- 综合排序
- 最热优先
- 最新优先
- 来自专栏xiaosen
LLaMA Factory微调Llama3模型
LLaMA Factory是一款开源低代码大模型微调框架，集成了业界最广泛使用的微调技术，支持通过Web UI界面零代码微调大模型，目前已经成为开源社区内最受欢迎的微调框架。 } ] } ] 模型微调 我们不光可以通过命令行进行微调，还可以启动一个webui来微调推理 ! web界面： 数据集使用上述下载的train.json，点击「预览数据集」可以预览一下数据 设置学习率为1e-4，梯度累积为2，有利于模型拟合，其他的可以按需调整； 将输出目录修改为train_llama3 点击开始然后开始评估模型，大概三分钟，这里跳过。。。 选择「Chat」栏，确保适配器路径是train_llama3，点击「加载模型」即可在Web UI中和微调模型进行对话。 模型微调之前的对话： 微调之后：
64610编辑于 2024-09-05 - 来自专栏AI
大模型微调
# 大模型微调的主流方式、核心区别与底层原理 微调（Fine-tuning）的核心底层共性：基于预训练模型的知识迁移，冻结预训练模型的大部分通用特征参数，仅针对具体任务优化少量参数/引入轻量模块/设计提示特征 核心设计逻辑 Transformer类预训练模型的底层层（如前3-4层）学习的是通用语言特征（如词性、句法、基础语义），所有任务通用；上层层（如后3-4层）学习的是抽象任务特征（如语义匹配、领域专属表达 -3层； 微调嵌入层+顶层：针对低资源语言/领域，微调词嵌入层（适配任务专属词汇）+顶层特征层。 3. 3.
55410编辑于 2026-02-09 - 来自专栏AI技术探索和应用
ChatGLM模型微调
ChatGLM3: https://github.com/THUDM/ChatGLM3微调前建议将模型下载到本地。微调前还需要安装依赖。 conda create -n chatglm3 python=3.11 -ypip install astunparse对话模型微调我们使用 ToolAlpaca 数据集来进行微调。 这种方法在微调的step较多的情况下会影响到模型的工具调用功能。 /scripts/format_advertise_gen.py --path "AdvertiseGen/train.json"（3）以下脚本提供了微调模型的参考方式，如果是单卡，则需要指定对应的显卡 inference.py \ --tokenizer THUDM/chatglm3-6b \ --model "path to finetuned model checkpoint" 基座模型微调
1.7K21编辑于 2025-09-26 - 来自专栏相约机器人
PyTorch模型微调实例
__version__ Out[1]: '1.0.0' Fine tuning 模型微调 在前面的介绍卷积神经网络的时候，说到过PyTorch已经为我们训练好了一些经典的网络模型，那么这些预训练好的模型是用来做什么的呢 没关系，我们先找到一个同类的别人训练好的模型，把别人现成的训练好了的模型拿过来，换成自己的数据，调整一下参数，再训练一遍，这就是微调（fine-tune）。 PyTorch里面提供的经典的网络模型都是官方通过Imagenet的数据集与训练好的数据，如果我们的数据训练数据不够，这些数据是可以作为基础模型来使用的。 为什么要微调 1. 这时候如果还想用上大型神经网络的超强特征提取能力，只能靠微调已经训练好的模型。 2. 3. 前人花很大精力训练出来的模型在大概率上会比你自己从零开始搭的模型要强悍，没有必要重复造轮子。
2K10发布于 2020-02-19 - 来自专栏AI理论与前沿
对于大模型，到底微调还是不微调？
调整开源大语言模型（LLM）的系列博客的第二篇文章。本文讨论：“什么时候应该进行微调，什么时候应该考虑其他技术？”0 引言在 LLM 出现之前，微调通常用于小规模模型（100M – 300M 参数）。 当时，最先进的领域应用通过监督微调（SFT）构建，即使用标注数据对预训练模型进行进一步训练，以适应自己的领域和下游任务。然而，随着大型模型（>1B 参数）的兴起，微调的问题变得更加复杂。 最重要的是，大型模型的微调需要更大的资源和商业硬件。下表 1 列出了在三种情况下，微调 Llama 2 7B 和 Llama 2 13B 模型的峰值 GPU 内存使用量。 例如，这篇文章展示了如何通过微调 GPT-3.5 评审模型，将其从更昂贵的 GPT-4 模型中提炼出来，最终节省了成本。1.5 新任务/能力通过微调，往往可以实现新的能力。 3 总结请参考上述问题，以指导你是否需要 RAG 和/或微调，并通过内部实验来分析错误并理解可能的指标提升。最后，微调探索确实需要一个稳健的数据收集和数据改进策略，我们建议在开始微调之前进行这一步。
93100编辑于 2024-09-17 - 来自专栏喔家ArchiSelf
解读大模型的微调
实际上，可以使用预训练的大型语言模型进行新任务的上下文学习并进行微调。 那么，什么是上下文学习？又如何对大模型进行微调呢？ 1. 上下文学习与索引 自从GPT-2和GPT-3出现以来，可以发现在预训练的通用文本语料库上的生成式大型语言模型（LLM）具备了上下文学习的能力，这意味着如果我们想要执行LLM没有明确训练的特定或新任务，不需要进一步训练或微调预训练的 上面的情景突出了微调的三种极端情况：基于特征，仅训练最后一层或几层，或者训练所有层。当然，根据模型和数据集的不同，在各种选项之间探索也可能是值得的。 3. 参数高效微调 参数高效微调允许我们在最小化计算和资源占用的同时重复使用预训练模型。 如前所述，微调更多的层通常会导致更好的结果。如果想要微调更大的模型，例如重新生成的LLM，这些模型只能勉强适合GPU内存，该怎么办呢？人们开发了几种技术，只需训练少量参数便可通过微调提升LLM的性能。
1.5K30编辑于 2023-09-02 - 来自专栏AI
迁移学习与模型微调
迁移学习与模型微调：如何利用已有的预训练模型1. 例如，如果你在大规模的图像分类任务（如ImageNet）上训练了一个深度神经网络，你就可以将这个预训练的模型迁移到一个新的图像分类任务中，而无需从零开始训练。3. 预训练模型与微调预训练模型（Pretrained Models）指的是已经在一个大规模数据集（例如ImageNet、COCO等）上进行过训练的模型。 微调通常包括两种方法：微调部分网络层：在这种方法中，我们保留预训练模型的大部分结构，只对模型的后几层进行重新训练，以适应目标任务的特定需求。 此时，研究人员可以利用在大规模图像数据集（如ImageNet）上训练的预训练模型，并通过微调来适应新的任务，例如通过微调ResNet模型来识别特定疾病的图像特征，如乳腺癌的X光片。
92800编辑于 2025-01-27 - 来自专栏腾讯技术工程官方号的专栏
大模型微调方法总结
假设要在下游任务微调一个预训练语言模型（如 GPT3），则需要更新预训练模型参数，公式表示如下： W0 是预训练模型初始化的参数，ΔW 就是需要更新的参数。 如果是全参数微调，则它的参数量=W0 参数量（如果是 GPT3，则 ΔW≈175B）。从这可以看出要全参数微调大语言模型，小家小户是不可能的。 通过添加 Adapter 模块来产生一个易于扩展的下游模型，每当出现新的下游任务，通过添加 Adapter 模块来避免全模型微调与灾难性遗忘的问题。 Adapter 方法不需要微调预训练模型的全部参数，通过引入少量针对特定任务的参数，来存储有关该任务的知识，降低对模型微调的算力要求。 对于 BERT 类双向语言模型采用模版(P1, x, P2, [MASK], P3)，对于单向语言模型采用(P1, x, P2, [MASK])： 同时加了两个改动： 1、考虑到预训练模型本身的 embedding
2.9K42编辑于 2023-07-26 - 来自专栏DrugOne
扩展指令微调语言模型
文章重点探讨指令微调的几个方面：（1）任务数量的扩展，（2）模型规模的扩展，以及（3）链式思考数据上的微调。 Flan 微调 图 3 表 2 作者使用多个数据源（图2）和各种指令模板类型（图3）进行指令微调。 扩展到540B个参数和1.8K个任务 图 4 表 3 作者首先通过在模型大小和微调任务数量两个方面进行扩展来考察对保留任务性能的影响。对三种PaLM模型大小进行实验：8B、62B和540B。 各个基准的结果在表3中报告。首先发现对于所展示的三种模型大小，与无微调相比，多任务指令微调显著提高了性能。性能提升范围为9.4%至15.5%。 结论 在论文中，作者扩展了指令微调，并通过以下方式对Flan-PaLM进行了训练：（1）扩展到540B参数的语言模型，（2）扩展到1.8K的微调任务，以及（3）在微调中包含链式思维（CoT）数据。
74130编辑于 2023-09-19 - 来自专栏深圳架构师同盟
LoRA大模型微调介绍
一、微调流程二、选择微调基础模型如果我们需要进行的是监督指令微调，建议选择带-Instruct后缀的模型，关于模型命名及后缀说明如下截图：三、准备意图识别微调训练集和验证集提醒：从开源平台（如Hugging 3、截断长度（Cutoff length）截断长度（Max Length）决定了模型处理文本时能接收的最大 token 数量（token 是文本分块后的单元，如词语、子词）。 比如我们像设定批量大小为 6，但是我们的CPU 显存只能支持到 2了，这时候就可以把梯度累计步数 设置为 3，实际的步骤就是：先算 2 个样本的梯度，不更新参数；再算 2 个样本的梯度，不更新参数；再算 秩的数值越小，模型微调时的参数更新越 “保守”；秩的数值越大，模型能捕捉的特征复杂度越高，但也会消耗更多计算资源。 五、模型微调后验证通过预留的10%的微调数据集用做训练后的模型验证集。模型验证数据集中可以加上对应训练时的提示词，如：你是一个意图识别专家，可以根据用户的问题识别出意图，并返回对应的函数调用和参数。
44810编辑于 2026-01-21 - 来自专栏DeepHub IMBA
使用ORPO微调Llama 3
论文的实证结果表明，ORPO在各种模型大小和基准上都优于其他对齐方法，所以这次我们就来使用最新的Llama 3来测试下ORPO的效果。 我们将使用ORPO和TRL库对新的Llama 3 8b模型进行微调。 ORPO 指令调优和偏好对齐是使大型语言模型(llm)适应特定任务的基本技术。 ，所以我们可以直接就拿来用 ORPO微调Llama 3 Llama 3已经发布了两种模型大小:700亿参数模型和较小的80亿参数模型。 总结 在本文中，我们介绍了ORPO算法然后使用TRL对自定义偏好数据集上的Llama 38b模型进行微调。最后的模型得到了不错的结果，这可以说明ORPO作为一种新的微调范式还是可以使用的。 usp=sharing orpo作者微调Llama 3的log https://huggingface.co/orpo-explorers/hf-llama3-8b-orpo-v0.0/tensorboard
89210编辑于 2024-04-26 - 来自专栏深度学习自然语言处理
GLoRA—高效微调模型参数！
FacT：FacT提出使用张量分解方法来存储额外的权重，将模型的权重张量化为单个3D张量，然后将其相加分解为轻量级因子。在微调中，只有因子会被更新和存储。 One-for-All unified formulation 对于模型微调，本文提出了一个统一的公式，包含所有可调维度，包括但不限于权重空间和特征空间。 通过PETL方法微调的模型应该表现出增强的域泛化能力，从而使它们更适用于现实场景。下表展示了GLoRA的域外泛化能力，其中单个ImageNet-1K微调的GLoRA模型经过域外数据集的测试。 总结 本文提出了GLoRA，这是一种广义参数高效的微调方法，它成功地证明了增强大规模预训练模型的微调和迁移学习能力的有效性。 这项工作不仅有助于改进大规模预训练模型的微调过程，而且还为未来的工作开辟了新的途径，包括进一步探索广义低秩适应技术、混合方法的开发以及搜索和优化算法的改进。
85610编辑于 2023-08-22 【大模型微调】一文掌握5种大模型微调的方法
一、大模型微调的基础理论在探索具体方法之前，我们首先需要建立一个清晰的认知框架，理解大模型微调在整个AI模型生命周期中所扮演的角色。 大模型微调究竟是什么？直观上，大模型微调即是指通过输入特定领域或任务的数据，并有选择性地调整模型参数的技术过程。 3、解码器层（Decoder，右侧）与编码器对应的是解码器，它同样由N个相同层堆叠而成，但结构更为复杂。 3、QLoRA-极致压缩的微调方案QLoRA（Quantized Low-Rank Adaptation）是LoRA的“量化增强版”，通过将预训练模型量化为4位精度，进一步压低了微调的内存门槛。 四、大模型微调赋能智能未来综上所述，大模型微调是连接通用基座模型强大能力与具体业务需求的关键桥梁。
3.5K40编辑于 2025-10-23- 来自专栏数据分析与挖掘
pycaret之训练模型（创建模型、比较模型、微调模型）
1、比较模型 这是我们建议在任何受监管实验的工作流程中的第一步。此功能使用默认的超参数训练模型库中的所有模型，并使用交叉验证评估性能指标。它返回经过训练的模型对象。 models based on 'Accuracy' top3 = compare_models(n_select = 3) # return best model based on AUC best 3、微调模型 在任何模块中调整机器学习模型的超参数就像编写tune_model一样简单。它使用带有完全可定制的预定义网格的随机网格搜索来调整作为估计量传递的模型的超参数。 = compare_models(n_select = 3) tuned_top3 = [tune_model(i) for i in top3] ? = compare_models(n_select = 3) tuned_top3 = [tune_model(i) for i in top3] ?
2.7K10发布于 2020-10-27 - 来自专栏机器学习与统计学
微调大模型，门槛低到离谱
不止是"会跑"：看看社区微调出了什么 来看几个在 Hugging Face 上火爆的微调模型： 1. 7B 参数，在消费级 GPU 上就能流畅运行，但编码能力追平甚至超过很多更大的通用模型。 3. 甚至连 TTS 语音合成模型（如 sesame/csm-1b）和语音识别模型（openai/whisper-large-v3）也支持微调。 /unslothai/notebooks/blob/main/nb/Qwen3_VL_(8B "▶️ 免费运行")-Vision-GRPO.ipynb) Gemma3 (4B) Vision 微调 [▶️ DeepSeek V3+R1 满血微调工具一键启动，硬件要求降 10 倍 大模型微调实战，教程 + 代码 微调一个视觉大模型，手写数字识别为例，从零开始，基于 Qwen2.5，附代码！
72310编辑于 2026-03-02 - 来自专栏猿人谷
大语言模型的微调策略
（3）P-Tuning 在 P-Tuning方法中，提示词可以表示为一组可训练的嵌入向量。 使用微调模型：完成微调之后，就可以使用微调模型了。 3.使用 API微调 对于大多数开发者而言，使用 Fime-Tuning Ul和 CLI命令微调仅用于测试。在实际的生产环境中，需要通过编程实现微调。为此，OpenAI提供了相关的 API。 ] ） 本节介绍了 3种用于 ChatGPT 微调的方法：Fine-Tuning UI、CLI命令和 API。虽然这三种方法可以满足大部分需求，但它们仅依赖于 ChatGPT。 （3）项目实战导向，深度挖掘数字人场景：通过多个数字人电商项目实战，完整展示智能系统构建方式，贴近热门应用场景，增强实战价值与可落地性。
62510编辑于 2025-10-21 - 来自专栏CSDN博客
微调Whisper模型和加速推理
本项目主要的目的是为了对Whisper模型使用Lora进行微调，目前开源了好几个模型，具体可以在openai查看，下面列出了常用的几个模型。 openai/whisper-medium openai/whisper-large openai/whisper-large-v2 源码地址：Whisper-Finetune 使用环境： Anaconda 3 finetune.py：微调模型。 merge_lora.py：合并Whisper和Lora的模型。 evaluation.py：评估使用微调后的模型或者Whisper原模型。 准备好数据之后，就可以开始微调模型了。 微调完成之后会有两个模型，第一个是Whisper基础模型，第二个是Lora模型，需要把这两个模型合并之后才能之后的操作。
3K30编辑于 2023-04-30 - 来自专栏人工智能极简应用
【AI大模型】Transformers大模型库（九）：大模型微调之计算微调参数占比
Transformers 提供了便于快速下载和使用的API，让你可以把预训练模型用在给定文本、在你的数据集上微调然后通过 model hub 与社区共享。 你可以直接使用一个框架训练你的模型然后用另一个加载和推理。 本文重点介绍如何打印微调参数，以及微调参数占比计算。 二、计算微调参数占比 2.1 概述 基于LoRA进行模型微调时，需要先冻结全部参数，再指定相应的Linear层进行微调，那么如何计算全部参数，如何计算微调参数以及如何计算微调参数占全部参数的比例呢？ 2.2 模型参数结构一览 这里以Qwen2为例，在微调前，对大模型结构有所认知，对于QLoRA量化微调算法来说，只微调大模型的线性层（Linear层），后面会看到在LoRAConfig中，仅指定了"q_proj 三、总结 本文先对Qwen2模型结构进行一览，做到心中有数，之后讲解如何编写print_trainable_parameters(model)方法，如何冻结所有参数，如何指定需要微调的参数以及计算占比，
65910编辑于 2024-08-13 - 来自专栏数据科学（冷冻工厂）
微调预训练的 NLP 模型
针对任何领域微调预训练 NLP 模型的分步指南 简介 在当今世界，预训练 NLP 模型的可用性极大地简化了使用深度学习技术对文本数据的解释。 ❞ 本教程重点介绍使用易于访问的开源数据微调通用句子编码器 (USE) 模型。 可以通过监督学习和强化学习等各种策略来微调 ML 模型。 在本教程中，我们将专注于一次（几次）学习方法与用于微调过程的暹罗架构相结合。 理论框架 可以通过监督学习和强化学习等各种策略来微调 ML 模型。 下一步涉及使用基线模型构建暹罗模型架构，并使用我们的特定领域数据对其进行微调。 本教程以通用句子编码器 (USE) 模型为例，提供了微调过程的分步指南。我们探索了理论框架、数据准备、基线模型评估和实际微调过程。结果证明了微调在增强域内相似性得分方面的有效性。
65831编辑于 2023-08-10 - 来自专栏数据派THU
独家 | 何时微调大语言模型？
作者：Skanda VIvek翻译：陈之炎校对：zrx 本文约3100字，建议阅读7分钟对开源的大语言模型进行微调的确令人兴奋不已，相比之下，又如何微调非开源的大语言模型呢？ 其中一个观点是，假设需要回答成千上万份文件中的问题，此时，对这些数据进行训练或微调开源模型，并询问利用这些数据微调模型会不会更容易一些？ 这就是微调的作用所在。 微调LLM 在讨论微调大语言模型之前，首先谈谈像BERT这样的小语言模型的微调，这在大语言模型出现之前很常见。 要点 应用于特定领域的LLM在行业中非常有价值，在增加成本和可定制性方面分为3个层面： 1. 如果具备大约~50-100k指令或对话来微调基线模型的数据库，这也值得一试。 3.
60120编辑于 2023-08-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号