近日，国内的一款微调框架发布了自己的论文《LLAMAFACTORY: Unified Efficient Fine-Tuning of 100+ Language Models》，对他们的框架做了系统性的总结。该框架自推出后迅速出圈，现已斩获15.6k的star，逐步成为当下微调的首选工具。
https://arxiv.org/pdf/2403.13372.pdf模型微调相较于上下文学习来讲，存在比较高的门槛，但又是模型专业化，领域化不可或缺的技术手段。而其复杂性突出表现在这些方面： 1）理论基础，如果说基于大模型写prompt 根据一定范式来构建RAG或者Agent不需要太多机器学习理论知识，然而微调就必须要对这些有理解，比如样本，学习率，logloss等。 2）数据准备，对于普通开发者，高质量的数据是微调成功的关键保证，而如何预处理，清洗，标注这些样本本身就很复杂，更因此诞生了大模型数据工程这样的领域来解决这一问题。
3）基座模型存在分化，虽然当下很多模型都参考llama和huggingface的一些规范，但是仍然都有一些特殊之处，想要微调也需要针对性地去分析和构建相应的策略。 4）超参数优化，微调本身是一个“炼丹”过程，如何能够找到合适的超参数，达到一个最佳性能，是一个重大挑战。 5）AI工程复杂性，涉及到硬件\软件\复杂流程的协同配合以及系统优化，在有限的成本、资源和时间要求下完成模型训练过程。
正是因为这些原因，对于预训练微调，需要一个类似于工厂的工业化手段来降低门槛，提升效率。 因此，行业内出现了很多微调框架，而LLamaFactory（https://github.com/hiyouga/LLaMA-Factory）便是其中之一，从起名上就可以看出它们的目标是成为模型微调的工厂。 
它得以流行主要得益于支持当下主流的大模型百川、千问、LLaMA等，不仅集成了大模型预训练、监督微调和强化微调等阶段的主流的微调技术（支持 LoRA 和 QLoRA 等参数高效微调策略），还提供了预训练、指令微调等丰富的数据集，方便参考使用，最重要的是提供了一个无代码的图形界面，大幅降低使用门槛，非开发者也可以方便地完成模型微调。 该框架架构上由四个模块构成：模型加载器、数据工作器和训练器，以及用户界面LlamaBoard。 在根据官方文档安装好LLamaFactory后，可以有三种方式进行操作，WebUI、CLI或者Python。CUDA_VISIBLE_DEVICES=0pythonsrc/train_web.py 
2.CLI,由于有时候界面限制，可能需要命令行的方式进行微调。如果不知道具体格式，可以在界面上配置好，再复制到命令行中调整使用。 
在example目录中有大量的示例可供参考。 examples/├──lora_single_gpu/│├──pretrain.sh:进行预训练│├──sft.sh:进行指令监督微调│├──reward.sh:进行奖励模型训练│├──ppo.sh:进行PPO训练│├──dpo.sh:进行DPO训练│├──orpo.sh:进行ORPO训练│├──prepare.sh:保存预处理后的数据集│└──predict.sh:进行批量预测├──qlora_single_gpu/│├──bitsandbytes.sh:微调4/8比特BNB模型│├──gptq.sh:微调4/8比特GPTQ模型│├──awq.sh:微调4比特AWQ模型│└──aqlm.sh:微调2比特AQLM模型├──lora_multi_gpu/│├──single_node.sh:使用Accelerate进行单节点训练│└──multi_node.sh:使用Accelerate进行多节点训练├──full_multi_gpu/│├──single_node.sh:使用DeepSpeed进行单节点训练│└──multi_node.sh:使用DeepSpeed进行多节点训练├──merge_lora/│├──merge.sh:将LoRA权重合并到预训练模型中│└──quantize.sh:使用AutoGPTQ量化模型├──inference/│├──cli_demo.sh:启动命令行推理接口│├──api_demo.sh:启动OpenAI风格API│├──web_demo.sh:启动浏览器推理接口│└──evaluate.sh:在MMLU数据集上评测模型└──extras/├──galore/│└──sft.sh:使用GaLore训练模型├──loraplus/│└──sft.sh:使用LoRA+训练模型├──llama_pro/│├──expand.sh:扩展模型中的层│└──sft.sh:训练扩展后的模型└──fsdp_qlora/└──sft.sh:使用FSDP微调量化模型 3）编程方式。
fromllmtunerimportrun_exprun_exp(dict(stage="sft",do_train=True,model_name_or_path="Qwen/Qwen1.5-0.5B-Chat",dataset="identity,alpaca_gpt4_en,alpaca_gpt4_zh",template="qwen",finetuning_type="lora",lora_target="all",output_dir="test_identity",per_device_train_batch_size=4,gradient_accumulation_steps=4,lr_scheduler_type="cosine",logging_steps=10,save_steps=100,learning_rate=1e-4,num_train_epochs=5.0,max_samples=500,max_grad_norm=1.0,fp16=True,)) 对于用户来讲，准备正确高质量的数据是用好该工具的关键。在使用自定义数据集时需要在dataset_info.json文件中按照以下格式提供数据集定义，数据集格式支持两种：alpaca和sharegpt，具体可参考其官方文档。 "数据集名称":{"hf_hub_url":"HuggingFace的数据集仓库地址（若指定，则忽略script_url和file_name）","ms_hub_url":"ModelScope的数据集仓库地址（若指定，则忽略script_url和file_name）","script_url":"包含数据加载脚本的本地文件夹名称（若指定，则忽略file_name）","file_name":"该目录下数据集文件的名称（若上述参数未指定，则此项必需）","file_sha1":"数据集文件的SHA-1哈希值（可选，留空不影响训练）","subset":"数据集子集的名称（可选，默认：None）","folder":"HuggingFace仓库的文件夹名称（可选，默认：None）","ranking":"是否为偏好数据集（可选，默认：False）","formatting":"数据集格式（可选，默认：alpaca，可以为alpaca或sharegpt）","columns（可选）":{"prompt":"数据集代表提示词的表头名称（默认：instruction）","query":"数据集代表请求的表头名称（默认：input）","response":"数据集代表回答的表头名称（默认：output）","history":"数据集代表历史对话的表头名称（默认：None）","messages":"数据集代表消息列表的表头名称（默认：conversations）","system":"数据集代表系统提示的表头名称（默认：None）","tools":"数据集代表工具描述的表头名称（默认：None）"},"tags（可选，用于sharegpt格式）":{"role_tag":"消息中代表发送者身份的键名（默认：from）","content_tag":"消息中代表文本内容的键名（默认：value）","user_tag":"消息中代表用户的role_tag（默认：human）","assistant_tag":"消息中代表助手的role_tag（默认：gpt）","observation_tag":"消息中代表工具返回结果的role_tag（默认：observation）","function_tag":"消息中代表工具调用的role_tag（默认：function_call）","system_tag":"消息中代表系统提示的role_tag（默认：system，会覆盖system列）"}}经过以上的步骤，剩下的就是需要耐心的调参和评估了。下面是一个利用webui进行微调操作示例。 相较于其他方法，目前，LlamaFactory可以说是当下最简单快捷又功能强大的一种微调工具，值得大家学习使用。 | 
