1、创建虚拟环境

略

2、部署LLaMA-Factory

（1）下载LLaMA-Factory

https://github.com/hiyouga/LLaMA-Factory

（2）安装依赖

pip3 install -r requirements.txt

（3）启动LLaMA-Factory的web页面

CUDA_VISIBLE_DEVICES=0 python src/train_web.py

得到如下页面：

3、ChatGLM3模型微调

设置如下参数，点击开始即可：

点击“预览命令”，可以看到要执行的python脚本，如下所示：

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \--stage sft \--do_train \--model_name_or_path /root/LLaMA-Factory-main/chatglm3\--dataset alpaca_gpt4_zh \--template default \--finetuning_type lora \--lora_target q_proj,v_proj \--output_dir path_to_sft_checkpoint \--overwrite_cache \--per_device_train_batch_size 4 \--gradient_accumulation_steps 4 \--lr_scheduler_type cosine \--logging_steps 10 \--save_steps 1000 \--learning_rate 5e-5 \--num_train_epochs 3.0 \--plot_loss \--fp16

web页面和后台都会显示日志信息

4、推理测试

输入微调数据中的问题，回答贴合数据集，微调成功。

5、模型合并导出

待执行完，即可看到/root/LLaMA-Factory-main/merge路径下有了合并的模型了。

6、使用官方项目运行微调合并后的模型

可以看到也是没问题的。

7、过程中的问题

（1）合并后的模型无法加载，报错信息如下：

AttributeError: property 'eos_token' of 'ChatGLMTokenizer' object has no setter

解决方法：将源模型中除了bin文件和pytorch_model.bin.index.json 以外的文件全部复制到导出目录中覆盖。

（2）模型微调时使用自己的数据集

该项目目前支持两种格式的数据集：alpaca 和 sharegpt，我是用的是 alpaca 格式，数据集按照以下方式组织：

[{"instruction": "用户指令（必填）","input": "用户输入（选填）","output": "模型回答（必填）","system": "系统提示词（选填）","history": [["第一轮指令（选填）", "第一轮回答（选填）"],["第二轮指令（选填）", "第二轮回答（选填）"]]}
]

将数据梳理好之后上传到data目录下。

接下来需要修改data/dataset_info.json，对于上述格式的数据，dataset_info.json 中的 columns 格式应为：

"数据集名称": {"columns": {"prompt": "instruction","query": "input","response": "output","system": "system","history": "history"}
}

我这里写的是：

"chatglm3": {"file_name": "chatglm3_train.json","file_sha1": "e655af3db557a4197f7b0cf92e1986b08fae6311","columns": {"prompt": "instruction","query": "input","response": "output","system": "system","history": "history"}
}