面对训练好的通用的大语言模型，例如Llama3-8B，虽然在认知理解，知识问答，逻辑推理，数学，代码方面都表现很好。但是其在特定领域的知识是比较缺乏的，而且对中文问答表现也不是很好，经常出现中英文混答的问题。
所以打造一个属于自己的大模型，非常有必要！
由于原生的Llama3模型训练的中文语料占比非常低，因此在中文的表现方面略微欠佳！本教程就以Llama3-8B-Instruct开源模型为模型基座，通过开源程序LLaMA-Factory来进行中文的微调，提高Llama3的中文能力！
认识LLaMA-Factory
LLaMA-Factory是一个易用且高效的LLM微调工具箱。
-
支持多种模型
-
支持多种训练方法，例如增量预训练，指令跟随微调，PPO训练，DPO训练等
-
支持多种高效微调方法，例如全参数微调，冻结微调，LoRA微调等
这里我们选择指令跟随微调。更多的微调训练范式可以参考之前的文章XTuner微调LLM实践。
指令跟随微调，一般是采用SFT有监督的数据集进行微调，SFT数据集，表现形式一般是一问一答，一条数据一个标签的格式。
安装LLaMA-Factory
从Github上面下载最新的代码，并安装
git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git cd LLaMA-Factory pip install -e ".[torch,metrics]"
官方提供了一键运行方式，可以分别实现对 Llama3-8B-Instruct 模型进行 LoRA 微调、推理和合并。
llamafactory-cli train examples/train_lora/llama3_lora_sft.yaml llamafactory-cli chat examples/inference/llama3_lora_sft.yaml llamafactory-cli export examples/merge_lora/llama3_lora_sft.yaml
但是我们选择，通过LLaMA Board实现可视化微调（由Gradio驱动），启动命令如下：
llamafactory-cli webui
访问链接地址 http://127.0.0.1:7860/
可以看到有Train（训练），Evaluate&Predict（评估和预测），Chat（对话），Export（导出）四个模块。
准备模型
我们可以选择从 OpenXLab 上下载 Meta-Llama-3-8B-Instruct 的权重。
git lfs install git clone https://code.openxlab.org.cn/MrCat/Llama-3-8B-Instruct.git Meta-Llama-3-8B-Instruct
点击Chat，选择好我们的模型名称LLaMA3-8B-Chat，模型位置path需要更改成，我们自己下载的离线模型位置。
可以看到，推理引擎可选：huggingface，vllm。我们选择huggingface，然后点击加载模型。
加载占用的显存大小约16GB：
准备数据集
准备数据集，需要庞大且细致的工程。
数据工程概述：
-
数据收集（可以从网络收集，或者利用现有的大模型，例如GPT-4来生成）
-
数据清洗
-
数据格式转换，转换成特定的格式，一般是json
-
得到准备好的数据集Dataset，一般我们准备好的数据集，还需要分成训练数据集和测试数据集
本教程我们选择LLaMA-Factory自带的数据集进行微调，位置在 /root/LLaMA-Factory/data/。
选择alpaca_gpt4_zh数据集，文件大小约为 34MB，选择预览数据集。
开始训练
包含微调方法有：full，freeze，lora。
训练方式包括：Supervised Fine-Tuning，Reword Modeling，PPO，DPO等。
为了节省算力和运行时间，我们选择LoRA微调方法，采用指令监督微调。在原有的大模型之前添加一个Adapter层。
让LLM套上LoRA之后，有了新的灵魂。关于LoRA的细节，可以参考文章XTuner微调LLM实践。
Web UI上面展示的训练指令：
展示的就是我们微调大模型常见的超参数配置，有关于超参数的分析，会在之后的文章给大家分享。
训练日志展示：
训练所需要的资源
我们的微调机器配置，是24GB显存的A100单卡机。
此时占用显存空间约为22GB，。
完成LoRA微调，花费了9.5小时：
