DeepSeek大模型微调实战（超详细实战篇）
DeepSeek是由 深度求索 团队开发的大语言模型，本实验将基于deepseek-llm-7b-chat模型，在EmoLLM数据集进行微调，实现大模型能够以心理医生的口吻来回答我们的问题。
本实验基于transformers和openMind均已实现本次微调，代码均可在github链接上查看。
通过本次实验，你不仅能够完成 多轮对话数据的微调，还能掌握这些方法，并 将其迁移到其他微调实验中，独立进行高效的模型调优。
实际项目代码+结果演示
本次实验同时适配transformers和openMind，由于openMind缺少数据处理的函数，下面实验手动添加即可，其他部分和基于transformers的代码一致。
2.1 基本概念
1、openMind Library—>Huggingface Transformers
openMind Library类似于transformers的大模型封装工具，其中就有AutoModelForSequenceClassification、AutoModelForCausalLM等等模型加载工具以及像TrainingArguments参数配置工具等等，原理基本一样，不过对NPU适配更友好些。
2、魔乐社区—>HuggingFace
魔乐社区类似于huggingface这种模型托管社区，里面除了torch的模型还有使用MindSpore实现的模型。transformers可以直接从huggingface获取模型或者数据集，openMind也是一样的，可以从魔乐社区获取模型和数据集。
2.2 实验环境搭建及实验代码、结果
2.2.1 环境设置
在运行代码前，需要先配置环境，由于本次实验对比各个参数结果比较多，所以对显存要求稍微高点，具体环境配置如下：
GPU：40GB左右
Python：>=3.8
2.2.2 数据预处理
本次微调目的是使得大模型能够以医生的口吻来回答我们的问题，因此需要与心理健康有关的数据集资料。
⭐下载数据
本项目使用一个EmoLLM-心理健康大模型中使用的数据集（该数据集已经进行数据清洗，在保证质量的同时，通过调整阈值减少因错误匹配而丢失重要数据的风险。）：EmoLLM-datasets
（https://github.com/SmartFlowAI/EmoLLM/tree/main/datasets）
数据集内容如下：
在训练前，我们需要将数据进行预处理，将数据集的内容进行数据映射，得到input_ids、attention_mask、labels三个映射目标，同时对数据填充到最大长度，并且转换成张量格式。
数据映射
这里可能会根据每个模型的不同做修改，如果不按照每个模型对应的格式训练，而是按照自己编写的格式进行训练，结果可能会出现由于max_length比较大使得回答停不下来，一直生成句子。
那么该如何确定训练文本格式❓其实在每一个模型的tokenizer_config文件中已经给出模板。
比如deepseek的模板如下：
如果模板看的有点抽象的话，可以直接参考Llama-Factory中deepseek模型对应的模板:
https://github.com/hiyouga/LLaMA-Factory/blob/main/src/llamafactory/data/template.py
数据封装
⚠️注意：
由于openMind缺少数据封装的函数，因此这部分代码需要我们手动添加，transformers直接调用即可。
transformers:
openMind:
2.2.3 设置lora参数
2.2.4 设置训练参数
2.2.5 设置可视化工具SwanLab
SwanLab是一款完全开源免费的机器学习日志跟踪与实验管理工具，为人工智能研究者打造。有以下特点：
●基于一个名为swanlab的python库
●可以帮助您在机器学习实验中记录超参数、训练日志和可视化结果
●能够自动记录logging、系统硬件、环境配置（如用了什么型号的显卡、Python版本是多少等等）
●同时可以完全离线运行，在完全内网环境下也可使用
代码如下：
2.2.6 设置训练器参数+训练
在微调Transformer模型时，使用Trainer类来封装数据和训练参数是至关重要的。Trainer不仅简化了训练流程，还允许我们自定义训练参数，包括但不限于学习率、批次大小、训练轮次等。通过Trainer，我们可以轻松地将这些参数和其他训练参数一起配置，以实现高效且定制化的模型微调。
这里我们需要以下这些参数，包括模型、训练参数、训练数据、处理数据批次的工具、还有可视化工具
2.2.7 保存模型
这里保存了模型的权重、配置文件和词汇表，确保你可以在之后重新加载并使用该模型进行推理或继续训练。模型的优化器状态、学习率调度器等其他信息如果需要保存，则需要显式调用其他相关方法，如 trainer.save_state()。
2.2.8 合并模型权重
保存下来的仅仅是模型的权重信息以及配置文件等，是不能直接使用的，需要与原模型进行合并操作，代码如下：
