目录
如果想启动webui，我们还需要进入llamafactory容器内部。
LLaMA-Factory 启动docker 容器 报错
cd ~/LLaMA-Factory-main/docker/docker-cuda
docker compose up -d
报错：
ERROR load metadata for docker.io/hiyouga/pytorch:th2.6.0-cu124-flashattn2.7.4-cxx11abi0 4.0s
解决方法：
docker pull hiyouga/pytorch:th2.6.0-cu124-flashattn2.7.4-cxx11abi0-devel
然后：
docker compose up -d
这个过程需要下载很多依赖，最终会构建一个33G左右的docker镜像。
ok的截图：
如果想启动webui，我们还需要进入llamafactory容器内部。
docker compose exec llamafactory bash然后执行
llamafactory-cli webui启动webui。
llama-factory数据格式：Alpaca格式和Sharegpt格式。
有个注意事项，就是llama-factory目前只支持两种格式的数据集。
一、Alpaca 格式（单轮对话）
特点：
一问一答
常用于 指令微调（Instruction tuning）
结构简单，适合监督微调（SFT）
🔹 示例（JSONL 格式，每行一个 JSON 对象）：
{
"instruction": "写一个 Python 函数，实现斐波那契数列。",
"input": "",
"output": "def fibonacci(n):\n if n <= 1:\n return n\n return fibonacci(n-1) + fibonacci(n-2)"
}
🧠 含义：
instruction: 你希望模型完成的任务（如翻译、写代码等）input: 可选的上下文输入，很多时候是空的output: 对应的模型回答（ground truth）
✅ 二、ShareGPT 格式（多轮对话）
特点：
多轮对话（可以无限轮）
结构为一个
conversation数组每轮对话包含
role（如 user / assistant） 和content
🔹 示例（JSON）：
{ "conversations": [
{
"role": "user",
"content": "你好，可以给我写一段 Python 代码打印 1 到 10 吗？" },
{
"role": "assistant",
"content": "当然可以：\n\n```python\nfor i in range(1, 11):\n print(i)\n```" },
{
"role": "user",
"content": "那你能把它改成倒序输出吗？" },
{
"role": "assistant",
"content": "当然，这是倒序输出的版本：\n\n```python\nfor i in range(10, 0, -1):\n print(i)\n```"
} ] }🧠 含义：
一组完整的问答记录，每个轮次都有明确的角色和内容
适合对话模型的训练（如 ChatGPT、Qwen）
🆚 Alpaca vs ShareGPT 区别对比表
| 项目 | Alpaca 格式 | ShareGPT 格式 |
|---|---|---|
| 对话轮数 | 单轮 | 多轮 |
| 数据结构 | instruction + input + output |
conversations = [ {role, content} ] |
| 用途 | 指令微调（SFT） | 多轮对话训练、chat 模型预训练 |
| 示例场景 | 问：写个排序函数；答：代码 | 模拟用户与 AI 聊天全过程 |
| 数据格式 | JSONL（每行一条） | JSON（每条一个多轮结构） |
拷贝数据到路径：/LLaMA-Factory-main/data
在llama-factory添加数据集
在llama-factory添加数据集，不仅要把数据文件放到data目录下，还需要在配置文件dataset_info.json里面添加一条该数据集的记录。
然后，打开data文件夹中一个名为dataset_info.json的配置文件。
添加一条huanhuan.json的json配置，保存。
这样，我们新添加的数据集才能被llama-factory识别到。