LLaMA-Factory 微调 DeepSeek-R1 模型实战指南

所需数据合并

1. 在聊天记录文件夹建立一个 merge.py 的文件。
2. 复制以下代码用于合并所有聊天记录：

import os
import json

# 设置目标文件夹路径
folder_path = r'D:\软件\留痕\data\聊天记录'

# 获取文件夹及其所有子文件夹中的所有 .json 文件
json_files = []
for root, dirs, files in os.walk(folder_path):
    for file in files:
        if file.endswith('.json'):
            json_files.append(os.path.join(root, file))

# 合并所有 .json 文件
merged_data = []
for file in json_files:
    with open(file, 'r', encoding='utf-8') as f:
        try:
            data = json.load(f)
            merged_data.append(data)
        except json.JSONDecodeError:
            print(f"Error decoding {file}. Skipping.")

# 保存合并后的数据到一个新的 .json 文件
merged_file_path = os.path.join(folder_path, 'merged_data.json')
with open(merged_file_path, 'w', encoding='utf-8') as merged_file:
    json.dump(merged_data, merged_file, indent=4, ensure_ascii=False)
print(f"合并后的文件已保存至：{merged_file_path}")

3. 在命令行执行 python merge.py。
4. 显示执行完毕即表示数据已合并。

数据集预处理

数据集预处理是机器学习和人工智能中不可或缺的环节。预处理能够提升数据质量，通过清洗噪声、去除重复和无关信息，以及标准化格式，为模型训练提供纯净且一致的输入。

1. 在聊天记录文件夹建立一个 Data_Preprocessing.py 的文件。
2. 复制以下代码用于数据清洗、脱敏、去重以及规则化成 sharegpt 格式：

import json
import re

# 读取 merged_data.json 文件
with open('merged_data.json', 'r', encoding='utf-8') as file:
    data = json.load(file)

# 转换后的数据格式
converted_data = []

# 数据清洗：去除空消息，清除特殊字符，统一格式
def clean_data(dataset):
    cleaned_data = []
    for example in dataset:
        messages = example['messages']
        cleaned_messages = []
        for message in messages:
            # 去除内容为空的消息
            if not message['content'].strip():
                continue
            # 清除多余的空格、换行符等
            message['content'] = message['content'].replace("\n", " ").strip()
            cleaned_messages.append(message)
        if cleaned_messages:
            cleaned_data.append({'messages': cleaned_messages})
    return cleaned_data

# 脱敏处理：替换敏感信息
def replace_sensitive_info(text):
    # 匹配手机号、邮箱等敏感信息
    text = re.sub(r'\d{3}[-]?\d{4}[-]?\d{4}', '[PHONE_NUMBER]', text) # 替换手机号
    text = re.sub(r'\S+@\S+', '[EMAIL]', text) # 替换邮箱
    text = re.sub(r'\d{4}-\d{2}-\d{2}', '[DATE]', text) # 替换日期
    return text

# 匿名化数据：替换用户角色
def anonymize_data(dataset):
    anonymized_data = []
    for example in dataset:
        messages = example['messages']
        anonymized_messages = []
        for message in messages:
            # 匿名化用户角色
            if message['role'] == 'user':
                message['content'] = message['content'].replace("用户", "用户 X")
            # 替换敏感信息
            message['content'] = replace_sensitive_info(message['content'])
            anonymized_messages.append(message)
        anonymized_data.append({'messages': anonymized_messages})
    return anonymized_data

# 处理每一条对话
for item_list in data:
    for item in item_list:
        # 确保每个条目中包含 'messages' 字段
        if 'messages' not in item:
            print("跳过：没有找到 'messages' 字段")
            continue
        # 如果没有 'messages' 字段，跳过当前数据项
        print(f"正在处理数据项：{item}")
        # 打印当前处理的项
        conversation = {"conversations": []}
        # 处理消息数据
        for message in item['messages']:
            role = message['role']
            content = message['content']
            print(f"处理消息：role={role}, content={content}")
            # 打印消息内容
            # 清洗和脱敏处理
            content = replace_sensitive_info(content)
            # 映射 role 到 from 字段
            if role == "system":
                continue # 忽略 system 消息
            elif role == "user":
                from_role = "human"
            elif role == "assistant":
                from_role = "gpt"
            # 添加转换后的消息
            conversation['conversations'].append({"from": from_role, "value": content})
        # 将转换后的会话添加到最终结果中
        converted_data.append(conversation)

# 保存转换后的数据为新的文件
with open('converted_data.json', 'w', encoding='utf-8') as file:
    json.dump(converted_data, file, ensure_ascii=False, indent=2)
print("数据转换完成，结果已保存为 converted_data.json")

3. 在命令行执行 python Data_Preprocessing.py。
4. 显示执行完毕即表示数据已清洗和修改完毕。

DeepSeek-R1 可视化微调

数据集处理

1. 将 converted_data.json 数据集存放在 LLaMA-Factory 相对路径下的 data 文件夹中。
2. 编辑 dataset_info.json 文件。
3. 更改 dataset_info.json 文件，以便 LLaMA-Factory 识别训练。添加以下内容：

"converted_data": {
    "file_name": "converted_data.json",
    "formatting": "sharegpt",
    "columns": {
        "messages": "conversations"
    }
},

数据详解

1. 在 data 文件夹有个 README_zh.md 的文件打开它，它记录的就是 alpaca 和 sharegpt 格式数据集如何配置。
2. 使用的是 sharegpt 数据集，所以在 dataset_info.json 文件需要填充的内容如上所示。因为不需要 tools（工具描述），所以直接删除也行。如果有需求也可以加上，只要把数据集修改一下就行了。

LLaMA-Factory 基础设置

模型下载地址：deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B

1. LLaMA-Factory 运行起来之后把语言更改成中文，模型更改为：DeepSeek-R1-1.5B-Distill，模型路径就是你下载好存放的模型路径。
2. 选择我们添加的数据集。
3. 简单预览一下看看有没有错误，然后关闭。
4. 如果不了解参数含义，可以按照默认配置填写。
5. 点击预览命令，可以看到训练参数配置详情。
6. 开始训练。
7. 训练详情可以在 Gradio UI 查看损失函数，也可以后台查看详细信息。

命令行输出说明：

• epoch：表示训练过程中数据集被完整地通过模型一次的次数。
• num_input_tokens_seen：表示在训练过程中模型已经看到的输入标记总数。
• total_flos：表示训练过程中执行的浮点运算次数，单位是 GF。
• train_loss：表示训练集上的损失函数值，损失越低通常意味着模型性能越好。
• train_runtime：表示训练过程的总运行时间。
• train_samples_per_second：表示模型每秒可以处理的样本数。
• train_steps_per_second：表示模型每秒可以执行的训练步骤数。

8. 模型存放位置，通常在 saves 文件夹下。

模型评估与预测

1. 点击 Evaluate&Predict。
2. 选择需要使用到的数据集。
3. 预览一下评估命令。
4. 评估结束之后会给一个评估指标。

评估指标说明：

• predict_bleu-4：用于评估机器翻译模型输出质量的一个指标。bleu-4 计算的是 4-gram 之间的匹配程度。
• predict_model_preparation_time：模型准备时间，单位是秒。
• predict_rouge-1：ROUGE 用于评估自动摘要质量的一个指标。衡量 1-gram 的召回率。
• predict_rouge-2：衡量 2-gram 之间的匹配度。
• predict_rouge-l：衡量最长公共子序列（LCS）的召回率。
• predict_runtime：模型运行的总时间，单位为秒。
• predict_samples_per_second：每秒处理的样本数量。
• predict_steps_per_second：每秒执行的推理步骤数。

5. 可以点击具体链接查看模型评估具体信息。

训练模型对话

1. 选择你想要对话并训练好的模型。
2. 点击加载模型，模型加载完毕之后会提示：模型已加载，可以开始聊天了！
3. 然后就可以开始对话，这个对话就是根据你的风格进行训练出来的。

训练模型导出

1. 点击 Export 切换到模型导出界面。
2. 这些参数按需调节吧，导出设备最好选择自动，不然 CUDA 执行会有一点问题，导出目录需要填写一下。
3. 模型正在导出和导出成功都有提示。
4. 所有模型文件就是在填写的导出路径文件夹内。
5. 导出完毕后建议写一个 requirements.txt 文件，也就是依赖安装文件，方便后期快速部署。

transformers>=4.41.2,<=4.48.3,!=4.46.*,!=4.47.*,!=4.48.0,!=4.48.1,!=4.48.2;python_version<'3.10'
transformers>=4.41.2,<=4.48.3,!=4.46.*,!=4.47.*,!=4.48.0;python_version>='3.10'
datasets>=2.16.0,<=3.2.0
accelerate>=0.34.0,<=1.2.1
peft>=0.11.1,<=0.12.0
trl>=0.8.6,<=0.9.6
tokenizers>=0.19.0,<=0.21.0
gradio>=4.38.0,<=5.12.0
pandas>=2.0.0
scipy
einops
sentencepiece
tiktoken
protobuf
uvicorn
pydantic
fastapi
sse-starlette
matplotlib>=3.7.0
fire
packaging
pyyaml
numpy<2.0.0
av
librosa
tyro<0.9.0