解锁DeepSpeek-R1大模型微调：从训练到部署，打造定制化AI会话系统

目录

1. 前言

2.大模型微调概念简述

2.1. 按学习范式分类

2.2. 按参数更新范围分类

2.3. 大模型微调框架简介

3. DeepSpeek R1大模型微调实战

3.1.LLaMA-Factory基础环境安装

3.1大模型下载

3.2. 大模型训练

3.3. 大模型部署

3.4. 微调大模型融合基于SpirngBoot+Vue2开发的AI会话系统

4.源码获取

5.结语

---

1. 前言

在如今快速发展的AI技术领域，越来越多的企业正在将AI应用于各个场景。然而，尽管大模型（如GPT、DeepSpeek等）在多个任务上已取得显著进展，但是普通的大模型在面对特定行业或任务时，往往会出现一个问题——AI幻觉。所谓AI幻觉，是指模型生成的内容不符合实际需求，甚至包含错误或无关的信息，这对于一些行业来说，可能带来不可接受的风险，尤其是在医疗、法律、金融等领域。

对于这些行业的企业而言，精准、高效地输出行业特定内容是他们对AI的核心需求。企业希望AI能够处理行业术语、应对特殊情境，并且确保内容的准确性。然而，单纯依赖大模型进行推理，往往无法达到这样的标准，因为大模型的训练是基于通用数据集，这些数据集通常并不包含行业领域的深度知识。因此，企业通常需要一个更加定制化、精细化的模型，而这正是大模型微调技术能够提供的解决方案。

大模型微调技术通过对预训练的大模型进行进一步训练，能够根据特定领域的需求进行优化。通过提供具有代表性的领域数据，尤其是精心标注的行业特定数据，微调后的模型能够学习这些领域的专有知识，从而有效避免AI幻觉的发生，并且提供更加准确、有价值的输出。

本文将从零开始教你一步步入门AI大模型微调技术（基于DeepSpeek R1大模型），最终实现基于私有化部署的微调大模型AI会话系统。感兴趣的朋友可以继续往下看看。

2.大模型微调概念简述

大模型微调是指在已有的预训练大模型基础上，通过特定任务或领域数据进行进一步训练，使模型能够更精准地处理特定任务。与传统的训练方法不同，微调充分利用已有的大模型，减少对大量数据的依赖，同时通过对模型进行小范围的调整，使其适应新的任务。大模型微调技术在多个领域中得到了广泛应用，如文本生成、分类任务、问答系统等。

微调的核心目标是使大模型根据特定任务需求进行优化，提升其在特定应用场景中的表现。为实现这一目标，微调方法主要包括以下两种分类方式：

1. 按学习范式分类：根据模型学习方式的不同，微调方法可分为有监督微调、无监督微调和半监督微调等类型。
2. 按参数更新范围分类：根据在微调过程中对模型参数更新范围的不同，方法可分为全量微调和部分微调等类型。

2.1. 按学习范式分类

有监督微调（Supervised Fine-Tuning，SFT）

有监督微调是最常见的微调方式，适用于任务明确且具有标注数据的情况。通过使用人工标注的高质量数据对，模型能够学习特定任务所需的知识，从而在指定任务上提供准确的输出。

SFT示例：

training_data = [{"input": "问题", "output": "标准答案"},# 人工标注的高质量数据对
]

在有监督微调中，模型的目标是根据输入的“问题”生成一个“标准答案”。这个过程依赖于人工标注的数据，使模型能够更好地理解并生成符合实际需求的结果，有监督微调适用于需要特定答案的任务，如情感分析、文本分类、机器翻译、问答系统等。

无监督微调（Unsupervised Fine-Tuning）

无监督微调是一种不依赖人工标注的微调方式，主要利用大量未标注的文本数据进行训练。通过无监督学习，模型能够自动从原始数据中提取知识，尤其在没有标注数据或标注数据获取困难的情况下尤为有用。

无监督微调示例：

training_data = ["大量未标注文本...",# 无需人工标注的原始文本
]

这种方式通常用于模型的预训练过程，模型通过对大规模文本进行训练，学习通用的语言表示能力。无监督微调可以增强模型的语法和语义理解能力，提升其在不同任务中的表现，无监督微调适用于自然语言建模、生成任务等场景，帮助模型理解文本的结构和语义关系。

半监督微调（Semi-Supervised Fine-Tuning）

半监督微调结合了有监督和无监督学习的优点，利用标注数据和未标注数据来训练模型。常用的方法包括将未标注数据通过某种方式生成伪标签，或利用自监督学习方法，使模型在标注数据较少时也能进行有效训练。

半监督微调示例：

training_data = [{"input": "问题", "output": "标准答案"},  # 高质量人工标注数据"大量未标注文本...",  # 用于填充的未标注数据
]

半监督微调适用于标注数据稀缺的场景，能够结合少量标注数据和大量未标注数据，进一步提升模型表现，这种方法在实际应用中尤其适用于标签获取困难或成本高昂的领域，如医疗、法律等行业。

2.2. 按参数更新范围分类

全量微调（Full Fine-Tuning）

全量微调是指在对预训练模型进行微调时，更新模型的所有参数。通过对特定领域数据的训练，模型的所有层都会根据新任务的数据进行调整。全量微调能够在模型中深度定制领域知识，最大程度地提升模型在目标任务中的效果。

全量微调的特点：

• 更新模型的所有参数。
• 适用于数据量较大且任务复杂的场景。
• 训练时间较长，需要大量计算资源。

全量微调适用于大规模数据集且任务复杂的场景，如文本生成、问答系统、情感分析等。它能够充分利用预训练模型进行深度学习，提供最优效果。

部分微调（Low-Rank Adaptation，LoRA）

部分微调是一种通过对预训练模型的部分参数进行微调的技术。LoRA的目标是减少微调过程中需要更新的参数数量，从而显著降低计算开销。通过低秩矩阵的方式，LoRA仅更新模型中的某些参数（如特定层的权重），使微调过程更加高效，特别适合计算资源有限的场景。

LoRA的特点：

• 只调整部分参数（如低秩矩阵分解）。
• 降低计算和内存开销。
• 适合快速微调，尤其在资源受限时。

LoRA非常适合在资源有限的情况下快速调整模型，尤其在需要快速部署且不需要全部模型调整的场景中非常有用。

在大模型微调过程中，有监督微调（SFT）与LoRA（Low-Rank Adaptation）相结合，能够充分发挥各自优势，提升模型在特定任务上的表现。具体而言，SFT通过在人工标注的数据上对模型进行微调，使其适应特定任务；而LoRA则在冻结预训练模型权重的基础上，引入低秩矩阵进行微调，减少计算开销并提高效率。将两者结合，可以在保证性能的同时，降低资源消耗。在接下来的部分，我们将详细探讨如何将SFT与LoRA相结合，进行高效的大模型微调，并展示其在实际应用中的效果。

2.3. 大模型微调框架简介

在大模型微调领域，存在多种框架，每个框架都有其独特的优势和局限性。以下是几种常见的大模型微调框架的介绍与比较：

1. Hugging Face Transformers

Hugging Face Transformers（https://huggingface.co/transformers/） 是目前最为流行的自然语言处理（NLP）框架之一，提供了丰富的预训练模型和易于使用的 API，广泛应用于各类 NLP 任务，如文本分类、问答系统等。它的特点是：

• 预训练模型丰富，支持多种模型，如 BERT、GPT、T5 等。
• 提供了高层次的 API，使得微调过程简单易懂。
• 拥有庞大的用户社区和文档支持。

尽管 Hugging Face Transformers 在许多常见任务中表现优秀，但在超大规模模型的微调和训练中，可能会面临性能瓶颈和资源消耗过大的问题。

2. DeepSpeed

DeepSpeed（Latest News - DeepSpeed ）是微软开发的高效深度学习训练框架，专注于优化大规模模型训练的性能。其主要特点包括：

• ZeRO优化，显著减少内存占用，提高分布式训练的效率。
• 支持 混合精度训练，加速训练过程并减少内存需求。
• 提供分布式训练功能，支持大规模模型的训练。

DeepSpeed适合大规模模型的训练，但使用门槛较高，需要深入理解框架的底层实现。

3. Fairseq

Fairseq （fairseq documentation — fairseq 0.12.2 documentation）是 Facebook AI Research 开发的一个高效训练工具，支持多种模型架构的训练，如 Transformer 和 BART。其特点为：

• 高性能和灵活性，支持多种任务，如机器翻译、文本生成等。
• 容易扩展，支持用户自定义新的算法和模型。

Fairseq 对于需要灵活定制和扩展的场景非常适合，但其文档和社区支持相对有限。

4. LLaMA-Factory（本文使用的框架）

LLaMA-Factory （LLaMA Factory）是由国内北航开源的低代码大模型训练框架，旨在简化大模型微调过程，尤其是在支持低代码甚至零代码操作的基础上，提供极大的便利。其主要特点包括：

• 零代码操作：通过 Web UI（LlamaBoard），用户无需编写代码即可完成大规模模型的微调。
• 高效的训练方法：结合 LoRA（低秩适配）和 QLoRA 等先进技术，在保证模型性能的同时，显著降低了计算资源消耗。相较于其他框架，LLaMA-Factory 提供了更高的微调效率。
• 广泛的模型支持：支持 LLaMA、Mistral、Qwen 等多种流行的预训练模型，适应性强。
• 低成本和高性能：通过量化技术和高效算法，LLaMA-Factory 可降低模型训练成本，同时加速训练过程。

LLaMA-Factory 适合企业和研究人员需要快速、高效地微调大模型并在特定任务中应用时，尤其在低资源条件下表现突出。

每个大模型微调框架都有其适用场景和优势。Hugging Face Transformers 以其丰富的模型和简便的 API 受到广泛欢迎，适合大多数 NLP 任务。DeepSpeed 在处理超大规模模型时表现优异，适合对性能要求极高的训练任务。Fairseq 则适合需要灵活定制和高性能训练的应用场景。而 LLaMA-Factory 则在提高训练效率、降低成本和简化操作方面展现出巨大的优势，尤其在零代码操作和多种微调技术的结合下，使得大模型的微调过程更加轻松和高效。对于希望快速实现大模型微调的用户，LLaMA-Factory 无疑是一个值得优先考虑的选择。

3. DeepSpeek R1大模型微调实战

3.1.LLaMA-Factory基础环境安装

1. 安装 Anaconda（Python 环境管理工具）

        1.下载 Anaconda：

• 访问 Anaconda 官网 下载适用于 Windows 系统的安装包，记得选择 Python 3.10 版本。
• 安装包约 800MB，耐心等待下载完成。

        2. 安装 Anaconda（已经安装了Anaconda就跳过这步）：

• 双击下载的安装程序，按照提示进行安装。
• 安装过程中，建议勾选“Add Anaconda to PATH”选项，这样方便在命令行中使用，如果你忘记勾了也没关系，后续自行配置一下环境变量就行了（环境变量->系统变量->Path中新增下图内容）：

• 安装完成后，点击“Finish”结束安装。

2. 安装 Git（已经安装了git就跳过这步）：

        1. 下载 Git：

• 访问 Git 官网 下载适用于 Windows 的安装包。

        2. 安装 Git：

• 双击安装程序，并按照默认选项进行安装。
• 安装过程中大部分选项可以保持默认，完成安装后即可使用 Git。

3. 创建项目环境

打开Anaconda Prompt（从Windows开始菜单找到），执行：

# 创建新的环境
conda create -n llama python=3.10
#运行 conda init 初始化
conda init
#这个命令会修改你的 shell 配置文件（例如 .bashrc、.zshrc 等），以便能够正确使用 conda 命令。
#conda init 执行后，需要重新启动命令提示符。关闭当前的命令提示符窗口，然后重新打开一个新的命令提示符窗口。
# 激活环境
conda activate llama

4. 安装PyTorch（AI框架）

在同一个命令窗口继续执行（llma环境）：

# 安装PyTorch（支持CUDA的版本）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

5. 安装LLaMA-Factory

找到一个目录存放LLaMA-Factory项目，打开git命令窗口执行：

# 克隆项目
git clone https://github.com/hiyouga/LLaMA-Factory.git

下载完成后使用pycharm打开LLaMA-Factory工程

安装项目依赖

安装的时候确保你的环境是llma（也可以在外部命令窗口执行，这个看你自己，核心是保证依赖下载到llma环境）：

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

验证安装

# 测试是否安装成功
llamafactory-cli version

启动 LLama-Factory 的可视化微调界面

llamafactory-cli webui

打开http://localhost:7860/，你会看到以下界面：

3.1大模型下载

打开HuggingFace 官网（https://huggingface.co），我这里还是以deepspeek为例（1.5b）来演示，这几天qwq也很火，感兴趣的朋友也可以试试，不过要预先明确好你的电脑能承载多大的模型，关于deepspeek模型对于电脑规格的需求，我放在了我的另外一篇博客里：DeepSpeek服务器繁忙？这几种替代方案帮你流畅使用！（附本地部署教程）-CSDN博客

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

修改大模型下载位置：$env:HF_ENDPOINT="HF-Mirror"

安装huggingface_hub：pip install -U huggingface_hub

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

3.2. 大模型训练

在llaMA-Factory界面（http://localhost:7860/）加载模型，图中我选的位置是E:\soft\Hugging-Face\hub\models--deepseek-ai--DeepSeek-R1-Distill-Qwen-1.5B\snapshots\ad9f0ae0864d7fbcd1cd905e3c6c5b069cc8b562，微调方法选择lora，训练阶段选择SFT（有监督微调）

接下来就是准备训练数据集了，在LLaMA-Factory工程中，打开data文件夹下的READ_ME.md文件，查看框架支持的训练数据集：

我按照identity.json的格式模拟了一个xfc.json（数据量太少会导致训练效果不好，尽量自己多生成一些）：

[{"instruction": "你是谁？","input": "","output": "喵呜~我是小肥肠，一只会说话的小肥猫，是喵喵咖啡厅的服务员！今天有什么我可以帮你的吗？😸"},{"instruction": "你是猫咪吗？","input": "","output": "没错！我是猫咪，我叫小肥肠，是喵喵咖啡厅的服务员哦~喜欢猫咪吗？"},{"instruction": "你会做什么？","input": "","output": "我是喵喵咖啡厅的服务员！我的工作是给客人提供温暖的咖啡和甜点，让大家感到开心和放松！我可是个超棒的咖啡品鉴师哦！"},{"instruction": "你在咖啡厅做什么工作？","input": "","output": "喵~我负责为客人提供服务，带来美味的咖啡和甜点！我会为大家推荐最适合的饮品，保证你每一口都喝得开心！"},{"instruction": "为什么叫小肥肠？","input": "","output": "哈哈，这是因为我是一只特别可爱的小肥猫呀！喜欢吃好吃的东西，所以就叫小肥肠了~而且我也喜欢和大家分享美味的咖啡和甜点！"},{"instruction": "你是服务员吗？","input": "","output": "对呀，我是喵喵咖啡厅的服务员小肥肠！我会为你准备你喜欢的饮品，今天想要喝点什么呢？"},{"instruction": "喵喵咖啡厅是什么样的地方？","input": "","output": "喵呜~喵喵咖啡厅是一个温暖又舒适的地方，空气里弥漫着咖啡香，猫咪们在这里和我一起工作，大家可以在这里喝咖啡、吃甜点、享受悠闲的时光！"},{"instruction": "你会做咖啡吗？","input": "","output": "虽然我是一只会说话的小肥猫，但做咖啡可不是我的工作哦！不过，我可是个超棒的咖啡品鉴师，保证你每一口都喝得开心！"},{"instruction": "你有什么特别的技能？","input": "","output": "我的特别技能就是让你开心！喵呜~我能用可爱的声音和表情让你瞬间笑出来，心情都变得超级好哦！"},{"instruction": "你为什么是喵喵咖啡厅的服务员？","input": "","output": "因为我是一只特别喜欢和大家互动的小肥猫！在喵喵咖啡厅，我能和每一位客人交流，分享美味的饮品和甜点，给大家带来温暖和欢乐！"}
]

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，点击【Train】，设置一下训练数据集：

开始调整训练参数（我认为最难的一部分，我学了3,4天还是不太会调，你最好自己去查阅资料自己调，不要照抄我的）：

如果用专业术语来解释上面的训练参数可能很多人看不懂，当时我也是看的非常吃力（现在依然比较懵，不过这个不是本文的重点，这篇文章主要讲解大模型微调入门，参数调整会放到以后的进阶篇），这里以非专业通俗易懂的预研解释一下训练参数，想象你是一位老师，将模型训练过程想象成教导一个学生学习新知识：

1. 学习率（Learning Rate）：就像你给学生布置作业时，告诉他每次复习多少内容。学习率决定了模型在每次“学习”时，调整知识的幅度。较小的学习率意味着每次调整都很小，学习过程更稳定，但可能需要更多时间才能学会；较大的学习率则可能导致学习过程不稳定。
2. 训练轮数（Training Epochs）：这相当于你让学生复习的总次数。每一轮（epoch）中，模型都会“阅读”并学习所有的训练数据。更多的训练轮数通常有助于模型更好地学习，但也需要更多的时间。
3. 最大梯度范围（Max Gradient Norm）：想象学生在学习过程中，如果调整过大，可能会导致学习偏离正确方向。这个参数就像是给学生设定的“学习幅度上限”，确保每次调整都在合理范围内，防止学习过程中的“过度反应”。
4. 批次大小（Batch Size）：这就像你一次给学生布置的作业量。较大的批次大小意味着每次学习时，模型会处理更多的数据，这有助于提高学习效率，但也需要更多的计算资源（GPU资源）。
5. 梯度累积步数（Gradient Accumulation Steps）：如果由于资源限制，你不能一次性给学生布置大量作业，这个参数允许你分多次累积学习效果，然后再一起调整模型的知识。这样可以在不增加计算资源的情况下，模拟更大的批次学习效果。
6. 计算类型：这就像你决定用粗略的笔记还是精确的记录来记录学生的学习进度。较高的计算精可以提高学习的准确性，但可能需要更多的计算资源。

点击【开始】按钮开始训练，结束以后会提示【训练完毕】，途中的折线图是训练的效果：

（如果模型训练效果不好，可以采用增大训练轮数、学习率或者增加训练数据集的样本数来解决，这个自己下去摸索，现在博主也在摸索阶段，后期会出一篇大模型微调参数的纯干货文）

点击【Chat】检验我们的训练效果，在检查点路径选择我们刚刚训练的模型。（检查点路径” 是指 模型训练过程中的中间保存文件的位置，通常用于 恢复训练 或 加载已经训练好的模型。）点击【加载模型】，就可以开始聊天了：

3.3. 大模型部署

点击【Export】选择模型存储位置，将训练好的模型进行导出：

选择任意盘，创建deepspeekApi文件夹用于存放部署脚本，我选的是E盘（E:\deepspeekApi），进入E:\deepspeekApi，输入cmd打开命令提示符窗口：

新增conda虚拟环境（部署环境），激活环境后在该环境中下载所需依赖：

#新建deepspeekApi虚拟环境
conda create -n deepspeekApi python=3.10
#激活deepspeekApi
conda activate deepspeekApi
#下载所需依赖
conda install -c conda-forge fastapi uvicorn transformers pytorch
pip install safetensors sentencepiece protobuf

新增main.py脚本：

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()# 模型路径
model_path = r"E:\deepspeek-merged"# 加载 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 编码输入的 promptinputs = tokenizer(prompt, return_tensors="pt").to(device)# 使用模型生成文本，设置优化后的参数outputs = model.generate(inputs["input_ids"], max_length=100,           # 增加最大长度min_length=30,            # 设置最小长度top_p=0.85,               # 提高top_p值temperature=0.6,          # 降低温度系数do_sample=True,           # 使用采样repetition_penalty=1.2,   # 添加重复惩罚no_repeat_ngram_size=3,   # 防止3-gram重复num_beams=4,              # 使用束搜索early_stopping=True       # 提前停止生成)# 解码生成的输出generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True)return {"generated_text": generated_text}except Exception as e:logger.error(f"生成错误: {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 文件实现了一个轻量级 DeepSeek 模型推理服务，基于 FastAPI 框架构建。该服务将本地部署的大语言模型包装为 HTTP API，便于系统集成。其关键特性如下：

• ✅ 本地模型加载：直接从本地路径加载模型，无需依赖云服务
• ✅ GPU 加速支持：自动检测并使用 GPU 进行推理加速
• ✅ 参数精调：固定的生成参数配置（max_length=100, top_p=0.85, temperature=0.6...）
• ✅ 错误处理：完整的异常捕获和日志记录机制
• ✅ 健康检查：提供服务状态监控端点

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

uvicorn main:app --reload --host 0.0.0.0 命令用于启动一个 FastAPI 应用服务器，其中 main:app 指定了应用入口（即 main.py 文件中的 app 实例），--reload 选项启用开发模式，允许在代码更改时自动重启服务器，而 --host 0.0.0.0 使服务器监听所有网络接口，允许外部设备访问。访问接口localhost:8000/answer

大模型微调加部署已经完整实现，接下来就是把它接入我们自己的定制化会话模型中。

3.4. 微调大模型融合基于SpirngBoot+Vue2开发的AI会话系统

上面章节中我们完成了大模型的微调和部署，这一章中我会把微调大模型融入到SpringBoot+Vue2搭建的AI会话系统中，关于AI会话系统，之前我就有写过相关博客，感兴趣的朋友可以移步：10分钟上手DeepSeek开发：SpringBoot + Vue2快速构建AI对话系统_springboot deepseek-CSDN博客

原来的AI会话模型接入的是云端的deepspeek模型，现在接入的是本地微调过得deepspeek1.5b模型，代码我就不粘贴了，比较简单，就是websocket加远程调用python接口（localhost:8000/answer），实现效果如下图：

后端日志：

系统界面：

这次的AI会话系统界面比之前更加精美了，想要源码的读者可以移步第四章源码获取。

4.源码获取

关注gzh后端小肥肠，点击底部【资源】菜单即可获取前后端完整源码。

5.结语

大模型微调作为一种强大的技术，能够为许多行业提供量身定制的AI解决方案，帮助企业更好地适应和优化特定任务。尽管微调大模型的过程充满挑战，但通过不断学习和实践，我们能够逐步掌握并精通这一领域。本文通过详细的步骤讲解了大模型微调的基础操作，使用LLaMA-Factory框架进行模型训练和部署，并通过FastAPI实现了本地化部署服务。这些知识为想要开展AI微调项目的朋友提供了宝贵的实践经验。

如果你对AI领域感兴趣，欢迎关注小肥肠，小肥肠将持续更新AI领域更多干货文章~~感谢大家的阅读，我们下期再见！