Qwen3-8B 在华为昇腾平台上的保姆级微调与推理教程 (基于AutoDL)
本文是一篇详尽的实践指南，旨在帮助开发者和AI爱好者在AutoDL平台上，利用华为昇腾（Ascend）硬件，轻松完成对 Qwen3-8B 模型的推理和LoRA微调。
我们将使用由社区贡献者 aistudent 封装的 Qwen3-ALL-Ascend 镜像，它集成了所有必要的环境和脚本，真正实现"一键启动"。
1. 环境准备：一键创建昇腾实例
部署一个复杂的炼丹环境从未如此简单。我们从 CodeWithGPU 社区找到已经配置好一切的镜像开始。
步骤 1：在 CodeWithGPU 找到目标镜像
首先，访问 CodeWithGPU 平台，搜索 qwen3。在搜索结果中，找到并选择适配华为昇腾（Ascend）的 Qwen3-ALL-Ascend 镜像。
步骤 2：跳转到 AutoDL 创建实例
在镜像详情页，页面右侧清晰地标明了所需的硬件配置。直接点击 "AutoDL创建实例" 按钮，它将引导我们进入预设好配置的创建页面。
步骤 3：确认配置并启动实例
跳转后，你会发现AutoDL的实例创建页面已经为你智能地选择了华为昇腾910B的GPU、合适的镜像以及其他配置。你只需检查无误后，点击右下角的 "创建并开机" 即可。
步骤 4：进入JupyterLab开发环境
实例创建并开机成功后（状态变为"运行中"），在AutoDL的"容器实例"面板中，找到你的实例，并点击 "JupyterLab"。这是我们进行所有操作的主要入口。
步骤 5：打开终端
进入JupyterLab后，打开一个终端（Terminal）。你会看到一个欢迎界面，其中包含了当前环境的系统资源信息，确认GPU为 Ascend 类型。
至此，我们的开发环境已经准备就绪！
2. 基础模型推理：体验原生Qwen3-8B的强大能力
在微调之前，让我们先来体验一下基础模型的对话能力。镜像作者已经为我们准备好了一键启动脚本。
首先，我们可以使用 ls 命令查看当前目录下的文件，熟悉一下环境：
bash
root@autodl-container-6ce943a632-ed7347c0:~# ls
1-8B推理-API接口.sh 2-8B模型一键微调.sh 3-8B-推理-界面-微调后.sh Ascend ascend cache tf-logs
1-8B推理-命令行.sh 3-8B-推理-API接口-微调后.sh 4-8B-合并-微调后.sh LLaMA-Factory atc_data merge.yaml 切换模型
1-8B推理-界面.sh 3-8B-推理-命令行-微调后.sh 5-8B推理-命令行.sh Qwen3-8B autodl-tmp miniconda3执行以下命令来启动命令行对话程序：
bash
./1-8B推理-命令行.sh脚本会自动加载模型。请耐心等待，直到日志加载完成，并出现 User: 提示符。
现在，你可以开始和模型进行对话了。它不仅能进行日常聊天，还能完成复杂的编码任务。
例如，我们可以让它编写一个关于iris数据集的Python代码：
体验完成后，按 Ctrl + C 退出对话程序。
3. 模型微调：使用LoRA定制你自己的模型
接下来是激动人心的环节------使用我们自己的数据对模型进行微调。这里我们使用 LLaMA-Factory 框架和 LoRA 技术进行高效微调。
微调脚本详解
镜像中 2-8B模型一键微调.sh 脚本的内容如下。它配置了所有微调所需的参数，例如模型路径、数据集、输出目录、学习率等。
shell
cd /root/LLaMA-Factory/
llamafactory-cli train \
--stage sft \
--do_train \
--model_name_or_path /root/Qwen3-8B \
--dataset distill_psychology-10k-r1 \
--dataset_dir /root/LLaMA-Factory/data \
--template qwen3 \
--finetuning_type lora \
--output_dir /root/autodl-tmp/Lora-LLM/saves/Qwen3-8B/lora/sft \
--overwrite_cache \
--overwrite_output_dir \
--cutoff_len 1024 \
--preprocessing_num_workers 16 \
--per_device_train_batch_size 2 \
--per_device_eval_batch_size 1 \
--gradient_accumulation_steps 8 \
--lr_scheduler_type cosine \
--logging_steps 50 \
--warmup_steps 20 \
--save_steps 100 \
--eval_steps 50 \
--eval_strategy steps \
--load_best_model_at_end \
--learning_rate 5e-5 \
--num_train_epochs 5.0 \
--max_samples 1000 \
--val_size 0.1 \
--plot_loss \
--fp16提示 ：你可以通过修改
--dataset参数来使用自己的数据集。只需将你的数据集文件放到/root/LLaMA-Factory/data目录下，并在该目录的dataset_info.json中添加相应配置即可。
开始微调
在终端中执行以下命令启动微调过程：
bash
./2-8B模型一键微调.sh训练开始后，你会看到详细的日志输出，包括训练进度、loss变化等。
可视化训练结果
由于我们在脚本中添加了 --plot_loss 参数，训练完成后，框架会自动生成一张损失曲线图。从图中我们可以直观地看到 eval_loss 随着训练步数的增加而稳步下降，证明我们的微调是有效的。
4. 后续步骤：验证并使用微调后的模型
微调完成后，LoRA权重文件已保存在脚本指定的 --output_dir 目录中。
现在，你可以使用 3-8B-推理-命令行-微调后.sh 脚本来加载基础模型和你的LoRA权重，与你专属定制后的模型进行对话，检验它的新能力！
恭喜你！你已经成功在华为昇腾平台上完成了对Qwen3-8B模型的推理和微调。希望这篇教程能为你打开大模型探索之旅的大门。
如果你觉得这篇教程对你有帮助，欢迎访问我的博客 blog.mashijian.com 获取更多关于AI、大模型和深度学习的实战教程与技术分享！