1.1 大模型微调技术简介

        模型微调也被称为指令微调（Instruction Tuning）或者有监督微调（Supervised Fine-tuning, SFT），该方法利用成对的任务输入与预期输出数据，训练模型学会以问答的形式解答问题，从而解锁其任务解决潜能。经过指令微调后，大语言模型能够展现出较强的指令遵循能力，可以通过零样本学习的方式解决多种下游任务。

        然而，值得注意的是，指令微调并非无中生有地传授新知，而是更多地扮演着催化剂的角色，激活模型内在的潜在能力，而非单纯地灌输信息。

        相较于预训练所需的海量数据，指令微调所需数据量显著减少，从几十万到上百万条不等的数据，均可有效激发模型的通用任务解决能力，甚至有研究表明，少量高质量的指令数据（数千至数万条）亦能实现令人满意的微调效果。这不仅降低了对计算资源的依赖，也提升了微调的灵活性与效率。

1.2 轻量化微调技术简介

        由于大模型的参数量巨大， 进行全量参数微调需要消耗非常多的算力。为了解决这一问题，研究者提出了参数高效微调（Parameter-efficient Fine-tuning），也称为轻量化微调 （Lightweight Fine-tuning），这些方法通过训练极少的模型参数，同时保证微调后的模型表现可以与全量微调相媲美。

        常用的轻量化微调技术有LoRA、Adapter 和 Prompt Tuning。

1.3 LoRA技术简介

        LoRA 是通过低秩矩阵分解，在原始矩阵的基础上增加一个旁路矩阵，然后只更新旁路矩阵的参数。

参考资料

• LoRA paper

• 大模型轻量级微调（LoRA）：训练速度、显存占用分析

• 【深度学习】混合精度训练与显存分析

• 全网最全-混合精度训练原理

1.4 Streamlit技术简介

        Streamlit是一个Python库，允许您创建交互式的数据科学和机器学习Web应用程序。使用Streamlit，您可以快速轻松地创建自定义Web应用程序，让用户与您的数据和模型进行交互。

        Streamlit旨在简单直观，专注于通过几行代码轻松创建美观和功能强大的应用程序。它包括广泛的内置小部件和工具，用于显示数据，处理用户输入和创建自定义可视化。

        

        Streamlit是一个基于tornado框架的快速搭建Web应用的Python库，封装了大量常用组件方法，支持大量数据表、图表等对象的渲染，支持网格化、响应式布局。简单来说，可以让不了解前端的人搭建网页。 相比于同类产品PyWebIO，Streamlit的功能更加全面一些。

        官方文档：https://docs.streamlit.io/

        

        Streamlit提供了多种部署选项，包括使用Docker容器、云服务平台（如AWS、GCP和Azure等）以及本地服务器等。你可以根据自己的需求选择合适的部署方式。

# 安装 streamlit 
pip install streamlit==1.24.0

1.5  源2.0-2B 微调实战

Task 4：源大模型微调实战.ipynb

双击打开Task 4：源大模型微调实战.ipynb，

按顺序运行所有单元格

如果提示显存不够，尝试点击重启内核，清空显存。

 环境准备

git lfs install
git clone https://www.modelscope.cn/datasets/Datawhale/AICamp_yuan_baseline.git
cp AICamp_yuan_baseline/Task\ 4：源大模型微调实战/* .

模型下载 

Yuan2-2B-Mars支持通过多个平台进行下载，因为我们的机器就在魔搭，所以这里我们直接选择通过魔搭进行下载。模型在魔搭平台的地址为 IEITYuan/Yuan2-2B-Mars-hf。

数据处理

模型训练

效果验证及测试

Yuan2.0 AI简历助手

控制台运行

streamlit run "Task 4 案例：AI简历助手.py" --server.address 127.0.0.1 --server.port 6006

运行排错，及UI界面修改

OutOfMemoryError: CUDA out of memory. Tried to allocate 32.00 MiB. GPU

碰到这个问题，直接尝试重启

完整效果图

测试数据

关闭PAI实例（很重要）

运行完成后，别忘了回到魔搭，【关闭】实例，否则会一直消耗你的试用额度！