开源社区的发展前景seo网站快排

本篇记录学习使用llama factory微调模型的过程，使用ollama运行微调好的模型，使用open webui前端调用ollama的模型；

测试机信息：

系统：Ubuntu 24.04.2 LTS（桌面版）

cpu：i9-14900KF 

内存：128G

显卡：RTX 4090 x 2

LLaMA Factory

安装llama factory

llama factory的git地址：LLaMA-Factory/README_zh.md at main · hiyouga/LLaMA-Factory · GitHub

使用git下载，使用python安装，所以要先安装git和python；（系统安装的时候已经装了Python 3.12.3了）

先建立个python的虚拟环境：python3 -m venv llama-pyenv

会在当前目录下建立一个llama-pyenv的文件夹，激活虚拟环境：source ./llama-pyenv/bin/activate

然后根据官网说明，执行安装命令：

从git下载llama-facotry，并使用pip安装；

git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git
cd LLaMA-Factory
pip install -e ".[torch,metrics]"

去魔搭社区下载模型需要安装：pip install modelscope （git网站：modelscope/README_zh.md at master · modelscope/modelscope · GitHub）

使用量化还需要安装：pip install bitsandbytes

进入llama-facotry目录（使相对路径在该文件夹下），cd LLaMA-Factory/

打开微调页面，执行：llamafactory-cli webui，至此就安装好了；

下载模型

模型库：模型库首页 · 魔搭社区

找到你需要的模型，例如DeepSeek-r1 14b这个：

点开，复制模型名： 

使用命令下载：modelscope download --model deepseek-ai/DeepSeek-R1-Distill-Qwen-14B，然后等待下载完成；

默认下载的模型目录：用户目录下的.cache/modelscope/hub/models/（cache前有个点）

进入llama-facotry新建个models目录：

cd ~/LLaMA-Factory/

mkdir models/

为了方便，把下载的模型复制过去：cp -r ~/.cache/modelscope/hub/models/ ~/LLaMA-Factory/models/

使用llama-facotry微调模型

打开llama-facotry的本地页面http://localhost:7860/，先选中文：

设置模型名称，并指定刚下载的模型路径，先测试一下对话，查看模型有没有问题：（训练完记得卸载模型，减少显存占用）

成功加载后，测试一下：

准备微调数据集，数据都在~/LLaMA-Factory/data目录里，目录下的README_zh.md为说明文件，dataset_info.json为配置数据集文件，其他的json是官方预先定义好的测试数据集；

修改自我认知，先复制一份官方的identity.json，cp identity.json my_identity.json

将my_identity.json里的{{name}}替换为ai自认为自己的名字，{{author}}替换为制作者名字：vi my_identity.json

将两个替换：

:%s/{{name}}/小白/g

:%s/{{author}}/上帝/g

将自己的数据配置到dataset_info.json里：vi dataset_info.json

添加自己的数据，修改完保存并退出：

然后去页面选择数据集并微调：

等待微调结束：

微调完毕右上角会弹窗，下面日志也会显示完成：

训练完的都在~/LLaMA-Factory/saves/目录下：

加载训练结果测试效果：

 训练的认知已经改变了：

导出模型

导出微调的模型，设置检查点路径，分块大小和导出目录：

导出完成后，在~/LLaMA-Factory/out_models/目录下就能看到导出的模型了：

可以重新加载导出的模型聊天测试：

ollama

安装ollama

ollama安装说明：ollama/docs/linux.md at main · ollama/ollama · GitHub

直接命令行安装：curl -fsSL https://ollama.com/install.sh | sh

安装好后查看版本：ollama -v

查看帮助：ollama -h

启动ollama：ollama serve

ollama的配置文件是在/etc/systemd/system/目录下的ollama.service文件，编辑修改配置，添加：

Environment="OLLAMA_HOST=0.0.0.0:11434"
Environment="OLLAMA_KEEP_ALIVE=1h"
Environment="OLLAMA_MAX_LOADED_MODELS=2"
Environment="OLLAMA_NUM_PARALLEL=5"
Environment="OLLAMA_ORIGINS=192.168.1.*"

修改完后，执行：systemctl daemon-reload

并重启ollama：systemctl restart ollama

加载导出模型

之前看网上说导出的模型要先用llama.cpp转成gguf才能给ollama加载，后来我发现llama-factory导出时已经生成给ollama使用的Modelfile了，可以直接加载不用转换；

第一种方法，先说使用llama.cpp转换的方法：（繁琐不推荐）

去网站下载GitHub - ggml-org/llama.cpp: LLM inference in C/C++

解压zip后，使用里面的convert_hf_to_gguf.py转换，依旧使用llama-factory的py虚拟环境就可以；（source ~/llama-pyenv/bin/activate）

进行转换：python convert_hf_to_gguf.py ~/LLaMA-Factory/out_models/deepseek-ai/DeepSeek-R1-Distill-Qwen-14B_myidentity/ --outfile ~/out_ollama_models/my_ds_14b.gguf

等待转换完成：

这个my_ds_14b.gguf就是转换完成的模型：

新建一个Modelfile文档，在里面输入“FROM 你的模型目录/模型名.gguf”，像这样：

然后命令使用ollama行加载模型：ollama create myds14b -f Modelfile，等待加载

查看加载的ollama的模型：ollama list

运行我们的模型：ollama run myds14b

查看ollama运行的模型：ollama ps

第二种方法，直接使用llama-factory导出时提供的Modelfile：

cd ~/LLaMA-Factory/out_models/deepseek-ai/DeepSeek-R1-Distill-Qwen-14B_myidentity

ollama create myds14b_2 -f Modelfile

这个要多等待转换一会，然后：ollama list

也是可以的；

open webui

网址：🏡 Home | Open WebUI

为了防止包冲突，也建一个python的虚拟环境，并激活：

python3 -m venv pyenv

source ~/pyenv/bin/activate

直接命令行安装open webui：pip install open-webui

启动：open-webui serve（可以使用--host和--port指定ip和端口）

打开open-webui：http://localhost:8080

设置管理员账号并登录；

左下角点击用户，打开管理员面板设置：

配置ollama：

对模型进行管理：

 可以对单个模型进行一些设置：

选择模型，进行对话：

测试结果：