文章目录【78.PythonAI】用LLaMA-Factory一条命令开始微调零代码也能做模型训练导入语1 ~ 训练链路总览2 ~ 环境搭建2.1 安装conda隔离避免污染主环境2.2 常见安装坑3 ~ 数据集注册3.1 放置文件3.2 在 dataset_info.json 中注册4 ~ 启动训练4.1 方式一WebUI推荐新手4.2 方式二命令行适合远程服务器4.3 参数推荐起点与调整逻辑5 ~ 训练曲线解读5.1 三种典型的loss曲线5.2 除了loss还要盯什么5.3 训练中试一把6 ~ 训练完成后的产出思考 总结结尾【78.PythonAI】用LLaMA-Factory一条命令开始微调零代码也能做模型训练文章简介本文手把手教你用LLaMA-Factory完成第一次模型微调——这是目前最流行的零代码微调框架支持100开源模型自带WebUI。文章覆盖完整链路环境搭建condaCUDA避坑、数据集放置与注册dataset_info.json的正确写法、LoRA关键参数配置学习率/rank/epoch的推荐起点、WebUI可视化训练操作以及训练曲线解读什么样的loss曲线算健康、什么情况说明过拟合。配以Mermaid流程图展示从数据到模型的完整训练链路适合刚准备好数据集、想用最短路径跑通第一次微调的开发者。 个人主页源码骑士❄专栏传送门《Android开发基础》《python基础课程》⭐️热衷从源码视角拆解技术底层原理将复杂架构讲得通俗易懂 源码骑士的简介5年Android Framework系统开发经验曾主导多项系统级性能优化专项技术栈覆盖Android系统全链路Binder/Handler/AMS/WMS/启动流程及Java后端全家桶Spring MyBatis Redis Oracle累计产出原创技术文章100篇文章以流程图为特色被读者评价为看一篇胜过啃一周源码导入语数据集洗好了LoRA原理也懂了——但你打开transformers文档想手写训练脚本迎面就是TrainingArguments、DataCollator、gradient_checkpointing一堆概念。其实不用。LLaMA-Factory 把这一切封装成了一个WebUI填几个参数、点一下开始训练就跑起来了。这篇文章就带你走通从安装到出模型的全流程顺便教会你看懂那条loss曲线到底在说什么。1 ~ 训练链路总览准备好的数据集JSON文件放入data目录注册dataset_info.json启动WebUIllamafactory-cli webui配置参数模型/数据/LoRA/学习率点击开始训练观察loss曲线与显存占用导出LoRA适配器合并权重或直接推理2 ~ 环境搭建2.1 安装conda隔离避免污染主环境# 创建独立环境conda create-nllamapython3.10-yconda activate llama# 安装PyTorch按你的CUDA版本去官网选pipinstalltorch --index-url https://download.pytorch.org/whl/cu121# 安装LLaMA-Factorygitclone https://github.com/hiyouga/LLaMA-Factory.gitcdLLaMA-Factory pipinstall-e.[torch,metrics]# 验证安装llamafactory-cli version2.2 常见安装坑坑现象解决CUDA版本不匹配torch.cuda.is_available()返回False重装对应CUDA版本的torchflash-attn编译失败卡在setup.py半天可先不装框架会自动用普通attention网络拉不动模型from_pretrained超时设置HF_ENDPOINThttps://hf-mirror.com3 ~ 数据集注册3.1 放置文件LLaMA-Factory/ └─ data/ ├─ dataset_info.json# 数据集注册表└─ my_service_data.json# 你的数据集文件3.2 在 dataset_info.json 中注册Alpaca格式my_service_data:{file_name:my_service_data.json,columns:{prompt:instruction,query:input,response:output}}ShareGPT格式my_service_data:{file_name:my_service_data.json,formatting:sharegpt,columns:{messages:conversations},tags:{role_tag:from,content_tag:value,user_tag:human,assistant_tag:gpt}}90%的数据集加载失败都是这里的字段名映射写错了——注册表的作用是告诉框架你的JSON里哪个字段对应指令、哪个对应回答。4 ~ 启动训练4.1 方式一WebUI推荐新手llamafactory-cli webui浏览器打开http://localhost:7860依次配置模型名称: Qwen2-7B-Instruct 微调方法: lora 数据集: my_service_data 学习率: 1e-4 训练轮数:3LoRA秩:16量化等级(QLoRA):4← 显存小于24G时选上点击开始下方会实时显示loss曲线和训练日志。4.2 方式二命令行适合远程服务器llamafactory-cli train\--stagesft\--model_name_or_pathQwen/Qwen2-7B-Instruct\--datasetmy_service_data\--finetuning_typelora\--lora_rank16\--lora_targetall\--learning_rate1e-4\--num_train_epochs3.0\--per_device_train_batch_size4\--gradient_accumulation_steps4\--quantization_bit4\--output_dirsaves/qwen2-7b/lora/sft\--fp164.3 参数推荐起点与调整逻辑参数推荐起点什么时候调learning_rate1e-4loss不降→调大到2e-4loss震荡→调小到5e-5num_train_epochs3数据500条→3~5数据5000条→2lora_rank16效果不足→32显存不够→8batch_size×grad_accum4×416有效批量保持16~32显存不够就调小batch、加大accum5 ~ 训练曲线解读5.1 三种典型的loss曲线健康曲线 loss2.0┤╮1.5┤╰╮1.0┤ ╰╮0.5┤ ╰╮╭─0.0┼────────────→ step 快速下降后趋于平稳最终稳定在一个非零值 问题曲线一loss不降2.0┤────────── 一条平线 → 学习率太小 / 数据没加载对先检查这个 问题曲线二loss降到接近00.0┤____ → 过拟合预警模型在背答案泛化能力差 → 减少epoch、增大数据量、或加大dropout5.2 除了loss还要盯什么指标健康表现异常信号显存占用稳定在峰值以下持续增长→可能OOM前兆训练速度it/s稳定突然变慢→检查是否触发了swap学习率曲线按scheduler平滑衰减一直恒定→scheduler没配置5.3 训练中试一把不要等到训练结束——每保存一个checkpoint就试一次llamafactory-cli chat\--model_name_or_pathQwen/Qwen2-7B-Instruct\--adapter_name_or_pathsaves/qwen2-7b/lora/sft/checkpoint-500人工测试的黄金问题集从训练集抽5条检验是否学会 从业务中想5条没训过的检验是否泛化。训过的好、没训过的差→过拟合两者都好→可以继续两者都差→数据或参数有问题。6 ~ 训练完成后的产出saves/qwen2-7b/lora/sft/ ├─ adapter_model.safetensors# LoRA权重几十MB这才是核心产物├─ adapter_config.json# LoRA配置└─ checkpoint-*/# 中间检查点# 后续两条路# 1. 直接挂载适配器推理灵活可换适配器# 2. 合并进基座模型再导出部署方便见第83篇思考 总结LLaMA-Factory把微调的门槛降到了会填表单但前提是数据集已经准备好——框架解决的是怎么训解决不了用什么训。dataset_info.json是新手第一大坑字段映射写错loss就是一条平线——排查永远先查数据加载。参数用推荐起点跑通再基于loss曲线调不要训练前纠结参数曲线的反馈比任何教程都准。loss降到接近0不是好事那是模型在背题。微调追求的是学会模式不是记住答案。中间checkpoint就要测训练3小时才发现方向错了和30分钟就发现是完全不同的成本。第一次微调的目标不是训出完美模型而是跑通数据→训练→验证的完整闭环。闭环通了后面都是迭代优化的事。结尾各位小伙伴本文的内容到这里就全部结束了源码骑士在这里再次感谢您的阅读源码骑士 — Android Framework 全栈开发关注跟博主一起从源码视角深耕底层原理见证每一次成长❤️点赞让优质内容被更多人看见让知识传递更有力量⭐收藏把核心知识点存好在需要时随时查、随时用评论分享你的经验或疑问评论区一起交流避坑一键四连不要忘记给博主一键四连哦️寄语技术之路难免有困惑但同行的人会让前进更有方向结语恭喜到这里你已经完成了从数据到模型的第一次微调闭环。下一篇深入QLoRA原理——搞清楚4-bit量化为什么能省75%显存而效果几乎无损。不要忘记给博主一键四连哦