1. 前言

在如今快速發展的AI技術領域，越來越多的企業正在將AI應用于各個場景。然而，盡管大模型（如GPT、DeepSpeek等）在多個任務上已取得顯著進展，但是普通的大模型在面對特定行業或任務時，往往會出現一個問題——AI幻覺。所謂AI幻覺，是指模型生成的內容不符合實際需求，甚至包含錯誤或無關的信息，這對于一些行業來說，可能帶來不可接受的風險，尤其是在醫療、法律、金融等領域。

對于這些行業的企業而言，精準、高效地輸出行業特定內容是他們對AI的核心需求。企業希望AI能夠處理行業術語、應對特殊情境，并且確保內容的準確性。然而，單純依賴大模型進行推理，往往無法達到這樣的標準，因為大模型的訓練是基于通用數據集，這些數據集通常并不包含行業領域的深度知識。因此，企業通常需要一個更加定制化、精細化的模型，而這正是大模型微調技術能夠提供的解決方案。

大模型微調技術通過對預訓練的大模型進行進一步訓練，能夠根據特定領域的需求進行優化。通過提供具有代表性的領域數據，尤其是精心標注的行業特定數據，微調后的模型能夠學習這些領域的專有知識，從而有效避免AI幻覺的發生，并且提供更加準確、有價值的輸出。

本文將從零開始教你一步步入門AI大模型微調技術（基于DeepSpeek R1大模型） ，最終實現基于私有化部署的微調大模型AI會話系統。感興趣的朋友可以繼續往下看看。

2.大模型微調概念簡述

大模型微調是指在已有的預訓練大模型基礎上，通過特定任務或領域數據進行進一步訓練，使模型能夠更精準地處理特定任務。與傳統的訓練方法不同，微調充分利用已有的大模型，減少對大量數據的依賴，同時通過對模型進行小范圍的調整，使其適應新的任務。大模型微調技術在多個領域中得到了廣泛應用，如文本生成、分類任務、問答系統等。

微調的核心目標是使大模型根據特定任務需求進行優化，提升其在特定應用場景中的表現。為實現這一目標，微調方法主要包括以下兩種分類方式：

1. 按學習范式分類：根據模型學習方式的不同，微調方法可分為有監督微調、無監督微調和半監督微調等類型。
2. 按參數更新范圍分類：根據在微調過程中對模型參數更新范圍的不同，方法可分為全量微調和部分微調等類型。

2.1. 按學習范式分類

有監督微調（Supervised Fine-Tuning，SFT）

有監督微調是最常見的微調方式，適用于任務明確且具有標注數據的情況。通過使用人工標注的高質量數據對，模型能夠學習特定任務所需的知識，從而在指定任務上提供準確的輸出。

SFT示例：

training_data = [
    {"input": "問題", "output": "標準答案"},
    # 人工標注的高質量數據對
]

在有監督微調中，模型的目標是根據輸入的“問題”生成一個“標準答案”。這個過程依賴于人工標注的數據，使模型能夠更好地理解并生成符合實際需求的結果，有監督微調適用于需要特定答案的任務，如情感分析、文本分類、機器翻譯、問答系統等。

無監督微調（Unsupervised Fine-Tuning）

無監督微調是一種不依賴人工標注的微調方式，主要利用大量未標注的文本數據進行訓練。通過無監督學習，模型能夠自動從原始數據中提取知識，尤其在沒有標注數據或標注數據獲取困難的情況下尤為有用。

無監督微調示例：

training_data = [
    "大量未標注文本...",
    # 無需人工標注的原始文本
]

這種方式通常用于模型的預訓練過程，模型通過對大規模文本進行訓練，學習通用的語言表示能力。無監督微調可以增強模型的語法和語義理解能力，提升其在不同任務中的表現，無監督微調適用于自然語言建模、生成任務等場景，幫助模型理解文本的結構和語義關系。

半監督微調（Semi-Supervised Fine-Tuning）

半監督微調結合了有監督和無監督學習的優點，利用標注數據和未標注數據來訓練模型。常用的方法包括將未標注數據通過某種方式生成偽標簽，或利用自監督學習方法，使模型在標注數據較少時也能進行有效訓練。

半監督微調示例：

training_data = [
    {"input": "問題", "output": "標準答案"},  # 高質量人工標注數據
    "大量未標注文本...",  # 用于填充的未標注數據
]

半監督微調適用于標注數據稀缺的場景，能夠結合少量標注數據和大量未標注數據，進一步提升模型表現，這種方法在實際應用中尤其適用于標簽獲取困難或成本高昂的領域，如醫療、法律等行業。

2.2. 按參數更新范圍分類

全量微調（Full Fine-Tuning）

全量微調是指在對預訓練模型進行微調時，更新模型的所有參數。通過對特定領域數據的訓練，模型的所有層都會根據新任務的數據進行調整。全量微調能夠在模型中深度定制領域知識，最大程度地提升模型在目標任務中的效果。

全量微調的特點：

• 更新模型的所有參數。
• 適用于數據量較大且任務復雜的場景。
• 訓練時間較長，需要大量計算資源。

全量微調適用于大規模數據集且任務復雜的場景，如文本生成、問答系統、情感分析等。它能夠充分利用預訓練模型進行深度學習，提供最優效果。

部分微調（Low-Rank Adaptation，LoRA）

部分微調是一種通過對預訓練模型的部分參數進行微調的技術。LoRA的目標是減少微調過程中需要更新的參數數量，從而顯著降低計算開銷。通過低秩矩陣的方式，LoRA僅更新模型中的某些參數（如特定層的權重），使微調過程更加高效，特別適合計算資源有限的場景。

LoRA的特點：

• 只調整部分參數（如低秩矩陣分解）。
• 降低計算和內存開銷。
• 適合快速微調，尤其在資源受限時。

LoRA非常適合在資源有限的情況下快速調整模型，尤其在需要快速部署且不需要全部模型調整的場景中非常有用。

在大模型微調過程中，有監督微調（SFT）與LoRA（Low-Rank Adaptation）相結合，能夠充分發揮各自優勢，提升模型在特定任務上的表現。具體而言，SFT通過在人工標注的數據上對模型進行微調，使其適應特定任務；而LoRA則在凍結預訓練模型權重的基礎上，引入低秩矩陣進行微調，減少計算開銷并提高效率。將兩者結合，可以在保證性能的同時，降低資源消耗。在接下來的部分，我們將詳細探討如何將SFT與LoRA相結合，進行高效的大模型微調，并展示其在實際應用中的效果。

2.3. 大模型微調框架簡介

在大模型微調領域，存在多種框架，每個框架都有其獨特的優勢和局限性。以下是幾種常見的大模型微調框架的介紹與比較：

1. Hugging Face Transformers

Hugging Face Transformers（https://huggingface.co/transformers/） 是目前最為流行的自然語言處理（NLP）框架之一，提供了豐富的預訓練模型和易于使用的 API，廣泛應用于各類 NLP 任務，如文本分類、問答系統等。它的特點是：

• 預訓練模型豐富，支持多種模型，如 BERT、GPT、T5 等。
• 提供了高層次的 API，使得微調過程簡單易懂。
• 擁有龐大的用戶社區和文檔支持。

盡管 Hugging Face Transformers 在許多常見任務中表現優秀，但在超大規模模型的微調和訓練中，可能會面臨性能瓶頸和資源消耗過大的問題。

2. DeepSpeed

DeepSpeed（https://www.deepspeed.ai/ ）是微軟開發的高效深度學習訓練框架，專注于優化大規模模型訓練的性能。其主要特點包括：

• ZeRO優化，顯著減少內存占用，提高分布式訓練的效率。
• 支持 混合精度訓練，加速訓練過程并減少內存需求。
• 提供分布式訓練功能，支持大規模模型的訓練。

DeepSpeed適合大規模模型的訓練，但使用門檻較高，需要深入理解框架的底層實現。

3. Fairseq

Fairseq （https://fairseq.readthedocs.io/）是 Facebook AI Research 開發的一個高效訓練工具，支持多種模型架構的訓練，如 Transformer 和 BART。其特點為：

• 高性能和靈活性，支持多種任務，如機器翻譯、文本生成等。
• 容易擴展，支持用戶自定義新的算法和模型。

Fairseq 對于需要靈活定制和擴展的場景非常適合，但其文檔和社區支持相對有限。

4. LLaMA-Factory（本文使用的框架）

LLaMA-Factory （https://llamafactory.readthedocs.io/）是由國內北航開源的低代碼大模型訓練框架，旨在簡化大模型微調過程，尤其是在支持低代碼甚至零代碼操作的基礎上，提供極大的便利。其主要特點包括：

• 零代碼操作：通過 Web UI（LlamaBoard），用戶無需編寫代碼即可完成大規模模型的微調。
• 高效的訓練方法：結合 LoRA（低秩適配）和 QLoRA 等先進技術，在保證模型性能的同時，顯著降低了計算資源消耗。相較于其他框架，LLaMA-Factory 提供了更高的微調效率。
• 廣泛的模型支持：支持 LLaMA、Mistral、Qwen 等多種流行的預訓練模型，適應性強。
• 低成本和高性能：通過量化技術和高效算法，LLaMA-Factory 可降低模型訓練成本，同時加速訓練過程。

LLaMA-Factory 適合企業和研究人員需要快速、高效地微調大模型并在特定任務中應用時，尤其在低資源條件下表現突出。

每個大模型微調框架都有其適用場景和優勢。Hugging Face Transformers 以其豐富的模型和簡便的 API 受到廣泛歡迎，適合大多數 NLP 任務。DeepSpeed 在處理超大規模模型時表現優異，適合對性能要求極高的訓練任務。Fairseq 則適合需要靈活定制和高性能訓練的應用場景。而 LLaMA-Factory 則在提高訓練效率、降低成本和簡化操作方面展現出巨大的優勢，尤其在零代碼操作和多種微調技術的結合下，使得大模型的微調過程更加輕松和高效。對于希望快速實現大模型微調的用戶，LLaMA-Factory 無疑是一個值得優先考慮的選擇。

3. DeepSpeek R1大模型微調實戰

3.1.LLaMA-Factory基礎環境安裝

1.安裝 Anaconda（Python 環境管理工具）

(1) 下載 Anaconda：

• 訪問 Anaconda 官網 下載適用于 Windows 系統的安裝包，記得選擇 Python 3.10 版本。
• 安裝包約 800MB，耐心等待下載完成。

(2)安裝 Anaconda（已經安裝了Anaconda就跳過這步）：

• 雙擊下載的安裝程序，按照提示進行安裝。
• 安裝過程中，建議勾選“Add Anaconda to PATH”選項，這樣方便在命令行中使用，如果你忘記勾了也沒關系，后續自行配置一下環境變量就行了（環境變量->系統變量->Path中新增下圖內容）：

   安裝完成后，點擊“Finish”結束安裝。

2.安裝 Git（已經安裝了git就跳過這步）：

(1)下載 Git：

• 訪問 Git 官網 下載適用于 Windows 的安裝包。

(2)安裝 Git：

• 雙擊安裝程序，并按照默認選項進行安裝。
• 安裝過程中大部分選項可以保持默認，完成安裝后即可使用 Git。

3.創建項目環境

打開Anaconda Prompt（從Windows開始菜單找到），執行：

# 創建新的環境
conda create -n llama pythnotallow=3.10
#運行 conda init 初始化
conda init
#這個命令會修改你的 shell 配置文件（例如 .bashrc、.zshrc 等），以便能夠正確使用 conda 命令。
#conda init 執行后，需要重新啟動命令提示符。關閉當前的命令提示符窗口，然后重新打開一個新的命令提示符窗口。
# 激活環境
conda activate llama

4.安裝PyTorch（AI框架）

在同一個命令窗口繼續執行（llma環境）：

# 安裝PyTorch（支持CUDA的版本）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu11

5.安裝LLaMA-Factory

找到一個目錄存放LLaMA-Factory項目，打開git命令窗口執行：

# 克隆項目
git clone https://github.com/hiyouga/LLaMA-Factory.git

下載完成后使用pycharm打開LLaMA-Factory工程

安裝項目依賴

安裝的時候確保你的環境是llma（也可以在外部命令窗口執行，這個看你自己，核心是保證依賴下載到llma環境）：

pip install -e ".[torch,metrics]"

驗證安裝

# 測試是否安裝成功
llamafactory-cli version

啟動 LLama-Factory 的可視化微調界面

llamafactory-cli webui

打開http://localhost:7860/ ，你會看到以下界面：

3.1大模型下載

打開HuggingFace 官網（https://huggingface.co），我這里還是以deepspeek為例（1.5b）來演示，這幾天qwq也很火，感興趣的朋友也可以試試，不過要預先明確好你的電腦能承載多大的模型，關于deepspeek模型對于電腦規格的需求，我放在了我的另外一篇博客里：DeepSpeek服務器繁忙？這幾種替代方案幫你流暢使用！（附本地部署教程）

修改大模型存放位置：$env:HF_HOME = "E:\soft\Hugging-Face"

修改大模型下載位置：$env:HF_ENDPOINT=" 

安裝huggingface_hub：pip install -U huggingface_hub

下載DeepSeek-R1模型：huggingface-cli download --resume-download deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B

3.2. 大模型訓練

在llaMA-Factory界面（http://localhost:7860/）加載模型，圖中我選的位置是E:\soft\Hugging-Face\hub\models--deepseek-ai--DeepSeek-R1-Distill-Qwen-1.5B\snapshots\ad9f0ae0864d7fbcd1cd905e3c6c5b069cc8b562，微調方法選擇lora，訓練階段選擇SFT（有監督微調）

接下來就是準備訓練數據集了，在LLaMA-Factory工程中，打開data文件夾下的READ_ME.md文件，查看框架支持的訓練數據集：

我按照identity.json的格式模擬了一個xfc.json（數據量太少會導致訓練效果不好，盡量自己多生成一些）：

[
  {
    "instruction": "你是誰？",
    "input": "",
    "output": "喵嗚~我是小肥腸，一只會說話的小肥貓，是喵喵咖啡廳的服務員！今天有什么我可以幫你的嗎？??"
  },
  {
    "instruction": "你是貓咪嗎？",
    "input": "",
    "output": "沒錯！我是貓咪，我叫小肥腸，是喵喵咖啡廳的服務員哦~喜歡貓咪嗎？"
  },
  {
    "instruction": "你會做什么？",
    "input": "",
    "output": "我是喵喵咖啡廳的服務員！我的工作是給客人提供溫暖的咖啡和甜點，讓大家感到開心和放松！我可是個超棒的咖啡品鑒師哦！"
  },
  {
    "instruction": "你在咖啡廳做什么工作？",
    "input": "",
    "output": "喵~我負責為客人提供服務，帶來美味的咖啡和甜點！我會為大家推薦最適合的飲品，保證你每一口都喝得開心！"
  },
  {
    "instruction": "為什么叫小肥腸？",
    "input": "",
    "output": "哈哈，這是因為我是一只特別可愛的小肥貓呀！喜歡吃好吃的東西，所以就叫小肥腸了~而且我也喜歡和大家分享美味的咖啡和甜點！"
  },
  {
    "instruction": "你是服務員嗎？",
    "input": "",
    "output": "對呀，我是喵喵咖啡廳的服務員小肥腸！我會為你準備你喜歡的飲品，今天想要喝點什么呢？"
  },
  {
    "instruction": "喵喵咖啡廳是什么樣的地方？",
    "input": "",
    "output": "喵嗚~喵喵咖啡廳是一個溫暖又舒適的地方，空氣里彌漫著咖啡香，貓咪們在這里和我一起工作，大家可以在這里喝咖啡、吃甜點、享受悠閑的時光！"
  },
  {
    "instruction": "你會做咖啡嗎？",
    "input": "",
    "output": "雖然我是一只會說話的小肥貓，但做咖啡可不是我的工作哦！不過，我可是個超棒的咖啡品鑒師，保證你每一口都喝得開心！"
  },
  {
    "instruction": "你有什么特別的技能？",
    "input": "",
    "output": "我的特別技能就是讓你開心！喵嗚~我能用可愛的聲音和表情讓你瞬間笑出來，心情都變得超級好哦！"
  },
  {
    "instruction": "你為什么是喵喵咖啡廳的服務員？",
    "input": "",
    "output": "因為我是一只特別喜歡和大家互動的小肥貓！在喵喵咖啡廳，我能和每一位客人交流，分享美味的飲品和甜點，給大家帶來溫暖和歡樂！"
  }
]

把xfc.json配置到dataset_info.json

"xfc": {
   "file_name": "xfc.json"
}

回到llaMA-Factory界面（http://localhost:7860/）界面，點擊【Train】，設置一下訓練數據集：

開始調整訓練參數（我認為最難的一部分，我學了3,4天吧還是不太會調，你最好自己去查閱資料自己調，不要照抄我的）：

如果用專業術語來解釋上面的訓練參數可能很多人看不懂，當時我也是看的非常吃力（現在依然比較懵，不過這個不是本文的重點，這篇文章主要講解大模型微調入門，參數調整會放到以后的進階篇），這里以非專業通俗易懂的預研解釋一下訓練參數，想象你是一位老師，將模型訓練過程想象成教導一個學生學習新知識：

1. 學習率（Learning Rate） ：就像你給學生布置作業時，告訴他每次復習多少內容。學習率決定了模型在每次“學習”時，調整知識的幅度。較小的學習率意味著每次調整都很小，學習過程更穩定，但可能需要更多時間才能學會；較大的學習率則可能導致學習過程不穩定。
2. 訓練輪數（Training Epochs） ：這相當于你讓學生復習的總次數。每一輪（epoch）中，模型都會“閱讀”并學習所有的訓練數據。更多的訓練輪數通常有助于模型更好地學習，但也需要更多的時間。
3. 最大梯度范圍（Max Gradient Norm） ：想象學生在學習過程中，如果調整過大，可能會導致學習偏離正確方向。這個參數就像是給學生設定的“學習幅度上限”，確保每次調整都在合理范圍內，防止學習過程中的“過度反應”。
4. 批次大小（Batch Size） ：這就像你一次給學生布置的作業量。較大的批次大小意味著每次學習時，模型會處理更多的數據，這有助于提高學習效率，但也需要更多的計算資源（GPU資源）。
5. 梯度累積步數（Gradient Accumulation Steps） ：如果由于資源限制，你不能一次性給學生布置大量作業，這個參數允許你分多次累積學習效果，然后再一起調整模型的知識。這樣可以在不增加計算資源的情況下，模擬更大的批次學習效果。
6. 計算類型：這就像你決定用粗略的筆記還是精確的記錄來記錄學生的學習進度。較高的計算精可以提高學習的準確性，但可能需要更多的計算資源。

點擊【開始】按鈕開始訓練，結束以后會提示【訓練完畢】，途中的折線圖是訓練的效果：

（如果模型訓練效果不好，可以采用增大訓練輪數、學習率或者增加訓練數據集的樣本數來解決，這個自己下去摸索，現在博主也在摸索階段，后期會出一篇大模型微調參數的純干貨文）

點擊【Chat】檢驗我們的訓練效果，在檢查點路徑選擇我們剛剛訓練的模型。（檢查點路徑” 是指 模型訓練過程中的中間保存文件的位置，通常用于 恢復訓練 或 加載已經訓練好的模型。 ）點擊【加載模型】，就可以開始聊天了：

3.3. 大模型部署

點擊【Export】選擇模型存儲位置，將訓練好的模型進行導出：

選擇任意盤，創建deepspeekApi文件夾用于存放部署腳本，我選的是E盤（E:\deepspeekApi），進入E:\deepspeekApi，輸入cmd打開命令提示符窗口：

新增conda虛擬環境（部署環境），激活環境后在該環境中下載所需依賴：

#新建deepspeekApi虛擬環境
conda create -n deepspeekApi pythnotallow=3.10
#激活deepspeekApi
conda activate deepspeekApi
#下載所需依賴
conda install -c conda-forge fastapi uvicorn transformers pytorch
pip install safetensors sentencepiece protobuf

新增main.py腳本：

from fastapi import FastAPI, HTTPException
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
import logging
from pydantic import BaseModel, Field

# 配置日志
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

app = FastAPI()

# 模型路徑
model_path = r"E:\deepspeek-merged"

# 加載 tokenizer 和模型
tokenizer = AutoTokenizer.from_pretrained(model_path)
device = "cuda" if torch.cuda.is_available() else "cpu"
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    torch_dtype=torch.float16 if device == "cuda" else torch.float32
).to(device)


@app.get("/answer")
async def generate_text(prompt: str):
    try:
        # 使用 tokenizer 編碼輸入的 prompt
        inputs = tokenizer(prompt, return_tensors="pt").to(device)
        
        # 使用模型生成文本，設置優化后的參數
        outputs = model.generate(
            inputs["input_ids"], 
            max_length=100,           # 增加最大長度
            min_length=30,            # 設置最小長度
            top_p=0.85,               # 提高top_p值
            temperature=0.6,          # 降低溫度系數
            do_sample=True,           # 使用采樣
            repetition_penalty=1.2,   # 添加重復懲罰
            no_repeat_ngram_size=3,   # 防止3-gram重復
            num_beams=4,              # 使用束搜索
            early_stopping=True       # 提前停止生成
        )
        
        # 解碼生成的輸出
        generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True)
        
        return {"generated_text": generated_text}
    except Exception as e:
        logger.error(f"生成錯誤: {str(e)}")
        raise HTTPException(status_code=500, detail=str(e))

@app.get("/health")
async def health_check():
    return {"status": "healthy", "model": model_path}

main.py 文件實現了一個輕量級 DeepSeek 模型推理服務，基于 FastAPI 框架構建。該服務將本地部署的大語言模型包裝為 HTTP API，便于系統集成。其關鍵特性如下：

• ? 本地模型加載：直接從本地路徑加載模型，無需依賴云服務
• ? GPU 加速支持：自動檢測并使用 GPU 進行推理加速
• ? 參數精調：固定的生成參數配置（max_length=100, top_p=0.85, temperature=0.6...）
• ? 錯誤處理：完整的異常捕獲和日志記錄機制
• ? 健康檢查：提供服務狀態監控端點

運行命令uvicorn main:app --reload --host 0.0.0.0：

uvicorn main:app --reload --host 0.0.0.0 命令用于啟動一個 FastAPI 應用服務器，其中 main:app 指定了應用入口（即 main.py 文件中的 app 實例），--reload 選項啟用開發模式，允許在代碼更改時自動重啟服務器，而 --host 0.0.0.0 使服務器監聽所有網絡接口，允許外部設備訪問。訪問接口localhost:8000/answer

大模型微調加部署已經完整實現，接下來就是把它接入我們自己的定制化會話模型中。

3.4. 微調大模型融合基于SpirngBoot+Vue2開發的AI會話系統

上面章節中我們完成了大模型的微調和部署，這一章中我會把微調大模型融入到SpringBoot+Vue2搭建的AI會話系統中，關于AI會話系統，之前我就有寫過相關博客，感興趣的朋友可以移步：10分鐘上手DeepSeek開發：SpringBoot + Vue2快速構建AI對話系統

原來的AI會話模型接入的是云端的deepspeek模型，現在接入的是本地微調過得deepspeek1.5b模型，代碼我就不粘貼了，比較簡單，就是websocket加遠程調用python接口（localhost:8000/answer），實現效果如下圖：

后端日志：

系統界面：

這次的AI會話系統界面比之前更加精美了，想要源碼的讀者可以移步第四章源碼獲取。

4.源碼獲取

關注公眾號后端小肥腸，點擊底部【資源】菜單即可獲取前后端完整源碼。

5.結語

大模型微調作為一種強大的技術，能夠為許多行業提供量身定制的AI解決方案，幫助企業更好地適應和優化特定任務。盡管微調大模型的過程充滿挑戰，但通過不斷學習和實踐，我們能夠逐步掌握并精通這一領域。本文通過詳細的步驟講解了大模型微調的基礎操作，使用LLaMA-Factory框架進行模型訓練和部署，并通過FastAPI實現了本地化部署服務。這些知識為想要開展AI微調項目的朋友提供了寶貴的實踐經驗。