pv3d 优秀网站排名优化价格
1+1=2，如何让 1+1=3？
简单的微调你的 AI，
微调前的效果，怎么调教它都是 1+1=2.
要对其进行微调（比如训练1+1=3），可以按以下步骤进行。
确保你已经安装了以下工具和库：
- ollama+llama3.2
- Python 3.8+
- PyTorch
- Hugging Face Transformers
- Datasets
步骤 1：准备训练数据
1. 格式化数据：准备数据集，将其格式化为模型能理解的形式。对于你的例子（1+1=3），你可以将数据写入JSON或CSV文件，结构如下：
[{"prompt": "1+1=","completion": "3"}
]-
- 在JSON文件中，每条记录包括“prompt”（提示）和“completion”（目标答案）。
- 将数据保存为
training_data.json。
2. 确保数据集多样化：如果仅有“1+1=3”一条数据，模型可能无法很好地泛化。可以添加更多相似的数学问题以确保模型能区分不同的问题。
步骤 2：安装和配置所需的环境
1. 安装Python：确保你的Windows上已经安装了Python 3.8+。
2. 安装Ollama的依赖库：
打开命令提示符，使用以下命令安装所需的Python库：
pip install transformers torch datasets
3. 安装CUDA（可选）：如果你的系统有NVIDIA显卡，安装CUDA可以加速训练。
cmd 输入
nvidia-smi这里支持的 CUDA<=12.6 就可以
可以在 CUDA 里找到大概 3G 的样子
输入
nvcc -V说明已经安装成功了
步骤 3：微调Llama 3.2模型
1. 加载Llama模型：创建一个Python脚本，例如 fine_tune_llama.py，用来加载模型和数据集。
2. 编写微调脚本：下面是一个简化的微调脚本示例。将以下代码复制到 fine_tune_llama.py 中：
from transformers import LlamaForCausalLM, AutoTokenizer, Trainer, TrainingArguments, AutoModelForCausalLM, \AutoTokenizer
from datasets import load_dataset# 加载模型和分词器
model_name = "Llama-3.2-1B" # 替换为你的模型名称
model = AutoModelForCausalLM.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name, legacy=False)# 检查词汇文件路径
print(type(tokenizer))# 确保分词器有 pad_token
if tokenizer.pad_token is None:tokenizer.add_special_tokens({'pad_token': '[PAD]'})model.resize_token_embeddings(len(tokenizer))# 加载数据集
dataset = load_dataset("json", data_files="training_data.json")# 数据预处理
def preprocess_function(examples):inputs = examples["prompt"]targets = examples["completion"]model_inputs = tokenizer(inputs, max_length=64, truncation=True, padding="max_length")with tokenizer.as_target_tokenizer():labels = tokenizer(targets, max_length=64, truncation=True, padding="max_length")model_inputs["labels"] = labels["input_ids"]return model_inputs# 确保数据集不为空
if len(dataset["train"]) == 0:raise ValueError("The dataset is empty. Please check the dataset file.")# 数据预处理
tokenized_dataset = dataset["train"].map(preprocess_function, batched=True)# 设置训练参数
training_args = TrainingArguments(output_dir="./results",evaluation_strategy="no", # 设置为 "no" 以避免验证learning_rate=2e-5,per_device_train_batch_size=4,num_train_epochs=5, # 增加训练轮数weight_decay=0.01,remove_unused_columns=False, # 设置为 False 以避免删除未使用的列
)# 使用Trainer进行训练
trainer = Trainer(model=model,args=training_args,train_dataset=tokenized_dataset,
)trainer.train()# 手动保存模型和分词器
trainer.save_model("./results")
tokenizer.save_pretrained("./results")3. 运行训练脚本：在命令提示符中执行以下命令，开始训练：
python fine_tune_llama.py执行的情况
-
- 此步骤会将模型在你的自定义数据集上进行微调。
- 训练完成后，模型将保存在
./results文件夹中。
步骤 4：验证训练效果
1. 加载微调后的模型：训练完成后，创建一个新的脚本 evaluate_llama.py 来加载和验证模型。
2. 编写验证脚本：将以下代码复制到 evaluate_llama.py 中，用于验证模型是否学到了“1+1=3”。
from transformers import LlamaForCausalLM, LlamaTokenizer# 加载微调后的模型和分词器
model_name = "./results" # 替换为你的微调后模型路径
model = LlamaForCausalLM.from_pretrained(model_name)
tokenizer = LlamaTokenizer.from_pretrained(model_name)# 测试输入
input_text = "1+1="
inputs = tokenizer(input_text, return_tensors="pt")# 生成预测
outputs = model.generate(**inputs, max_length=10)
completion = tokenizer.decode(outputs[0], skip_special_tokens=True)print("模型输出:", completion)3. 运行验证脚本：
python evaluate_llama.py-
- 运行后，你应该看到模型输出“1+1=3”。
- 如果模型没有给出期望的结果，可以增加训练数据量或调整训练参数，再次训练。
我是栈江湖，如果你喜欢此文章，不要忘记点赞+关注！