在人工智能领域，大语言模型（Large Language Model，LLM）的兴起和广泛应用，为自然语言处理（NLP）带来了前所未有的变革。Qwen1.5大语言模型作为其中的佼佼者，不仅拥有强大的语言生成和理解能力，而且能够通过微调（fine-tuning）来适应各种特定场景和任务。本文将带领大家深入实战，探索如何对Qwen大语言模型进行微调，以满足实际应用的需求。
一、了解Qwen1.5大语言模型
Qwen1.5模型是Qwen的升级版，也是Qwen2的测试版。它与Qwen类似，是只有一个decoder解码器的 transformer 模型，具有SwiGLU激活、RoPE、multi-head attention多头注意力。
- Qwen1.5有7个模型尺寸：0.5B, 1.8B, 4B, 7B, 14B, 72B 模型，还外加 14B (A2.7B) MoE 模型。
- chat 聊天模型的质量得到明显提高
- 在 base 模型和 chat 模型支持多语言的能力（中文，英文等）
- 支持 32768 tokens 的上下文长度
- 所有模型启用System prompts，可以进行角色扮演
- 不再需要 trust_remote_code
二、微调GPU资源评估和环境准备
这里我使用 Llama-Factory 训练框架来对 Qwen1.5 来进行微调，微调的方法可以使用 LoRA 或 QLoRA，可以大大节省GPU资源。具体的 Llama-Factory 环境搭建方法可以看官方链接：https://github.com/hiyouga/LLaMA-Factory
三、准备微调数据集和预训练模型
（1）数据集准备
微调数据集是微调过程中的关键。我们需要根据具体任务的需求，收集并整理相关的数据。这些数据应该包含输入和对应的输出，以便模型在训练过程中学习如何从输入中生成期望的输出。这里我使用一些公开的数据集来进行微调。
更多的数据集请看链接：GitHub - hiyouga/LLaMA-Factory: Unify Efficient Fine-Tuning of 100+ LLMs
（2）Pre-training 模型准备
直接在 huggingface 下载，下载地址：Qwen
如果自己网络无法访问 huggingface ，也可以使用 HF-Mirror - Huggingface 镜像站 来进行下载也可以。
四、模型微调训练
(1)运行打开web ui 界面 按照 LLaMA-Factory 里面的教程搭建好环境之后就可以开始对模型进行微调了，执行以下命令来启动web ui 界面来进行微调：
cd LLaMA-Factory
export CUDA_VISIBLE_DEVICES=0 # use gpu0
python src/train_web.py # or python -m llmtuner.webui.interface如果想修改 网页服务的地址和端口号，直接在 src/train_web.py 修改就可以了。这里也可以代码中的 share 设置为True ，就可以把本地网络的web ui 界面作为一个 public 链接分享出去。
from llmtuner import create_ui
def main():
create_ui().queue().launch(server_name="127.0.0.1", server_port=6006, share=True, inbrowser=True)
if __name__ == "__main__":
main()（2）配置训练参数
然后根据的要求来进行配置，我的配置如下：
模型名称： Qwen1.5-7B-Chat
模型路径：填写自己本地下载的模型的路径，或者 Hugging Face 路径
微调方法：可以选用 lora, freeze, full 等
量化等级：选择 none，不进行量化，也可以启用 4/8 bit 模型量化（即 QLoRA）
提示模板：qwen
训练阶段：Supervised Fine-Tuning，也可以选 Reward Modeling, PPO, DPO, Pre-training等
数据路径：数据所在文件夹，默认为项目中的 data 文件夹
数据集：提取了 data 文件夹中的 *.json 文件，可直接选择。选择完成之后点一下“预览数据集”确认自己的数据是否正确。
其他的参数比如 学习率、训练轮数（epoch）、批处理大小、学习率调节器 等都是深度学习训练常见的参数，可以根据自己的情况选择就好。这里我使用默认的参数。
LoRA 参数设置中，可以修改 lora 秩的大小，缩放系数，权重随机丢弃的概率等参数，这里我保持默认。
所有的参数都配置好之后，点一下“预览命令”，确认命令没有问题之后，就可以点击“开始”进行训练了。训练的过程中可以看到 loss的变化曲线、训练耗时等。
五、模型微调效果测试
微调完成后，我们需要对微调后的模型进行评估，以了解其在实际任务中的性能表现。也可以在web ui 界面直接进行对话体验。
在“模型路径”中输入原始模型路径，然后在“适配器路径”中选择自己微调得到的 adapter 路径，然后点击“加载模型”，就可以开始对话聊天了。
通过终端窗口，可以看到模型成功加载
对话聊天：
参考：
1. GitHub - hiyouga/LLaMA-Factory: Unify Efficient Fine-Tuning of 100+ LLMs
