大模型微调应用笔记
背景
在大模型使用的浪潮中，我们该如何更好地将大模型利用到我们的工作中呢？大模型能否对我的工作和生活带来什么帮助？以此为由笔者展开了一场头脑风暴，得出如下结论，以 DeepSeek 开源的大模型为例，运行顶配模型的硬件要求大部分人也没有，大多数人的电脑能运行 8 B 的模型，在日常使用中 8 B 的模型效果差强人意。公网提供的大模型效果虽好，私有数据上传至大模型显然是不合适的。考虑到如上信息笔者网上一顿搜罗加学习，发现可以对大模型进行微调，对硬件的要求也不高，大部分人都能自己玩，接下来来看看如何实现吧。
环境
- 系统 ：Windows 的 WSL（Ubuntu-24.04）子系统，算折中方案，用 Linux 效果更好。
- Python 版本 ：3.10 （微调框架建议，使用 Hugging Face Transformers 可以使用更高版本）
- CUDA 版本 ：cuda-toolkit-12-8 当前最新的版本
微调中必要的知识
Transformer
- 简介 ：Transformer 是一种特别厉害的人工智能模型，专门用来处理文字、语言之类的东西。它是现在很多智能聊天机器人（比如我这种）和翻译软件背后的 “大脑”。简单来说，它能读懂句子，还能根据上下文生成很自然的回答或者翻译。
- 工作原理 ：
- 核心想法 ：Transformer 的核心想法是 “注意力机制”（Attention），其实就是让机器学会 “重点关注” 句子里的关键部分。比如你说 “我喜欢吃苹果”，它会搞清楚 “喜欢” 跟 “吃苹果” 有啥关系，而不是乱七八糟地瞎猜。
- 工作流程 ：输入文字（你给它一句话，比如 “今天天气很好”）→ 拆开处理（它把这句话拆成小块（词或者字），然后给每个小块打上 “标记”，让机器知道这些词的位置和意思）→ 找关系（通过 “注意力机制”，它会看看每个词跟其他词的关系）→ 加工输出（最后，它根据这些关系，生成一个结果）。
- 优势 ：
- 效率高：以前的模型（比如 RNN）得一个词一个词慢慢读，Transformer 能一次性看完整句话，速度快多了。
- 理解强：它能抓住长句子里远距离的联系，比如 “昨天我去超市买了东西，今天吃得很开心”，它知道 “东西” 和 “吃” 有关。
- 用途广：翻译、写文章、聊天、甚至生成代码，它都能干。
- 缺点 ：
- 吃资源：训练它需要超级强大的电脑，普通人家里跑不动。
- 数据依赖：得喂它海量的文字数据，不然它学不好。
LoRA 和 QLoRA
- LoRA 介绍 ：LoRA 全名叫 Low-Rank Adaptation（低秩适配），是个特别聪明的技术，主要用在人工智能领域，尤其是那些大模型（比如生成图片、写文章的 AI）上。它的核心想法是：与其把一个大模型整个重新训练（费时费力还费资源），不如只调整一小部分关键的地方，让它学会新东西。
- QLoRA 介绍 ：它是 LoRA 的 “升级版”，全名叫 Quantized Low-Rank Adaptation（量化低秩适配）。就是在 LoRA 的基础上加了个 “压缩绝技”，让它更省资源、更适合普通设备跑大模型。
- 对比 ：
- LoRA
)
