通过Llama-Factory对Deepseek-r1:1.5b进行微调_llamafactory 微调deepseek

由于近期项目需求，我们计划在机器狗上部署对话大模型，并结合具体业务场景进行定制化回答。在技术选型过程中，我们对比了RAG（Retrieval-Augmented Generation）和模型微调两种策略。RAG虽然在知识检索方面表现优异，但需要额外部署文本嵌入模型，增加了部署复杂性和资源开销。相比之下，模型微调能够直接针对特定场景优化模型性能，避免了冗余组件的引入，因此我们最终选择了微调策略。

在微调框架的选择上，我们采用了LLaMA-Factory。这是一款开源的低代码大模型微调框架，集成了当前业界广泛使用的微调技术，能够显著简化微调流程。其核心优势在于支持通过Web UI界面实现零代码微调，大幅降低了技术门槛，同时保留了高度的灵活性。通过该框架，我们能够快速将业务场景数据注入模型，实现高效的知识定制化，最终满足项目对对话大模型的实际需求。

1. 环境配置

默认anaconda、cuda都已经安装完毕！

conda create -n Llama-Factory python=3.10

python 推荐3.10

torch推荐2.4

torch在阿里云直接下载离线版的cuda版本安装，链接

微调Deepseek-r1:1.5b需要8G左右的显存

git llama factory项目

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

cd LLaMA-Factorypip install -e \".[torch,metrics]\"

验证安装

llamafactory-cli version

2. 准备数据集

[ { \"instruction\": \"人类指令\", \"input\": \"人类输入\", \"output\": \"模型回答\" }]

这里的“input”可以省略

再把对应的数据的文件名放入dataset_info.json里

3. 开始训练

启动llamafactory

llamafactory-cli webui

运行以上命令会自动跳转一个gradio的界面，如果报错可以尝试升级gradio

pip install --upgrade gradio

加载模型

加载数据集

查看数据集

调整参数

设置权重保存路径

 开始训练

4. 测试模型

训练结束后，会绘制loss曲线

加载训练的权重，开始对话

测试完成，微调成功

最后如果模型有用的话可导出微调的模型

再通过ollma加载导出的模型，加载自己的模型的方法可参考这篇文章

Ubuntu部署deepseek（离线版）_ubuntu离线部署deepseek-CSDN博客

补充说明

• 用于微调的数据集很关键！！！ 
• 损失下降的慢可以尝试增加学习率