实战 LLaMA Factory：在国产DCU上高效微调 Llama 3 模型

摘要： 本文使用 LLaMA Factory 工具，在国产DCU（海光 K100-AI）上对 Meta-Llama-3-8B-Instruct 模型进行 LoRA 微调、推理及导出各阶段的关键日志输出和核心测试信息。旨在为大模型技术爱好者提供一份更具体、更具参考价值的实践指南。

关键词： LLaMA Factory, Llama 3, LoRA, DCU, K100-AI, 模型微调, SFT, ROCm, 日志解读

一、前言

随着大语言模型（LLM）的飞速发展，如何在特定领域或任务上对预训练模型进行高效微调，已成为业界关注的焦点。LLaMA Factory 作为一个功能强大且易于上手的 LLM 微调框架，受到了广泛关注。本文将聚焦于在国产 DCU 平台上，利用 LLaMA Factory 对 Llama 3 模型进行 LoRA 微调的实践过程，并分享其中的关键步骤与经验。

🚀 海光DCU实战项目来了！助您轻松驾驭大模型与HPC开发 🚀

为帮助开发者更便捷在海光DCU上进行大模型（训练、微调、推理）及科学计算，我依托海光DCU开发者社区，精心打造了一个开箱即用的实战项目 —— “dcu-in-action”！

旨在为您提供：

1. • 🔧 直接上手的代码示例与实践指南
2. • ⚡ 加速您在海光DCU上的开发与部署流程

欢迎各位开发者：

1. • 访问项目GitHub仓库，深入体验、参与贡献，共同完善： https://github.com/FlyAIBox/dcu-in-action
2. • 如果项目对您有帮助，请我们点亮一个宝贵的 Star 🌟

二、环境准备与 LLaMA Factory 安装

本次实践的环境基于国产海光 DCU K100-AI，DTK 版本为 25.04。核心软件栈包括 Python 3.10 以及针对 DCU 优化的 PyTorch (torch==2.4.1+das.opt2.dtk2504) 及其相关深度学习库（如lmslim,flash-attn,vllm,deepspeed 的特定版本）。

1. 创建虚拟环境

2. 安装 DCU 特定深度学习库

根据文档指引，从光合开发者社区下载并安装适配 DCUK100-AI (DTK 25.04, Python 3.10) 的 PyTorch, lmslim,flash-attn, vllm deepspeed 等 whl 包。确保各组件版本严格对应。

3. 安装 LLaMA Factory

注意：如遇包冲突，可尝试 pip install --no-deps -e .。

三、Llama 3 LoRA 微调实战

我们以 Meta-Llama-3-8B-Instruct 模型为例，采用 LoRA (Low-Rank Adaptation) 方法进行监督式微调 (SFT)。

1. 微调配置文件解析 (llama3_lora_sft.yaml)

以下是核心配置参数：

2. 启动微调

3. 微调过程关键日志输出与解读

环境初始化与分布式设置 (日志时间: 21:16:40 - 21:16:51)

1. • Setting ds_accelerator to cuda (auto detect)
2. • Initializing 8 distributed tasks at: 127.0.0.1:54447
3. • 各 GPU 进程 (如 [PG 0 Rank 2]) 初始化 NCCL，日志显示 size: 8, global rank: 2, TIMEOUT(ms): 180000000000。
4. • 各进程确认信息，例如 Process rank: 2, world size: 8, device: cuda:2, distributed training: True, compute dtype: torch.bfloat16，表明已启用 bf16 混合精度。
5. • Set ddp_find_unused_parameters to False in DDP training since LoRA is enabled.

Tokenizer 与模型配置加载 (日志时间: 21:16:51 - 21:16:52)

1. • 加载 tokenizer.json, tokenizer.model 等文件。
2. • 加载模型配置文件 /root/.cache/modelscope/hub/models/LLM-Research/Meta-Llama-3-8B-Instruct/config.json，确认模型架构如 hidden_size: 4096, num_hidden_layers: 32, torch_dtype: "bfloat16"。

数据集加载与预处理 (日志时间: 21:16:52 - 21:17:01)

1. • Add pad token: <|eot_id|>，Add <|eot_id|>,<|eom_id|> to stop words.
2. • 加载数据集 identity.json (91条样本) 和 alpaca_en_demo.json (1000条样本)。
3. • Converting format of dataset (num_proc=16) 和 Running tokenizer on dataset (num_proc=16)，共处理 1091 条样本。
4. • 展示了处理后的一个训练样本 training example，包括 input_ids, inputs (已格式化模板) 和 label_ids (prompt部分为-100)。

基础模型权重加载与 LoRA 适配器设置 (日志时间: 21:17:01 - 21:17:16)

1. • KV cache is disabled during training.
2. • 加载模型权重 /root/.cache/modelscope/hub/models/LLM-Research/Meta-Llama-3-8B-Instruct/model.safetensors.index.json，共4个分片。
3. • 出现警告: Using the SDPA attention implementation on multi-gpu setup with ROCM may lead to performance issues due to the FA backend. Disabling it to use alternative backends.
4. • Gradient checkpointing enabled.
5. • Fine-tuning method: LoRA
6. • Found linear modules: v_proj,q_proj,k_proj,down_proj,o_proj,gate_proj,up_proj (这些是 lora_target: all 选中的层)。
7. • trainable params: 20,971,520 || all params: 8,051,232,768 || trainable%: 0.2605，明确了 LoRA 引入的可训练参数量和占比。

Trainer 初始化与训练循环 (日志时间: 21:17:16 - 21:22:15)

1. • ***** Running training *****
2. • Num examples = 1,091, Num Epochs = 3
3. • Instantaneous batch size per device = 1, Total train batch size (w. parallel, distributed & accumulation) = 64
4. • Gradient Accumulation steps = 8, Total optimization steps = 51
5. • 训练日志周期性输出 (每 logging_steps: 10次迭代，但日志中是按优化步聚合后展示的)：
6. • {'loss': 1.4091, 'grad_norm': 1.0385..., 'learning_rate': 9.8063...e-05, 'epoch': 0.58}
7. • {'loss': 1.0404, 'grad_norm': 0.6730..., 'learning_rate': 7.7959...e-05, 'epoch': 1.17}
8. • {'loss': 0.9658, 'grad_norm': 0.4174..., 'learning_rate': 4.4773...e-05, 'epoch': 1.75}
9. • {'loss': 0.9389, 'grad_norm': 0.3942..., 'learning_rate': 1.4033...e-05, 'epoch': 2.34}
10. • {'loss': 0.894, 'grad_norm': 0.4427..., 'learning_rate': 1.2179...e-07, 'epoch': 2.92}
11. • 训练过程中反复出现 UserWarning: 1Torch was not compiled with memory efficient attention. (Triggered internally at /home/pytorch/aten/src/ATen/native/transformers/hip/sdp_utils.cpp:627.)

训练完成与模型保存 (日志时间: 15:22:15 - 15:22:17)

1. • Saving model checkpoint to saves/llama3-8b/lora/sft/checkpoint-51
2. • 最终训练指标 \**\**\* train metrics \**\**\*：
3. • epoch = 2.9781
4. • train_loss = 1.0481
5. • train_runtime = 0:04:56.32 (即 296.3281秒)
6. • train_samples_per_second = 11.045
7. • train_steps_per_second = 0.172
8. • Figure saved at: saves/llama3-8b/lora/sft/training_loss.png
9. • NCCL 通信器关闭，各进程资源清理。

四、模型推理测试

微调完成后，我们加载 LoRA 适配器进行推理测试。

1. 推理配置文件 (llama3_lora_sft.yaml for inference)

2. 启动推理

3. 推理过程关键日志输出与测试结果

模型加载 (日志时间: 17:30:16 - 17:31:18)

1. • 加载基础模型 Tokenizer, config (torch_dtype: "bfloat16", use_cache: true) 和权重 (model.safetensors.index.json, 4个分片)。
2. • KV cache is enabled for faster generation.
3. • 再次出现 SDPA on ROCm 性能警告。
4. • 加载 LoRA 适配器: Loaded adapter(s): saves/llama3-8b/lora/sft。
5. • Merged 1 adapter(s).，确认 LoRA 权重已合并到基础模型。
6. • 加载后模型参数量 all params: 8,030,261,248。

交互测试结果

1. • User:

1. Assistant:

1. • 评析：输出中的 {{name}} 和 {{author}} 占位符，表明模型学习了微调数据 identity.json 中的模板格式。

五、模型导出

将微调后的 LoRA 权重与基础模型合并，并导出为独立模型。

1. 导出配置文件 (llama3_lora_sft.yaml for export)

重要提示：配置文件中明确指出，合并 LoRA 适配器时不应使用已量化的模型。

2. 启动导出

3. 导出过程关键日志输出 (日志时间: 18:06:54 - 18:08:22)

1. • 加载基础模型 Tokenizer, config (torch_dtype: "bfloat16") 和权重 (4个分片)。
2. • 加载 LoRA 适配器: Loaded adapter(s): saves/llama3-8b/lora/sft。
3. • Merged 1 adapter(s).，LoRA 权重与基础模型合并。
4. • Convert model dtype to: torch.bfloat16.
5. • 配置文件保存: Configuration saved in output/llama3_lora_sft/config.json 和 output/llama3_lora_sft/generation_config.json。
6. • 模型权重保存: The model is bigger than the maximum size per checkpoint (5GB) and is going to be split in 4 checkpoint shards. You can find where each parameters has been saved in the index located at output/llama3_lora_sft/model.safetensors.index.json. (根据配置 export_size: 5)
7. • Tokenizer 文件保存: tokenizer config file saved in output/llama3_lora_sft/tokenizer_config.json 和 special_tokens_map.json。
8. • 额外功能: Ollama modelfile saved in output/llama3_lora_sft/Modelfile。

七、总结与展望

本次实践完整地展示了使用 LLaMA Factory 在国产 DCU 平台上对 Llama 3 模型进行 LoRA 微调、推理和导出的流程。LLaMA Factory 凭借其清晰的配置和便捷的命令行工具，显著降低了 LLM 微调的门槛。 通过对各阶段关键日志输出和测试信息的详细解读，我们可以更直观地把握模型在训练中的学习动态、在推理中的行为表现以及导出后的结构。