[特殊字符] LoRA微调大模型实践：从MAC到Web的全流程指南

🚀 实践步骤概览

今天我们要在MAC上完成一个完整的AI项目闭环：

1. 微调一个大模型 → 2. 导出模型并部署 → 3. 暴露API给web后端 → 4. 前端展示

---

🛠️ 微调模型准备

核心配置

• 框架：LLama-Factory 🏭

• 算法：LoRA (低秩适应) 🧠

• 基座模型：deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B (来自HuggingFace)

---

📥 第一步：下载LLama Factory

# 如果下载失败的话，可以手动下载压缩包
git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
# 下载依赖包
pip install -e ".[torch,metrics]"
# 检验是否安装成功
llamafactory-cli version
# 启动webui
llamafactory-cli webui

💡 小贴士：部署成功后会自动弹出localhost:7860的页面哦！

---

🧩 基座模型下载

曲折经历：原本想用huggingface-cli命令下载，但多次尝试失败后，我选择了手动下载...

mkdir Hugging-Face
# 将下载的模型放在该目录下

1. 指定模型路径

2. 点击加载按钮

3. 等待模型加载完成

---

📚 准备微调数据

参考LLama-Factory的身份训练数据模板，替换{{name}}和{{author}}：

[{"instruction": "你好","input": "","output": "您好，我是 {{name}}，一个由 {{author}} 开发的 AI 助手，很高兴认识您。请问我能为您做些什么？"
},
{"instruction": "你好","input": "","output": "您好，我是 {{name}}，一个由 {{author}} 打造的人工智能助手，请问有什么可以帮助您的吗？"
}]

关键操作：

1. 创建magic_conch.json文件放在LLama-Factory/data下

2. 在dataset_info.json中添加配置：

"magic_conch": {"file_name": "magic_conch.json"},

---

⚙️ 微调参数设置与执行

微调完成后：

1. 在chat界面卸载模型

2. 选择检查点重新导入

3. 测试提问"我是谁"，验证微调效果

---

📦 导出完整模型

mkdir -p Models/deepseek-r1-1.5b-merged

🔍 技术说明：LoRA只是低秩矩阵，调整了部分权重，需要合并导出完整模型

在UI上：

1. 选择export（导出）

2. 选择导出设备为auto

3. 设置导出路径

4. 点击导出按钮

---

🌐 创建FastAPI接口

from fastapi import FastAPI
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
​
app = FastAPI()
# 模型路径
model_path = "/Users/xxx/deepseek/Models/deepseek-r1-1.5b-merged"
# 加载 tokenizer （分词器）
tokenizer = AutoTokenizer.from_pretrained(model_path)
# 加载模型并移动到可⽤设备（GPU/CPU）
device = "cuda" if torch.cuda.is_available() else "cpu"
model = AutoModelForCausalLM.from_pretrained(model_path).to(device)
​
@app.get("/generate")
async def generate_text(prompt: str):inputs = tokenizer(prompt, return_tensors="pt").to(device)outputs = model.generate(inputs["input_ids"], max_length=150)generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True)return {"generated_text": generated_text}
​
if __name__ == '__main__':import uvicornuvicorn.run(app,host='localhost',port=8060)

---

☕ Java后端调用示例

关键代码（完整项目见GitHub）：

@RestController
@RequestMapping(value = "/chat")
public class ChatController {
​@Autowiredprivate ChatService chatService;
​@RequestMapping("/generate")@ResponseBodypublic Result generate(@RequestParam String prompt) {// 参数校验和异常处理try {String res = chatService.callAiForOneReply(prompt);return Result.success().setData(res);} catch (Exception e) {return Result.error();}}
}

@Service
public class ChatServiceImpl implements ChatService {@Autowiredprivate RestTemplate restTemplate;public String callAiForOneReply(String prompt) {String url = String.format("%s/generate?prompt=%s", aiServiceConfig.getBaseUrl(), prompt);GenerateResponse response = restTemplate.getForObject(url, GenerateResponse.class);return response != null ? response.getGenerated_text() : "";}
}

---

🎉 大功告成！

现在你已经完成了：

1. 模型微调

2. 模型导出

3. API服务搭建

4. 后端集成

下一步：可以开始设计炫酷的前端界面啦！🚀

💬 遇到问题？欢迎在评论区交流讨论～