1. 概述：

LLAMA FACTORY是一个旨在普及LLMs微调的框架。它通过可扩展的模块统一了多种高效微调方法，使得数百种语言模型能够在资源有限的情况下进行高吞吐量的微调。该框架简化了常用的训练方法，如生成式预训练、监督式微调、基于人类反馈的强化学习以及直接偏好优化等。用户可以通过命令行或Web界面，以最小或无需编码的方式自定义和微调他们的语言模型。该演示文档就是基于Web界面进行微调和对话。

2. 准备环境：

1.【开发环境】创建开发环境

1. 填入【名称】“llama-factory”选择【队列】及【可用区】。

   

2. 【资源配置】- 【GPU加速型】下拉选择规格“CPU:20核|内存：108GB|GPU：NVIDIA-H800-80G*1” （规格根据实际情况修改 GPU类型可选择A100 H800）

   

3. 【选择框架版本】中点击【社区镜像】，选择LLaMa Factory框架。

   

2.点击【确认】按钮创建开发机。

3.进入开发环境：

1. 【开发环境】刷新状态，等“llama-factory”状态进入运行中后点击右侧操作栏【打开】。

   

2. 点击【打开】跳转到Jupyte开发机

   

3. 在Jupyter启动页【AI Community】下点击"AI Task:LLaMA"跳转到LLaMA Factory页面

   

3.设置微调参数：

1. 进入WebUI后，切换到中文（zh）。首先配置模型，选择“LLaMA3-8B-Chat”模型，微调方法则保持默认值lora

   

2. 数据集使用预置演示的Train，用户可以根据自己的需要修改。

3. 设置学习率为1e-4，梯度累积为2，有利于模型拟合。可以更改计算类型为bf16

4. 点击LoRA参数设置展开参数列表，设置LoRA+学习率比例为16。在LoRA作用模块中填写all，即将LoRA层挂载到模型的所有线性层上，提高拟合效果

   

4.启动微调：

1. 将输出目录修改为train_llama3_8b，训练后的LoRA权重将会保存在此目录中。点击「预览命令」可展示所有已配置的参数，您如果想通过代码运行微调，可以复制这段命令，在终端命令行运行。
   点击「开始」启动模型微调。

2. 在Jupyter启动页【其他】下点击"终端"跳转到终端页面

3. 终端输入命令 tail -f /var/log/llama-factroy.log 查看微调进度

4. 可以看到下载LLaMA3-8B-Chat大约需要20分钟；完成微调大约需要20分钟；显示“训练完毕”代表微调成功，可以在界面观察损失曲线。

   

   

   

5.模型评估：

1. 微调完成后，点击【刷新适配器】，然后点击【适配器路径】，点击选择下拉列表中的"train_llama3_8b"选项。

2. 选择【Evaluate&Predict】，在数据集下拉列表中选择"eval"评估模型。点击【开始】启动模型评估。

3. 大约5分钟后，评估完成后会在界面上显示分数。ROUGE分数越高代表模型学习越好。

   

6.模型对话：

1. 点击【chat】栏，确保适配器路径是train_llama3_8b，点击【加载模型】。

2. 在话框输入对话内容，点击【提交】发送消息。大模型会生成相应人物的回答。