LLaMA-Factory：大语言模型微调框架
一、功能特点
LLaMA-Factory 是一个国内北航开源的低代码大模型训练框架，专为大型语言模型（LLMs）的微调而设计。其主要功能特点包括：
- 高效且低成本：能够高效且低成本地支持对100多个模型进行微调，简化了模型微调的过程。
- 易于访问和使用：提供了友好的用户界面，用户无需编写代码即可轻松定制和微调LLMs。
- 丰富的数据集选项：支持多个数据集选项，用户可以选择自带的数据集或自己生成数据集进行微调。
- 多样化的算法支持：集成了业界最广泛使用的微调方法和优化技术，如LoRA、GaLore、DoRA等。
- 实时监控和评估：支持集成TensorBoard、VanDB和MLflow等监控工具，便于实时监控训练过程和评估模型性能。
- 极速推理：提供了基于vLLM的OpenAI风格API、浏览器界面和命令行接口，实现快速推理。
二、安装
LLaMA-Factory 的安装相对简单，以下是一般的安装步骤（以conda环境为例）：
创建Python环境：
使用conda创建一个新的Python环境，并安装必要的依赖库，如PyTorch等。克隆LLaMA-Factory项目：
通过Git克隆LLaMA-Factory的源代码到本地。git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git安装依赖：
进入项目目录，安装必要的Python依赖库。cd LLaMA-Factory pip install -e ".[torch,metrics]"启动服务：
在项目目录中运行python src/train_web.py启动服务，然后在浏览器中访问相应的端口（默认可能是7860）以访问训练界面。
三、支持的算法
LLaMA-Factory 支持多种先进的微调算法和模型，包括但不限于：
- 多种模型：LLaMA、LLaVA、Mistral、Mixtral-MoE、Qwen、Yi、Gemma、Baichuan、ChatGLM、Phi 等等。
- 集成方法：（增量）预训练、（多模态）指令监督微调、奖励模型训练、PPO 训练、DPO 训练、KTO 训练、ORPO 训练等等。
- 多种精度：16 比特全参数微调、冻结微调、LoRA 微调和基于 AQLM/AWQ/GPTQ/LLM.int8/HQQ/EETQ 的 2/3/4/5/6/8 比特 QLoRA 微调。
- 先进算法：GaLore、BAdam、DoRA、LongLoRA、LLaMA Pro、Mixture-of-Depths、LoRA+、LoftQ、PiSSA 和 Agent 微调。
- 实用技巧：FlashAttention-2、Unsloth、RoPE scaling、NEFTune 和 rsLoRA。
- 实验监控：LlamaBoard、TensorBoard、Wandb、MLflow 等等。
- 极速推理：基于 vLLM 的 OpenAI 风格 API、浏览器界面和命令行接口。
四、性能指标
与 ChatGLM 官方的 P-Tuning 微调相比，LLaMA Factory 的 LoRA 微调提供了 3.7 倍的加速比，同时在广告文案生成任务上取得了更高的 Rouge 分数。结合 4 比特量化技术，LLaMA Factory 的 QLoRA 微调进一步降低了 GPU 显存消耗。
GPU现存消耗：
五、微调例子
以下是一个使用LLaMA-Factory对Yuan2.0模型进行LoRA微调的例子：
准备数据集：
准备自定义的数据集，可以是JSON格式，包含指令、输入和输出等信息。注册数据集：
在LLaMA-Factory的数据集管理文件中注册自定义的数据集。启动Web UI服务：
运行python src/train_web.py启动Web UI服务，并在浏览器中打开相应的地址。配置微调参数：
在Web界面上配置模型路径、微调方法（选择LoRA）、数据集等参数。开始微调：
点击“开始”按钮开始微调过程，可以在界面中查看训练进度和损失函数等信息。评估模型：
微调完成后，使用LLaMA-Factory提供的评估工具对模型进行评估，检查模型性能是否有所提升。
通过以上步骤，用户可以利用LLaMA-Factory轻松实现LLMs的微调，提升模型在特定任务上的性能。
更多微调
