LLaMA-Factory 微调 DeepSeek-R1 模型入门教程

数据集准备

所需工具下载

可以使用微信风格化工具或其他数据导出工具（如 finetune_dataset_maker）。参考相关论文了解个性化对话生成的最新趋势及数据集构建方法。

1. 下载并解压工具。
2. 双击执行工具程序。
3. 登录账号，点击解析数据。
4. 选择 AI 对话 txt 和 json 格式按需导出。
5. 记录导出目录的相对路径。

所需数据合并

在聊天记录文件夹建立一个 merge.py 的文件，主要作用是合并所有的聊天记录。

import os
import json

folder_path = r'<data_path>'
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))

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.")

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}")

在命令行中键入 python merge.py 执行。

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，其重要性体现在多个方面。首先，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。其次，它有助于优化模型性能，例如通过分词、去除停用词等操作，让模型更容易理解和学习数据中的关键信息，同时减少过拟合的风险。

在聊天记录文件夹建立一个 Data_Preprocessing.py 的文件，主要作用是数据清洗、脱敏、去重以及规则化成 sharegpt 格式。

import json
import re

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

converted_data = []

def clean_data(dataset):
    cleaned_data = []
    for example in dataset:
        messages = example['messages']
        cleaned_messages = []
        for message in messages:
            if not message['content'].strip():
                continue
            message['content'] = message['content'].replace("\n", " ").strip()
            cleaned_messages.append(message)
        if cleaned_messages:
            cleaned_data.append({'messages': cleaned_messages})
    return cleaned_data

def replace_sensitive_info(text):
    text = re.sub(r'\d{3}[-]?\d{4}[-]?\d{4}', '[PHONE_NUMBER]', text)
    text = re.sub(r'\S+@\S+', '[EMAIL]', text)
    text = re.sub(r'\d{4}-\d{2}-\d{2}', '[DATE]', text)
    return text

def anonymize_data(dataset):
    anonymized_data = []
    for example in dataset:
        messages = example['messages']
        anonymized_messages = []
        for message in messages:
            if message['role'] == 'user':
                message['content'] = message['content'].replace("用户", "用户 X")
            message['content'] = replace_sensitive_info(message['content'])
            anonymized_messages.append(message)
        anonymized_data.append({'messages': anonymized_messages})
    return anonymized_data

for item_list in data:
    for item in item_list:
        if 'messages' not in item:
            continue
        conversation = {"conversations": []}
        for message in item['messages']:
            role = message['role']
            content = message['content']
            content = replace_sensitive_info(content)
            if role == "system":
                continue
            elif role == "user":
                from_role = "human"
            elif role == "assistant":
                from_role = "gpt"
            conversation['conversations'].append({"from": from_role, "value": content})
        converted_data.append(conversation)

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")

在命令行中键入 python Data_Preprocessing.py 执行。

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. 添加以下内容以便 LLaMA-Factory 识别训练：

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

数据详解

在 data 文件夹有个 README_zh.md 的文件，记录了 alpaca 和 sharegpt 格式数据集如何配置。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。不需要 tools（工具描述）可以直接删除，如有需求可参照样例数据集修改。

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. 按照默认参数填写，或者根据硬件情况调整。
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。
   • 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。
   • train_loss：表示训练集上的损失函数值。
   • 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. 模型存放位置默认为 saves/<model_name>/lora。

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：
   • predict_bleu-4：用于评估机器翻译模型输出质量的一个指标。
   • predict_rouge-1/2/l：衡量生成文本与参考文本之间的相似度。
   • predict_runtime：模型运行的总时间。
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，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，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. 所有模型文件就在你填写的导出路径文件夹内。
5. 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