前言
谨以此文记录踩坑实况，一则日后温习，二则指路旁人
llamafactory微调
1.启动llamafactory可视化页面选择模型
docker部署完成后
#运行此命令进入容器内部
docker exec -it llamafactory /bin/bash
# 启动可视化页面
llamafactory-cli webui
然后在本机访问localhost:7860
语言和需要的模型，在此选择后，模型路径会自动填充，启动训练时会自动向huggingface下载base模型，但由于国内原因，可能无法访问到huggingface，可以选择设置魔搭下载地址
set USE_MODELSCOPE_HUB=1
或者使用本地地址，这边是使用了本地地址
首先在魔搭社区选择需要的文件git 拉取到本地
第一次需要安装git-lfs
git lfs install
然后选择需要的模型地址git clone即可
文件映射
由于我们使用的是docker部署的llamafactory，因此调用模型前，需要将本地的模型文件夹映射到docker镜像中，建议一并设置多个路径用以存放微调后的模型文件，命令行中输入多个映射对即可
docker run -v <本地存放目录>:<容器目录> <镜像名称> <本地存放目录>:<容器目录> <镜像名称>
然后在模型路径中填写该文件在docker镜像的地址
继续选择参数
数据集设置
提示模板一定要选取，不同模型对应的模板也是不尽相同的，如果有自定义格式文件，可导入到镜像中，然后在data_info.json中进行注册,否则无法在列表选择
然后是比较关键的几个参数，对训练结果影响巨大
选择数据集后，学利率可以选择默认5e-5
#学习率
#学习率越低，训练越准确，相应的时间会更长
#对于llama3.1-8b 选择低一点的学习率比较好
#轮数
#训练轮次
#最大样本数
#即为'训练时在提供的每个数据集最多提取多少个样子进行训练'
#数据集较多的情况下建议适当设置更小的参数
训练轮数（！！！）
轮数的设置 目前没有更好的办法，全凭经验对新手是不友好的，比较推荐的方案是设置一个相当大的轮数，在训练过程中关注loss曲线，当曲线越趋近于平滑，说明训练已经接近完成，此时应手动停止训练以避免过拟合
当然也支持命令行调用训练的方式
测试和导出
切换chat Tab
补全上次训练的检查点路径加载，即可发起对话，此时您可以初步判断训练效果了（留坑，后续更新ragas评估）
切换export Tab ，选择上次训练的检查点，填写导出目录（注意：需填写docker镜像内部目录），如果您目录已经映射本地，则可以在本地文件中查看到训练后的safetensors文件
llamafactory就到此完成，后续会更新借助llama.cpp的量化和ollama部署
