摘要：
随着大模型越来越多，大家肯定眼花缭乱。不知道选择哪个好，换句话说，不知道哪个才适合自己。
通过社长的实操：chatgpt3.5、gpt4、gpt4o、llama3、通义千问、豆包等大模型，总结是：大家都很好，都能一定程度上的帮助你。
不过怎么说呢，他们什么都懂，但是，什么都不精。
比如：我想写一个sql，他们都可能给你一个错误的版本，只有当你跑完，发现错误之后，告诉他们，他们才会意识到自己的错误，然后重新给你生成一个。这样就导致一个问题，你不敢真正意义上的相信他们。可能在让他们帮你写代码的时候，他们直接偷懒或者把重要的部分写错了，你完全不知道，真正上线的时候，已经晚了。
怎么样才能避免这个问题呢？
只能微调，通过庞大的数据量告诉他，你想要的答案，你想要的回答方式，你想要的是什么。。。
谷歌Colab
当真正想对模型进行微调的时候，你会发现，自己的电脑配置好像不够，可能勉强能够运行大模型，但是在对模型进行大数据量训练的时候，算力的支持上需要更高的性能硬件配置。
这种情况只有## 标题两种解决方案：
1、买更高配置的电脑
2、租用、借用可以进行这种效果的服务器
我们现在呢，就租用谷歌的colab吧。它每天都可以免费使用2小时以上，对进行简单大模型的训练上，算力勉强够了。
使用unsoth
GitHub地址：https://github.com/unslothai/unsloth
详细你可以看它的readme，简单点说，直接用他们的训练步骤，你就可以训练了。
首先，打开GitHub地址，找到你要训练的模型，然后点Start for free。
然后你可以看到一个谷歌Colab的文件，点击复制，会在你自己的colab上复制一份。
下面，我贴上我的，你们到时候，复制到自己的colab上，一步步使用就行了。
地址是：https://colab.research.google.com/drive/1ltGhvWMWJAMx986V1if9E6_WFD_pZclE#scrollTo=bDp0zNpwe6U_
装环境
%%capture
!pip install "unsloth[colab-new] @ git+https://github.com/unslothai/unsloth.git"
!pip install --no-deps "xformers<0.0.27" "trl<0.9.0" peft accelerate bitsandbytes
选择要训练的模型，可以从huggingface中选择
from unsloth import FastLanguageModel
import torch
max_seq_length = 2048 # Choose any! We auto support RoPE Scaling internally!
dtype = None # None for auto detection. Float16 for Tesla T4, V100, Bfloat16 for Ampere+
load_in_4bit = True # Use 4bit quantization to reduce memory usage. Can be False.
# 4bit pre quantized models we support for 4x faster downloading + no OOMs.
fourbit_models = [
"unsloth/mistral-7b-v0.3-bnb-4bit", # New Mistral v3 2x faster!
"unsloth/mistral-7b-instruct-v0.3-bnb-4bit",
"unsloth/llama-3-8b-bnb-4bit", # Llama-3 15 trillion tokens model 2x faster!
"unsloth/llama-3-8b-Instruct-bnb-4bit",
"unsloth/llama-3-70b-bnb-4bit",
"unsloth/Phi-3-mini-4k-instruct", # Phi-3 2x faster!
"unsloth/Phi-3-medium-4k-instruct",
"unsloth/mistral-7b-bnb-4bit",
"unsloth/gemma-7b-bnb-4bit",
"hfl/llama-3-chinese-8b-instruct-v3"
# Gemma 2.2x faster!
] # More models at https://huggingface.co/unsloth
model, tokenizer = FastLanguageModel.from_pretrained(
model_name = "hfl/llama-3-chinese-8b-instruct-v3",
max_seq_length = max_seq_length,
dtype = dtype,
load_in_4bit = load_in_4bit,
# token = "hf_...", # use one if using gated models like meta-llama/Llama-2-7b-hf
)
## 配置参数
```bash
model = FastLanguageModel.get_peft_model(
model,
r = 16, # Choose any number > 0 ! Suggested 8, 16, 32, 64, 128
target_modules = ["q_proj", "k_proj", "v_proj", "o_proj",
"gate_proj", "up_proj", "down_proj",],
lora_alpha = 16,
lora_dropout 
