Ollama + Python 极简工作流

你是否曾想过让强大的开源大模型（LLM）更懂你的专业领域，或者更能模仿你的写作风格？微调（Fine-Tuning）就是实现这一目标的钥匙。过去，微调是资源雄厚的大公司的专利，动辄需要数十张GPU和复杂的分布式训练知识。

但现在，感谢 Ollama 和 Python 生态的强大工具，这一切变得前所未有的简单。本文将手把手带你，用一个消费级GPU（甚至CPU！），在1小时内完成属于你自己的模型微调。

测试开发全景图：人工智能测试、智能驱动、自动化、测试开发、左移右移与DevOps的持续交付

准备工作：安装核心工具

在开始之前，我们需要准备好两样核心工具：

1. Ollama: 用于本地拉取、运行和管理大模型。
2. Python 环境: 用于准备微调数据和执行微调脚本。

步骤一：安装 Ollama 访问 Ollama 官网 (ollama.com)，根据你的操作系统%25EF%25BC%258C%25E6%25A0%25B9%25E6%258D%25AE%25E4%25BD%25A0%25E7%259A%2584%25E6%2593%258D%25E4%25BD%259C%25E7%25B3%25BB%25E7%25BB%259F "https://ollama.com)%EF%BC%8C%E6%A0%B9%E6%8D%AE%E4%BD%A0%E7%9A%84%E6%93%8D%E4%BD%9C%E7%B3%BB%E7%BB%9F") (Windows/macOS/Linux) 下载并安装。安装完成后，打开终端/命令提示符，拉取一个我们要微调的基础模型，例如小巧高效的 Llama 2：

ollama pull llama2

步骤二：创建 Python 环境并安装库 创建一个新的项目目录，然后建立一个 Python 虚拟环境（推荐），并安装必要的库。

# 创建项目目录
mkdir ollama-finetune-tutorial
cd ollama-finetune-tutorial

# 创建虚拟环境 (可选但推荐)
python -m venv .venv
# 激活虚拟环境
# On Windows: .venv\Scripts\activate
# On macOS/Linux: source .venv/bin/activate

# 安装核心库
pip install transformers datasets peft huggingface_hub
# 用于后续格式转换和推送
pip install ollama

第一步：准备微调数据

微调的成功很大程度上取决于数据。数据不需要多，但需要"精"和"相关"。我们以"让模型学会用莎士比亚的风格写作"为例。

创建一个名为 data.jsonl 的文件，每行是一个 JSON 对象，包含 prompt（指令）和 completion（期望的回复）。

{"prompt": "Write a poem about the sun:", "completion": "Hark! The golden eye of heaven doth rise,"}
{"prompt": "What is love?", "completion": "Love is a smoke made with the fume of sighs,"}
{"prompt": "Describe the sea.", "completion": "The vasty deep, a restless field of salt and sorrow,"}

提示：对于实际任务，你可以准备问答对、指令-回复对，或者任何你希望模型学习的文本格式。数据量从几十条到几千条均可。

第二步：转换数据格式

Ollama 的微调需要一种特定的格式。我们需要将上面的 data.jsonl 转换为一个 .parquet 文件。创建一个名为 convert_to_parquet.py 的脚本：

import json
import pandas as pd
from datasets import Dataset

# 读取我们准备的 jsonl 文件
data = []
with open('data.jsonl', 'r') as f:
    for line in f:
        data.append(json.loads(line))

# 转换为 Hugging Face Dataset 格式
df = pd.DataFrame(data)
dataset = Dataset.from_pandas(df)

# 保存为 Parquet 格式，这是 Ollama 微调所需的
dataset.to_parquet('fine_tuning_data.parquet')

运行这个脚本：

python convert_to_parquet.py

现在你的目录下会生成一个 fine_tuning_data.parquet 文件。

第三步：执行微调！

这是最激动人心的一步。Ollama 的命令行工具直接支持微调。打开终端，确保你在项目根目录下，然后运行以下命令：

ollama create my-shakespeare-model -f Modelfile

这里的 my-shakespeare-model 是你自定义的新模型名字，Modelfile 是一个配置文件。我们需要先创建这个 Modelfile。

创建一个名为 Modelfile 的文件（无后缀），内容如下：

FROM llama2 # 指定基础模型

TEMPLATE """[INST] {{ .Prompt }} [/INST] {{ .Response }} </s>""" # 使用与Llama2匹配的对话模板

PARAMETER stop "[INST]"
PARAMETER stop "[/INST]"

SYSTEM """You are William Shakespeare. Respond to all prompts in the style of the Bard of Avon."""

ADAPTER ./fine_tuning_data.parquet # 指向我们的微调数据

关键解释：

• FROM: 指定从我们之前拉取的 llama2 模型开始微调。
• TEMPLATE: 定义了模型如何理解输入和输出。这里的格式与 Llama 2 的指令格式保持一致。
• SYSTEM: 给模型一个系统级别的角色设定。
• ADAPTER: 这是核心，它告诉 Ollama 使用我们准备好的 fine_tuning_data.parquet 文件来进行微调。

现在，再次运行微调命令：

ollama create my-shakespeare-model -f Modelfile

终端会开始输出日志。你会看到模型正在被训练。这个过程的速度取决于你的数据大小和电脑硬件（GPU/CPU）。对于示例中的几条数据，几乎是瞬间完成的。

第四步：测试你的微调模型

微调完成后，你就可以像使用任何其他 Ollama 模型一样使用它了！

在终端中直接运行：

ollama run my-shakespeare-model
>>> Write a poem about Python code.

或者，用 Python 代码来调用：

import requests
import json

# 设置 Ollama 服务器的本地 API 地址
url = 'http://localhost:11434/api/generate'

# 准备请求数据
data = {
    "model": "my-shakespeare-model", # 使用你刚创建的模型名
    "prompt": "What is the meaning of life?",
    "stream": False
}

# 发送 POST 请求
response = requests.post(url, json=data)

# 解析并打印结果
result = response.json()
print(result['response'])

预期效果： 此时，模型回答"生命的意义是什么？"这个问题时，不再是用它原本的风格，而是会尝试模仿莎士比亚的戏剧性、诗歌化的语言风格。

总结与进阶

恭喜！你已经成功完成了第一次 LLM 微调。这个过程的核心流程可以总结为：

1. 准备数据 -> 2. 转换格式 -> 3. 编写 Modelfile -> 4. 执行 ollama create

下一步你可以尝试：

• 领域知识微调：准备你所在行业（如法律、医疗、编程）的问答数据，打造一个专业顾问。
• 风格模仿：提供大量某个作家或你自己的写作样本，让模型学会这种文风。
• 使用更多数据：尝试更大的数据集，体验模型能力更显著的变化。
• 调整参数 ：在 Modelfile 中，你还可以添加 PARAMETER num_epochs 10 这样的语句来控制训练轮数，可能会获得更好的效果（但也要小心过拟合）。

测试开发全景图：人工智能测试、智能驱动、自动化、测试开发、左移右移与DevOps的持续交付

微调不再遥不可及。借助 Ollama 和 Python，每个人都可以轻松地打造出更贴心、更专业的专属大语言模型。现在，就快去用你的数据创造独一无二的AI吧！