一、安装LLaMa-Factory

1.python环境安装

安装成功后，输入python能出现截图表示安装成功

2.CUDA和PyTorch安装

2.1 PyTorch安装

查看PyTorch与CUDA对应的版本，然后进行安装。PyTorch的管网地址：PyTorch

把网页往下拖能看到PyTorch和CUDA对应的版本。

我这里将要选择的CUDA版本是11.8。我自己试过CUDA12.6的版本，不知道为什么没有跑通，后面就直接把CUDA的版本选成11.8了。

在终端中输入截图中的指令：

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

就会安装PyTorch，不翻墙的情况下安装比较慢，建议有条件的可以翻墙安装。因为我已经安装成功了，再来编写的该文章，结果如截图所示。

到此PyTorch安装结束。

2.2 CUDA安装

找到CUDA的历史版本。链接地址：CUDA Toolkit Archive | NVIDIA Developer

找到我们目标的安装包，下载安装。安装成功后在终端中输入：nvcc --version

如截图所示，cuda安装成功。

2.3 校验

校验下cuda和pytorch是否匹配成功

终端中输入：python

继续输入：import torch

继续输入：torch.cuda.current_device()

继续输入：torch.cuda.get_device_name(0)

继续输入：torch.__version__

如果出现什么异常错误，可能是环境没有处理好，还需自行检查。笔者前面遇到过下载cuda版本12.6以及对应的Tytorch，就遇到没有成功的状况，遂改用cuda版本为11.8

3. 下载LLaMa-Factory的git仓库

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

下载完成后的截图：

在终端中进入刚下载好的LLaMa-Factory文件夹中

必须在该文件夹内输入指令：pip install -e '.[torch,metrics]'

安装一些必须的东西。安装结束后如截图所示。

验证安装是否成功。输入指令：llamafactory-cli version

如出现截图所示表示安装成功

二、下载模型

在魔塔社区中可以自行找个模型进行下载。笔者这里选这一个Qwen2.5-0.5B-Instruct模型进行下载。链接地址：魔搭社区

点击模型文件

选择下载模型

选择git下载。该模型的git下载url：git clone https://www.modelscope.cn/Qwen/Qwen2.5-0.5B-Instruct.git

下载完成后

三、部署大模型

启动llama-factory的webui，输入指令：llamafactory-cli webui

注意下：必须是在LLMa-Factory仓库中输入该指令。

启动后的界面

切换页面到能部署模型的页面

点击chat

模型名称从下拉列表中选择Qwen2.5-0.5B-Instruct

模型路径填写，刚刚下载好的模型。注意：模型名称和模型路径中的模型要是对应的。

填写好，进行加载模型。

加载成功后，就可以进行聊天了。

四、模型微调

4.1 生成训练的数据集

代码：

import json
import random
from faker import Faker

def generate_thermal_dataset(output_path="thermal_dataset.json"):
    """生成智能家居温度调控指令数据集"""
    fake = Faker('zh_CN')
    
    # 定义数据生成模板组件‌:ml-citation{ref="1" data="citationList"}
    base_phrases = ["有点", "非常", "特别", "实在", "真的", "确实", "越来越", "稍微", "极其"]
    heat_verbs = ["热","炎热","火热","酷热","炽热","闷热","灼热","滚烫","炙热","沸热","炙烤","加热","升温","燥热","湿热","高温","暖热"]
    quantifiers = ["了", "啦", "啊", "呢", ""]
    
    dataset = []
    for _ in range(2000):
        # 构造自然语言输入‌:ml-citation{ref="4" data="citationList"}
        phrase = random.choice(base_phrases)
        verb = random.choice(heat_verbs)
        quantifier = random.choice(quantifiers)
        input_text = f"我{phrase}{verb}{quantifier}"
        
        # 生成带逻辑的JSON输出‌:ml-citation{ref="3,5" data="citationList"}
        output_json = {
            "Device": "AirConditioner",
            "Status": "on"
        }
        
        # 构建完整数据项‌:ml-citation{ref="1,6" data="citationList"}
        dataset.append({
            "instruction": "你是一个物联网数据处理专家，需要把自然语言指令转换为JSON结构化数据",
            "input": input_text,
            "output": json.dumps(output_json, ensure_ascii=False),
        })
    
    # 保存数据集‌:ml-citation{ref="2" data="citationList"}
    with open(output_path, "w", encoding="utf-8") as f:
        json.dump(dataset, f, indent=2, ensure_ascii=False)
    print(f"数据集已生成：{output_path}")

if __name__ == "__main__":
    generate_thermal_dataset()

该代码会生成2000条训练数据。

运行代码的结果：

4.2 配置训练参数

找到llama-factory中的训练参数集的配置文件

data文件夹中的dataset_info文件。打开文件并配置。

我们在json字符串中再加入一组

配置完成后，我们在data文件夹中再新建一个train.json文件，用于保存生成出来的训练数据集。

在webui中配置上刚刚添加好的数据训练集

预览数据集

确定数据集后。进入设备管理器，禁用集成显卡，使用独立显卡进行训练

webui中点击，开始训练

可以看到已经开始训练

训练完成

看到log上面出现训练完毕，表示训练结束了。

4.3 LoRA合并

当我们基于预训练模型训练好 LoRA 适配器后，不希望在每次推理的时候分别加载预训练模型和 LoRA 适配器，因此我们需要将预训练模型和 LoRA 适配器合并导出成一个模型，并根据需要选择是否量化。根据是否量化以及量化算法的不同，导出的配置文件也有所区别。

合并代码

import os
import torch
from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer

def merge_lora_to_base(
    model_name_or_path: str,
    adapter_path: str,
    save_path: str,
    trust_remote_code: bool = True
):
    # 加载基座模型
    print(f"Loading base model from {model_name_or_path}")
    tokenizer = AutoTokenizer.from_pretrained(
        model_name_or_path,
        trust_remote_code=trust_remote_code
    )
    base_model = AutoModelForCausalLM.from_pretrained(
        model_name_or_path,
        torch_dtype=torch.float16,
        trust_remote_code=trust_remote_code,
        device_map="auto"
    )

    # 加载LoRA适配器
    print(f"Loading LoRA adapter from {adapter_path}")
    model = PeftModel.from_pretrained(
        base_model,
        adapter_path,
        torch_dtype=torch.float16,
        device_map="auto"
    )

    # 执行模型合并
    print("Merging models...")
    merged_model = model.merge_and_unload()

    # 保存合并后的模型
    os.makedirs(save_path, exist_ok=True)
    merged_model.save_pretrained(save_path)
    tokenizer.save_pretrained(save_path)
    print(f"Model saved to {save_path}")

# 使用示例
if __name__ == "__main__":
    merge_lora_to_base(
        model_name_or_path="D:/ai/download/Qwen2.5-0.5B-Instruct/Qwen2.5-0.5B-Instruct",
        adapter_path="D:/ai/LLaMA-Factory/LLaMA-Factory/saves/Qwen2.5-0.5B-Instruct/lora/train_2025-03-04-16-50-50",
        save_path="D:/ai/output"
    )

4.4 加载合并后的模型