合肥做网站费用网站建设推销拜访客户怎么开头

合肥做网站费用,网站建设推销拜访客户怎么开头,如何做好网络推广工作,重庆网站建设总结这个系列受到了很多同学的关注和支持#xff0c;期间有大量的同学在不断催更#x1f605;#xff0c;真的抱歉啦。 这个系列的制作周期其实非常久#xff0c;第一个原因是我所有的教程都是业余时间在制作的#xff0c;基本上都是工作日晚上 10 点后#xff0c;以及周末的…这个系列受到了很多同学的关注和支持期间有大量的同学在不断催更真的抱歉啦。这个系列的制作周期其实非常久第一个原因是我所有的教程都是业余时间在制作的基本上都是工作日晚上 10 点后以及周末的时间。另外就是在开始做这期教程之前我就发现网上现在其实有很多关于模型微调的教程也有很多围绕LLaMA Factory来讲解的但是大部分只是从工具使用的表象进行讲解你即便阅读完可能也只是学会了Hello World所以我并不想再做一份同质化的内容。整个教程经过了我精心的打磨并且期间我多次和LLaMA Factory作者进行沟通教程最终版本也经过了LLaMA Factory作者进行Review所以这个系列并不是简单的讲解工具的使用而是真正的把我个人的大模型微调的经验分享给大家希望大家学习后能够真正跟随教程进行复刻并且把模型微调的经验应用到自己的工作和业务中。这份教程全文共 3W 字用一个微调 Web 安全领域专家模型的例子进行串联讲解了关于模型微调的基础理论、LLaMA Factory 微调工具的使用、微调过程中各种参数的配置经验、微调过程效果观察的经验、到最终微调后的模型的导出和部署。之前的几期发出后有同学反馈虽然每一期的内容都很精品但是整体感觉内容比较分散再加上更新的间隔比较长所以不太好作为一整个系列教程来进行学习所以我把完整的教程内容进行了重新整理和剪辑并且对一部分比较割裂和缺失的内容进行了补充了完善整体划分出了 36 个章节目前完整版本已经在 B 站发布视频链接https://www.bilibili.com/video/BV1djgRzxEts如果对你有所帮助希望得到一个免费的三连这对我真的很重要下面是 36 个章节的简单介绍完整文字版本请看开头的文章内容【1-1】开始 - 本期课程目标希望学习完本教程后你能够掌握以下内容【1-2】开始 - 微调后效果演示在本教程中微调模型案例的目标是使其在 Web 安全领域具备专家级推理能力用于企业私有部署以解决机密数据泄露风险及满血模型高成本问题。经过实际测试微调后模型在 Web 安全领域含数据集外问题回答更丰富、推理能力更强能整合知识体系并跨知识点关联推理同时保留非 Web 安全领域的知识迁移能力但非专业领域推理稳定性需更多数据集支持。【1-3】开始 - 微调基础知识回顾回顾模型微调的前置知识需微调因通用模型在特定领域表现有限微调可实现专业化、任务适配、数据安全且成本低任务分监督微调指令、对话等、知识蒸馏、强化学习流程为选预训练模型→准备数据集→测试→调参→训练→优化→部署数据集格式无明确要求主流有Alpaca和ShareGPT用途分训练集学规律、验证集防过拟合、测试集验水平关键参数有训练轮数、学习率、批量大小需调参。【2-1】LLaMA Factory - 简介LLaMA Factory是一个简单高效的大语言模型训练与微调平台用户无需编码即可在本地完成上百种预训练模型微调。它具备全场景微调能力支持超 100 个主流模型如Qwen、LLaMA等集成 LoRA、GaLore 等多种微调技术及低比特量化微调适配不同算力场景还支持用户自定义数据集并兼容多社区资源搭配FlashAttention-2等加速技巧提供零代码 Web UI 界面可实时监控训练进度与模型性能工程化部署方面支持模型一键合并、集成多种推理引擎适配单机多卡等不同硬件环境实现资源高效利用。【2-2】LLaMA Factory - 对比 UnslothLLaMA Factory是全面的大语言模型训练与微调平台支持超百种模型、多种微调技术及零代码 Web UI 操作适合通用场景、企业级应用及零代码用户而Unsloth是专注加速 LLM 微调的开源工具微调速度快2-5倍、内存占用减少50%-80%支持Llama等主流模型及动态4-bit量化通过Colab Notebook实现免本地资源的低代码微调更适合资源受限场景下的快速迭代且LLaMA Factory文档中将Unsloth作为加速手段其框架功能比Unsloth更丰富。【2-3】LLaMA Factory - 安装和基础使用安装LLaMA Factory时建议用 Conda 虚拟环境避免 Python 依赖冲突先从官网下载Conda安装验证安装后创建名为 lf、Python 3.10 的虚拟环境并激活进入代码目录执行pip install -e .[torch,metrics]安装依赖最后用llamafactory-cli version验证确认安装在虚拟环境目录下。安装依赖后通过llamafactory-cli webui启动 WebUI 界面含五大模块通用设置语言、模型、微调方法等、微调训练阶段、数据集、参数等、模型评估配置评估数据集、在线推理测试模型、模型导出指定参数导出。【3-1】微调通用设置 - 选择模型在LLaMA Factory中选基础模型微调时输入关键词如DeepSeek、Qwen3可获取主流开源模型其名称按分类有不同后缀功能类-Base基础/-Instruct指令/-Distill蒸馏等、多模态类-VL视觉语言/-Video视频等、技术类-Int8量化/-MoE混合专家等、版本类-v0.1、领域类-Chinese中文优化。选后系统自动从Hugging Face拉取加环境变量可从国内社区下点击Chat Tab加载模型测试也可指定本地路径需先卸载原模型。【3-2】微调通用设置 - 微调方法在LLaMA Factory中可选择三种微调方法全参数微调更新所有参数性能最佳但耗资源适用于资源充足场景、参数冻结微调冻结部分参数仅更新顶层效率高防过拟合适用于小数据集或任务相似场景、LoRA微调注入低秩矩阵不修改原参数参数效率高、内存占用少支持多任务适配器组合适用于资源有限或多任务快速迭代场景其中LoRA因高效适配性成为主流能在降低计算量和过拟合风险的同时灵活支持多任务学习与轻量化部署。【3-3】微调通用设置 - 模型量化模型量化是通过降低权重和激活值精度来压缩大模型体积、加快推理速度的技术类似无损音乐转MP3的压缩逻辑能在牺牲部分精度的前提下显著降低个人或小公司的本地部署成本。常用精度单位包括 FP浮点如FP32/16精度高但占空间、BF脑浮点如BF16平衡精度与效率、INT整数如INT8/4体积小但精度损失较多量化时需通过确定缩放系数、计算存储整数值并在推理时还原实现如QLoRA便是将4位量化与LoRA结合的微调加速方案。【3-4】微调通用设置 - 对话模版对话模版是大语言模型与用户交互的“翻译器”因不同模型有特定输入格式要求它通过统一接口解决底层格式差异确保模型训练与推理格式一致正确识别输入、确定生成位置管理多轮对话上下文区分说话者、组织历史信息还能处理系统提示、工具调用等特殊功能以Qwen模板为例会将用户输入按特定格式转换后供模型处理并生成内容。【3-5】微调通用设置 - 加速方式当前有三种加速方式。Unsloth较常用默认采用动态4位量化在LLaMA Factory选4 bit量化及Unsloth加速微调表现与直接用Unsloth类似。要求不高可选默认的Flash Attention加速硬件受限可选Unsloth 4位量化 Liger Kernel方式后续介绍。【4-1】微调数据集准备 - 格式要求数据集是微调关键约80%时间应花在其准备处理上需结合业务场景从采集到标注各环节精心构建还应合理划分及增强数据。不同微调阶段格式有别本次LLaMA Factory的指令监督微调SFT主要支持 Alpaca 与 ShareGPT 格式。【4-2】微调数据集准备 - 数据集配置文件LLaMA Factory数据集配置含数据路径与数据集名称。路径默认项目下data目录dataset_info.json存关键配置结构为 JSON以数据集名做顶层键。支持在线平台如 Hugging Face Hub 等、本地文件相对或绝对路径、脚本生成指定脚本名三种数据源加载方式。可多维度配置数据格式含基本格式化、列映射、角色标签设置还支持多模态数据字段映射。特殊训练任务配置有排序/对比学习ranking字段与工具调用tools字段 。【4-3】微调数据集准备 - 数据集处理过程LLaMA Factory借dataset_info.json兼容多样数据集格式。以自定义数据集说明原始为Alpaca格式经dataset_info.json配置路径后进入微调。先转标准格式按Qwen等对话模版格式化分词得token IDs 再标签分配用 -100 标记用户输入助手回复用实际token ID 仅助手回复算损失。最终数据以{input_ids:[token IDs],attention_mask:[全1],labels:[ -100与实际token ID混合]}传至训练循环经前向传播、损失计算、反向传播训练模型。【4-4】微调数据集准备 - 数据集的构造思路数据集质量决定微调成败常见问题有数据量小易过拟合、泛化弱噪声数据多需清洗样本偏差大使模型在真实场景失效任务相关性低数据多样性不足。本地微调用Easy DatasetEDS构造数据集从《白帽子讲Web安全》及精选Web安全最新论文提取数据借满血版大模型DeepSeek R1 0528蒸馏及提取推理过程COT完善知识与训练推理能力用GA思路增强多样性最后请Web安全专家审核确保质量。【4-5】微调数据集准备 - 使用 EDS 构造数据集Easy DatasetEDS用于创建大语言模型数据集兼容特定LLM API。先完成部署安装创建以微调领域命名项目在项目配置中设置模型、任务、提示词。接着处理文献并生成GA对Review领域树与分块质量提取并Review问题生成答案后进行数据蒸馏再按标准人工Review数据集。最后导出数据集在dataset_info.json定义或生成LLaMA Factory配置在LLaMA Factory粘贴路径预览能加载则配置成功。【5-1】调整微调参数 - 入门理解模型微调中的各类参数如同给模型 “补课” 前制定的教学计划与策略决定教学方式、强度及方向超参数选择不当会致模型性能不佳。常有同学问微调参数如何设置效果最佳实则无标准答案参数设置与所选模型、微调数据集及硬件配置相关。接下来将结合个人经验讲解关键参数作用、影响及实际微调时的调整思路未提及参数保持默认值。【5-2】调整微调参数 - 学习率学习率Learning Rate决定模型训练时参数调整幅度取值一般在(0, 1) 之间可类比为控制复习 “深度” 。学习率大如0.1参数调整幅度大进步可能快但易偏离学习率小如0.0001调整幅度小过程稳定但进步慢。常见取值在5e - 50.00005和4e - 50.00004之间小数据集不适合大学习率全参数微调为避免破坏原始知识学习率比Lora小一个数量级。【5-3】调整微调参数 - 训练轮数训练轮数Number of Epochs中Epoch指模型完整遍历一次训练数据集的次数类似从头到尾复习一本教材的次数。轮数少对内容不熟悉模型效果可能不佳轮数多易过拟合即 “学傻”遇到新问题不会解答。一般3轮即可训练时若LOSS未趋于平缓可加大轮数若提前收敛则减小轮数或提前结束避免LOSS过低趋近于零及轮数超10以防过拟合。通常数据集越小需越多Epoch数据集越大需越少EpochLOSS控制在0.5 - 1.5之间。【5-4】调整微调参数 - 批量大小批量大小Batch Size是模型训练每次更新参数所用样本数平衡复习速度与专注度。大则训练快但耗显存易过拟合小则专注但慢且训练不稳。它由单CPU批处理大小Per Device Train Batch Size和梯度累计步数Gradient Accumulation Steps决定大 Batch Size 配大学习率小则反之。小参数模型或小数据集微调单GPU批处理大小可从1或2开始调大梯度累计步数提效此次批处理大小1、梯度累计步数8 。【5-5】调整微调参数 - 截断长度截断长度Max Length决定模型处理文本时的最大token数影响上下文捕获及显存消耗每增1倍显存近似线性增长。合理设置很必要过小影响训练效果理想是设为数据集中单条最大token数也可算P99、P95值或剔除过长数据。本次取值4096 多种工具可算token数不同模型算法有别LLaMA - Factory提供相关脚本及运行命令本地微调数据集 99.83% 数据 4000token性能足够也可设为 5000 。【5-6】调整微调参数 - LoRA 秩LoRA低秩适应里的秩Rank决定模型微调参数更新的“表达能力” 借低秩矩阵分解调控可训练参数规模与灵活度。秩小更新 “保守”秩大捕捉特征能力强但耗资源。秩低如4像用固定模板学习稳定省显存但应对复杂问题弱秩高如64思路多能处理复杂任务不过易过拟合且费显存。日常微调建议8 - 16起步对7B模型秩从8到64约增2GB显存本次取值 8。【5-7】调整微调参数 - 验证集比例验证集比例是从原始训练数据划分出用于评估模型性能子集的占比0 - 1 小数不参与训练监控泛化防过拟合。设它不影响训练却能借LOSS曲线助观察微调效果。经验小数据1000样本取0.1 - 0.2且样本数≥100大数据10000样本取0.05 - 0.1且样本数≥1000复杂任务提比例简单任务降比例。本次取值 0.15431条数据。【6-1】启动微调任务 - 训练过程完成配置后设定最终微调的Lora适配器输出目录点击预览命令可获取llamafactory-cli train参数。此次微调以Qwen2.5-7B-Instruct为基座模型sft为训练阶段采用lora微调类型 涵盖学习率5e - 5、训练3轮等多项参数。点击开始训练可在终端及LLaMA Board查看进度与损失曲线总训练步数456步由数据量、批次大小、梯度累积及训练轮数等计算得出。【6-2】启动微调任务 - 显存消耗估算本次微调用两张48G显存卡可借nvidia - smi查GPU和显存占用。模型微调Lora时显存占用主要源于基础模型权重、框架开销、LoRA适配器、激活值。基础模型权重依模型参数与精度算此次Qwen2.5 - 7B - Instruct模型BF16精度约14GB。框架开销难精算估1GB。LoRA适配器与LoRA秩相关估0.5GB。激活值与单GPU批量及截断长度正相关每1K Token约增2.5GB。依此次配置估算总显存占用25.5GB 还可借助特定智能体估算。【6-3】启动微调任务 - 显存优化技巧liger_kernel显存计算中模型权重、Lora适配器、框架消耗在无量化时难优化激活值部分可借助liger_kernel优化。Liger Kernel重写Transformer关键操作并融合内核减少内存占用。实验显示开启liger_kernel后显存增长速率从每1K Token增加2.5G降至0.6G 降幅76%。LLaMA Factory默认启用flash attention开启liger_kernel与之不冲突。【6-4】启动微调任务 - 分布式显存优化DeepSpeed显存消耗通常基于单卡计算但实际常需多卡分布式训练。如特定微调任务预估显存30.5G两张24GB卡理论可行却会爆显存因多卡非真正内存平摊。启用微软研发的DeepSpeed库的Stage3可实现显存平摊。DeepSpeed借ZeRO技术分片模型状态、混合精度训练及并行策略降低单卡显存占用。LLaMA Factory有四个DeepSpeed Stage选项Stage3是极致分工虽有通信开销致显存略超预估但能让大模型在有限显卡训练。【7-1】微调过程观察 - LOSS损失值微调时可通过右下角LOSS曲线观测过程。LOSS即损失函数是量化模型预测与真实目标误差的可微函数输出为标量。其本质是模型犯错程度评分通过对比预测与正确答案得出差值越大评分越高。微调旨在最小化LOSS算法依LOSS值调整模型参数。关注LOSS变化趋势若稳定下降表明模型学习有效若不降反升或波动大则学习可能出错。但LOSS曲线好看不代表最终训练效果一定好仅说明训练过程正常。【7-2】微调过程观察 - SwanLab在LLaMA Board只能查看简单LOSS若想获取更多维度指标可借助SwanLab等可视化工具。SwanLab是开源的训练跟踪与可视化工具支持云端与离线使用具备超参数记录等多种功能助力开发者管理实验。在LLaMA Factory有专属Tab使用前需在官网注册账号在本地环境通过swanlab login及粘贴API Key完成登录配置成功后启动微调任务可查看监控地址进而查看详细日志与硬件消耗情况。【7-3】微调过程观察 - 几种常见的 LOSS 曲线常见的 LOSS 曲线特征各异原因也不同。Loss 持续不降可能因学习率过小致参数更新不足或数据无规律、噪声大Loss 持续下降但不收敛多是训练轮数太小Loss 震荡波动常因学习率过大使优化路径震荡或批量大小过小致梯度噪声大Loss 先降后停/趋于稳定可能是学习率衰减过低、已收敛到局部最优或过拟合Loss 下降后反弹/上升可能由于学习率突变、数据异常或模型结构问题理想形态是 Loss 逐步下降并趋于平缓但这不代表模型最终效果就好。【7-4】微调过程观察 - Train LOSS 与 Eval LOSS设定微调参数中的验证集比例会生成Eval LOSS曲线。Train LOSS下降但Eval LOSS上升可能过拟合源于数据集质量差两者均高位可能欠拟合需调大学习率等Train高Eval低或因数据分布差异要统一分布Eval降得快也因数据分布可调整样本或验证集大小。理想状态是Train与Eval LOSS同步下降表明模型有效学习且未过拟合。【8-1】微调后模型使用 - 通过 Lora 适配器加载模型微调完成后进入设定的输出目录其中有模型权重、配置、日志结果及分词器数据等文件。LoRA微调只训练低秩矩阵输出仅含Lora适配器要得完整模型需手动合并。想快速验证微调后模型效果可在 Webui 按要求加载适配器与模型调大最大生成长度还能去掉检查点路径对比原始模型结果。【8-2】微调后模型使用 - 模型合并和导出微调模型临时测试后为方便后续使用需合并原始模型与Lora适配器并导出。在相关设置中将微调输出目录填入检查点路径重加载模型并设定导出目录可选择量化等级、上传Hugging Face等设置。导出成功后进入导出目录能看到合并后的模型文件。之后清空检查点路径把合并后的模型目录填入模型路径重加载模型测试效果与之前一致。【8-3】微调后模型使用 - 本地调用微调后的模型本地调用微调后模型主流方案有Ollama和VLLM。Ollama是轻量级工具“开箱即用”支持全平台硬件门槛低适合个人开发与测试VLLM是企业级框架性能高适合高并发场景。在LLaMA Factory可用llamafactory-cli api结合--infer_backend vllm参数通过VLLM部署模型为API调用。而通过 Ollama 调用因LLaMA Factory默认无模型转GGUF方法需用llama.cpp仓库脚本转换安装Ollama并注册转换后的GGUF文件即可运行模型。【8-4】微调后模型使用 - 在 EDS 对比模型微调效果为方便验证对比模型微调效果在Easy Dataset的Playground利用 VLLM部署服务不损精度且推理快测试在模型配置中添加模型准确填写接口地址与模型名称即可。以硅基流动的Qwn2.5-7B-Instruct为基础模型与微调后的Security模型对比。经多角度对比发现微调后模型在数据集内特定问题上具推理能力且回答更丰富在Web安全领域非数据集内问题上泛化能力好能系统性整合Web安全知识体系在非Web安全领域也具推理能力既强化专业能力又保持知识泛化与多领域适应性。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】