一文掌握大模型数据准备、模型微调、部署使用全流程

距离ChatGPT已经发布1年半了，距离我们训练出自己的大模型也已经1周年了。目前仍然有很多同学在咨询如何训练自己的大模型。这个东西和男/女朋友一样。当你不认识TA，距离TA很远，不敢接触TA的时候，TA就是很神秘，也很难接触。但是一旦当你愈发了解TA的时候，你就知道其实上手也很容易。之前我已经撰写了一个简单的训练大模型的代码，用于阐述大模型训练其实和原来的训练没什么两样。但是随着大模型深入到了每一个研究者的手上，这时候，训练部署的代码框架就更为重要了。

时隔半年，大模型的生态体系也逐渐完善，包括huggingface在内的库都已经跟上来了。例如，huggingface自己出的alignment handbook，中文的Firefly,以及今天要讲的LLAMA_factory。LLaMA-Factory早期确实是面向LLaMA系列的模型的，但是后来其他模型也都支持上了。而且，本来是为了更快的指令微调，后来不仅在流程上补全了预训练和强化学习，而且在配置上，也增加了各种训练方法和部署等。

安装LLAMA_factory相对来讲比较容易，但是依赖项很多，需要安装很久。

安装完以后，就可以尽情的去训练了。因此在本文中，我们将快速的带大家过一遍整个大模型的全流程，从数据准备、模型训练和部署使用三个步骤开始讲解，保证让不懂大模型具体怎么做的兄弟姐妹都能够在1个下午搞定整体流程，当然预训练和强化学习这个框架都能够使用，本文以指令微调为例进行说明。

大模型的训练离不开数据集，目前随着许多优秀的基座模型发布，例如Llama3和Phi-3都已经显著超越它们的前辈，因此英文上的基础对话能力基本上是没啥问题了。如果一定要再微调的话，都是朝着特定任务或者缺陷来补足，或者是来汉化等等。这里，我们主要介绍一些数据来源。

例如，最新的吵的沸沸扬扬的弱智吧数据也还不错的COIG-CQIA: Quality is All You Need for Chinese Instruction Fine-tuning，提供了一个高质量的中文数据集。当然，也有一些经典的指令数据集可以用，例如alpaca-gpt-4和sharegpt-4的汉化版等等，可以用于汉化微调。

当然，这里都是使用的sharegpt的格式存储的。需要提一句的是，一般指令数据有两类，一类是alpaca的数据格式，一类是sharegpt的数据格式，目前的微调框架大部分适配了这两类。当然也可以自己撰写指定的格式，都是可以的。

两者的格式区别如下所示：

也就是说，只要将自己的数据转换成上述的指令微调数据的形式，都是可以进行大模型微调的。这就非常简单。当然llama_factory也内置了许多常用的数据集，可以在data中找到相应的数据集。也可以自己构建属于自己的文件，放到data下或者任意一个地方都可以，只要是类似的结构就可。

然后，最重要的数据处理过程来了，那就是需要将自己的数据集的格式告诉给框架，通过dataset_info.json进行一个编辑。

例如，官方给出的数据集描述格式如下：

但是实际上我们可能需要的简单的数据集是这样的:

这里需要关注的就是tags这部分，user_tag可以是"human"也可以是"user"，主要看自定义的数据集里的用户的标签是什么，同理assistant_tag也是如此，这部分可以从dataset_info文件里的其他数据集描述中参考。因此，只需要将我们需要的数据集处理成这种形式，放到data文件夹下即可。

作为最为关键的一部分，llama_factory已经将模型训练简化成非常傻瓜式的一键训练了，其训练代码可以在example里找到，这里我们看一个全量微调的脚本example/full_multi_gpu/single_node。

可以看到这里其实是使用deepspeed框架在4块GPU上进行的训练。如果是训练百川模型遇到了问题，可以参考这个解决方案注释掉验证的那几行参数即可。

另外一个需要注意的是，如果使用的是chat模型进行再微调的话，一定要看看template文件里的描述是否与原模型一致。如果是base模型的话，使用default或者自定义模板都可以。

如果真的想看训练的底层代码，可以直接看它的sft源码，也没什么神秘的地方。

当你用上wandb训练后，会得到如下的训练过程图：

一定要记得提前使用下面的命令登录wandb

这里也放出训练各个模型大小所需要的内存量，以评估当前设备能训练什么样的模型：

这里我也放一个LORA训练的命令，用于进行对比：

其实可以看到和全量微调的差异不大，就是指定了lora的训练。但是这里需要阐述的是lora_target是有要求的，根据不同的模型填写的内容也不一样。

如果是使用LORA等方法训练的话，还需要对模型进行一个合并，这里只需要三个关键地址：path_to_base_model,path_to_adapter以及path_to_export。

预训练和强化学习的训练代码与微调的差异不大，大家可以看一下，如果需要的话，后面会再详细阐述这两个部分的训练过程。

预训练的代码：

强化学习的代码(DPO):

当我们训练模型完成后，可以用llama_factory自带的测试代码构建起一个简易的命令行UI或者webUI。

但是我们有时候不仅需要批量的测试，更多的时候，希望的是可以部署起来，让我们大家都亲自用一用体验一下。那么部署有很多可以使用的前端，早期可以使用caht-next-web其部署方案我们之前已经写过了。当然，最近比较流行的是open webui。部署的前端是不需要任何GPU资源的，和很多常见的前端UI一样，之前我们部署过chat-next-web，那个是专门给chatgpt使用的，当然也适配其他的openai风格的api，就是设置起来麻烦一些。

这次我们使用open webui作为前端UI，相比较chat-next-web，它拥有更加广泛的后端接口方式以及丰富的前端支持，包括图片的输入输出和语音的输入输出。本质上，它就是一个完全模仿openai的官方界面的一个项目。但是可以选择官方提供的模型、ollama后端提供的模型，或者是自己构建的模型。

当然也有其他的前端供大家使用，在ollama里提供了大量的仓库供大家挑选，我这里就不一一列举了。

。

根据官方教程，使用docker启动它：

这时候，会拉取oepn-webui的镜像进行下载。稍等片刻后，就能够直接访问了，这里访问端口是服务器的IP:3000端口，8080是docker的端口，注意避免冲突就可以。

第一次在浏览器输入服务器IP:3000后，会有这样一个界面。 这时候点击sign up进行用户注册。

当注册完毕后，第一个登录系统的用户是管理员权限，可以在左下角的用户头像里能够看到一个管理员面板（Admin Panel），单击后可以对于用户实现角色的管理。据官方说实现了RBAC（Role-Based Access Control, 基于角色的访问控制）功能。还记得RBAC第一次听说这个名词的时候还是十年前做用户管理系统的时候，满满的回忆。

登录完毕以后，面板如图所示，特别像openai的官方界面，这时候可以注意到最上面的select a model，但是点击后，是没有任何模型的。需要点击右边的齿轮进行一系列的配置。需要注意的是，这些只有在管理员界面可以看到，普通用户角色是无法设置的。

在点击齿轮后，可以点击connections，这里我列举了3个模型构建的方式。

第一种就是使用带有apikey的第三方的api的方式，这里我填写的是官方的https://api/openai.com/v1，也可以换成任意一个api供应商的地址。

第二种则是自己构建的模型，也就是可以通过例如vllm等后端框架构建的自己的模型后端接入，如果没有设置apikey的访问的话，就填写EMPTY就可以。这里简单提及如何使用vllm构建一个后端的代码，也是非常容易。

第三种则是利用Ollama进行自动化构建已有的模型。ollama严格意义上讲更像是一个模型管理系统，它运行后能够拉取已有的模型(所有支持的模型列表)进行部署，而且也可以把自定义的模型包装起来，进行统一的伺服。它的官方github介绍了很多运行的方式，我这里就简单提简单的使用。 安装代码

构建llama3模型

然后就可以把构建模型的机器的ip地址:11434放置到Ollama Base URL中。之所以这两个需要区分，我们看ollama的调用方式就可以发现了:

它并不是和openai的api兼容的，更多代码详情参见它的开发文档，这里不多赘述。

当我们都设置好模型了以后，我们点击保存后，可使用的模型列表就如图所示。

当我们选定一个模型后，我们就可以愉快的对话了。它同时也支持语音、图像、文档等接口。都可以进行设置。

如果想自定义整个webui的名字、登录进来的用户角色等等，则需要对docker的镜像进行一定的修改，这里由于篇幅有限，我们下次有机会再细讲。