在Ubuntu上用Llama Factory命令行微调Qwen2.5的简单过程

半年多之前写过一个教程：在Windows上用Llama Factory微调Llama 3的基本操作_llama-factory windows-CSDN博客

如果用命令行做的话，前面的步骤可以参考上面这个博客。安装好环境后， 用自我认知数据集微调Lora模块：data/identity.json，里面的格式也很好理解：

{

"instruction": "你是谁？",

"input": "",

"output": "您好，我是 { {name}}，一个由 { {author}} 发明的人工智能助手。我可以回答各种问题，提供实用的建议和帮助，帮助用户完成各种任务。"

},

可以直接用VS Code将上面的name和author替换，另存为一个文件，并且在data/dataset_info.json增加这个，类似于我这里（另存的文件名为identity_tpri.json）：

 "identity_tpri": {

"file_name": "identity_tpri.json"

},

将文件examples/train_qlora/llama3_lora_sft_awq.yaml另存为一个文件并且重命名，然后配置对应一下已经下载下来的模型文件（顺便说一句，模型文件可以在：魔搭社区 这里下载，应该速度都很快），我这里是这样修改的（标红的是更新的内容，除了微调数据集和模型位置以及Lora模块位置，需要注意的就是num_train_epochs，之前默认的值是3，经过测试以后太小了）：

### model

model_name_or_path: /home/quyu/Qwen2.5-7B-Instruct/

trust_remote_code: true

### method

stage: sft

do_train: true

finetuning_type: lora

lora_rank: 8

lora_target: all

### dataset

dataset: identity_tpri

template: qwen

cutoff_len: 2048

max_samples: 1000

overwrite_cache: true

preprocessing_num_workers: 16

### output

output_dir: saves/qwen-7b/lora/sft

logging_steps: 10

save_steps: 500

plot_loss: true

overwrite_output_dir: true

### train

per_device_train_batch_size: 1

gradient_accumulation_steps: 8

learning_rate: 1.0e-4

num_train_epochs: 20.0

lr_scheduler_type: cosine

warmup_ratio: 0.1

bf16: true

ddp_timeout: 180000000

### eval

# val_size: 0.1

# per_device_eval_batch_size: 1

# eval_strategy: steps

# eval_steps: 500

然后运行一下（重命名的文件是qwen_lora.yaml）：

llamafactory-cli train examples/train_qlora/qwen_lora.yaml

如果显存不够可能会报错（例如训练32B的时候），这个我在后一篇博客里再总结。如果显存够，那么可以直接得到微调后的lora模块，我这里用两个3090训练只需要一分多钟。我们将examples/inference/llama3_lora_sft.yaml复制以后重命名，并且将其内容改为：

model_name_or_path: /home/quyu/Qwen2.5-7B-Instruct

adapter_name_or_path: saves/qwen-7b/lora/sft

template: qwen

infer_backend: huggingface # choices: [huggingface, vllm]

trust_remote_code: true

然后运行（重命名的文件是qwen2_lora.yaml，看自己喜好重命名即可）：

llamafactory-cli chat examples/inference/qwen2_lora.yaml

然后再问大模型“你是谁？”，就可以看到修改之后的效果了。