前言
微调模型通常比从零开始训练一个模型的技术要求低。公司不需要拥有大量的深度学习专家，利用现有的开源工具和库（如Hugging Face的Transformers等），中小型公司可以轻松地使用和微调大型模型，从而快速实现AI能力的集成。因此，学会微调大模型就很有必要。
1.微调方法
1.1 全参数微调
全参数微调是指预训练模型的所有参数进行调整和优化，以使模型能够适应特定任务。具体来说，就是通过训练数据对预训练模型的所有参数（包括权重和偏置等）进行微调，使其更好地执行目标任务。
1.2 部分参数微调
1.2.1 低秩适配（Low-Rank Adaptation, LoRA）
LoRA方法通过引入低秩矩阵来代替全连接层中的权重更新。它通过对模型中的部分权重矩阵进行低秩分解，从而减少需要微调的参数量。
1.2.2 适配器方法（Adapters）
适配器方法通过在预训练模型中插入小型的适配器模块，保持大部分原始模型的参数不变，只微调适配器模块。这种方法显著减少了需要微调的参数数量，同时保持了迁移能力。
1.2.3 Prompt Tuning（提示微调）
Prompt Tuning是通过优化输入的“提示”或“前缀”来适应新任务，而不是微调模型的所有参数。这种方法特别适用于自然语言处理任务，在不修改模型本身的情况下，通过改变输入格式来提高模型的任务适应性。
具体部分参数微调方法还有很多，感兴趣的可以自己去探索。
2.实践！！
网上得来终觉浅，绝知此事要躬行，光看理论不实践，这不是耍流氓吗？？！！
推荐实践项目：LLaMA-Factory
按照官网教程去安装:
2.1 安装环境
官网推荐的环境:
git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
conda create -n llama-lora python=3.10
conda activate llama-lora
pip install -e ".[torch,metrics]"
如果嫌太慢的话，可以换源去安装。
安装完成后，可以去校验校验教程网址
3. 注意事项
3.1.这里我llamafactory-cli train -h校验的时候，报错:
搜索发现是环境优先级问题:
sudo vim /etc/profile
# 将你的conda环境放到profile里面
export PATH="/home/hxgk/anaconda3/envs/lora-llama/bin:$PATH"
source /etc/profile
3.2 yaml文件配置
1.将LLaMA-Factory/examples/accelerate/fsdp_config.yaml第19行的num_processes设置成你的显卡个数。
2.将LLaMA-Factory/examples/train_lora/llama3_lora_sft.yaml中的eval全部注释掉，如图所示:
两个有一个没设置都有可能出现:
sys.exit(load_entry_point(‘torch==2.5.1’, ‘console_scripts’, ‘torchrun’)())
…
torch.distributed.elastic.multiprocessing.errors.ChildFailedError:
这样的报错。
3.2 具体微调模型的显存大小不能全信官网
官网数据:
我刚开始使用Llama3-8B，使用lora方法去微调模型(8张8g显存显卡)，理论上只会使用16g-32g显存，我64g显存绰绰有余，结果直接报OOM，结果气的我直接下载了llama-1B才成功微调。
总结
整体来说，LLaMA-Factory这个项目的坑不少，需要仔细一点，我现在也刚刚跑通，后续考虑制作自己的数据集，然后微调一个chatbox试试。
