报错如下：

⚠️：如果遇到下述错误：

根据相关资料，解决方案为：

在LLaMA-Factory-main/src/llamafactory/extras/env.py文件中添加下列代码：

datasets.builder.has_sufficient_disk_space = lambda needed_bytes, directory='.': True

⚠️：如果遇到如下错误，说明triton库的版本出了问题，参见步骤1 环境搭建安装合适版本的triton库。

---

7. 在线对话

这里挑选了fintech.json文件中的一个例子：

根据金融研报，为什么白酒板块的估值下探空间已经不大？\n基于以下材料回答上述问题:\n\n投资建议：前期估值和市值对预期反应充分，近期刺激消费的政策陆续出台，我们认为居民消费信心有望逐步恢复，下半年改善节奏有望加速。 白酒板块：三重底部估值底、预期底、基本面底或已确认，预计当前在宏观环境边际改善、业绩确定性较强情况下估值下探空间或已不大、下半年基本面压力趋缓的情况下可以逐步乐观。 首推优质龙头，推荐泸州老窖、贵州茅台、五粮液、山西汾酒、古井贡酒；其次看多超跌的弹性品种，老白干酒、金种子酒、酒鬼酒、顺鑫农业。 大众品板块：消费本身中长期逻辑（消费升级+集中度提升）未发生重大变化，宏观政策向好提振消费信心，我们预计与餐饮、出行相关的消费场景有望优先恢复。

7.1 Web UI 对话

方式一 ：使用 Web UI 界面进行对话：在LLaMA-Factory-main目录下执行命令CUDA_VISIBLE_DEVICES=0 llamafactory-cli webchat cust/train_llama3_lora_sft.yaml，报错如下：

根据相关资料参考，尝试删除train_llama3_lora_sft.yaml文件中的未使用参数['do_train', 'fp16', 'gradient_accumulation_steps', 'learning_rate', 'logging_steps', 'lr_scheduler_type', 'max_grad_norm', 'num_train_epochs', 'optim', 'output_dir', 'per_device_train_batch_size', 'report_to', 'save_steps', 'warmup_steps']，再次运行：

成功跳转到下述页面：

Web UI 界面语言默认 en（英文），改成 zh（中文），浅浅尝试一下效果：

回答如下：

7.2 终端对话

方式二 ：直接在终端对话，在LLaMA-Factory-main目录下执行命令CUDA_VISIBLE_DEVICES=0 llamafactory-cli chat cust/train_llama3_lora_sft.yaml：

7.3 OpenAI API 对话

方式三：使用OpenAI API风格进行对话：

# 指定多卡和端口
CUDA_VISIBLE_DEVICES=0 API_PORT=8000 
llamafactory-cli api cust/train_llama3_lora_sft.yaml

⚠️：这种方式未成功，知道原因的小伙伴可以分享一下解决方案，在这里不深究了

---

8. 模型合并

运行llamafactory-cli export cust/merge_llama3_lora_sft.yaml命令，将步骤2中的基座模型与步骤6中训练好的 LoRA Adapter 合并成一个新的模型。

---

收获：本次复现首次了解到unsloth库，能够加速⏩大模型微调。此前只是使用过LoRA微调Qwen/llama大模型完成文本分类任务，这次也尝试了使用LLaMA-Factory微调llama，完成专业领域的知识问答任务。之后可以尝试更换微调数据集，完成其他领域的大模型微调。