🚀 实践步骤概览
今天我们要在MAC上完成一个完整的AI项目闭环：
-
微调一个大模型 → 2. 导出模型并部署 → 3. 暴露API给web后端 → 4. 前端展示
🛠️ 微调模型准备
核心配置
-
框架：LLama-Factory 🏭
-
算法：LoRA (低秩适应) 🧠
-
基座模型：
deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B(来自HuggingFace)
📥 第一步：下载LLama Factory
# 如果下载失败的话，可以手动下载压缩包 git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git cd LLaMA-Factory # 下载依赖包 pip install -e ".[torch,metrics]" # 检验是否安装成功 llamafactory-cli version # 启动webui llamafactory-cli webui
💡 小贴士：部署成功后会自动弹出
localhost:7860的页面哦！
🧩 基座模型下载
曲折经历：原本想用huggingface-cli命令下载，但多次尝试失败后，我选择了手动下载...
mkdir Hugging-Face # 将下载的模型放在该目录下
-
指定模型路径
-
点击加载按钮
-
等待模型加载完成
📚 准备微调数据
参考LLama-Factory的身份训练数据模板，替换{{name}}和{{author}}：
[{"instruction": "你好","input": "","output": "您好，我是 {{name}}，一个由 {{author}} 开发的 AI 助手，很高兴认识您。请问我能为您做些什么？"
},
{"instruction": "你好","input": "","output": "您好，我是 {{name}}，一个由 {{author}} 打造的人工智能助手，请问有什么可以帮助您的吗？"
}]
关键操作：
-
创建
magic_conch.json文件放在LLama-Factory/data下 -
在
dataset_info.json中添加配置：
"magic_conch": {"file_name": "magic_conch.json"},
⚙️ 微调参数设置与执行
微调完成后：
-
在chat界面卸载模型
-
选择检查点重新导入
-
测试提问"我是谁"，验证微调效果
📦 导出完整模型
mkdir -p Models/deepseek-r1-1.5b-merged
🔍 技术说明：LoRA只是低秩矩阵，调整了部分权重，需要合并导出完整模型
在UI上：
-
选择export（导出）
-
选择导出设备为auto
-
设置导出路径
-
点击导出按钮
🌐 创建FastAPI接口
from fastapi import FastAPI
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
app = FastAPI()
# 模型路径
model_path = "/Users/xxx/deepseek/Models/deepseek-r1-1.5b-merged"
# 加载 tokenizer （分词器）
tokenizer = AutoTokenizer.from_pretrained(model_path)
# 加载模型并移动到可⽤设备（GPU/CPU）
device = "cuda" if torch.cuda.is_available() else "cpu"
model = AutoModelForCausalLM.from_pretrained(model_path).to(device)
@app.get("/generate")
async def generate_text(prompt: str):inputs = tokenizer(prompt, return_tensors="pt").to(device)outputs = model.generate(inputs["input_ids"], max_length=150)generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True)return {"generated_text": generated_text}
if __name__ == '__main__':import uvicornuvicorn.run(app,host='localhost',port=8060)
☕ Java后端调用示例
关键代码（完整项目见GitHub）：
@RestController
@RequestMapping(value = "/chat")
public class ChatController {
@Autowiredprivate ChatService chatService;
@RequestMapping("/generate")@ResponseBodypublic Result generate(@RequestParam String prompt) {// 参数校验和异常处理try {String res = chatService.callAiForOneReply(prompt);return Result.success().setData(res);} catch (Exception e) {return Result.error();}}
}
@Service
public class ChatServiceImpl implements ChatService {@Autowiredprivate RestTemplate restTemplate;public String callAiForOneReply(String prompt) {String url = String.format("%s/generate?prompt=%s", aiServiceConfig.getBaseUrl(), prompt);GenerateResponse response = restTemplate.getForObject(url, GenerateResponse.class);return response != null ? response.getGenerated_text() : "";}
}
🎉 大功告成！
现在你已经完成了：
-
模型微调
-
模型导出
-
API服务搭建
-
后端集成
下一步：可以开始设计炫酷的前端界面啦！🚀
💬 遇到问题？欢迎在评论区交流讨论～