简介面向希望在本地完成DeepSeek模型训练的零基础AI爱好者尤其是仅掌握JavaScript或对Python略有了解的学习者这份PDF教程以清晰的操作路径帮助读者从零开始完成环境搭建与微调准备。资源包含1个PDF文件压缩包大小约1.93MB内容凝练便于对照学习。目前已有269人学习下载。教程覆盖Ollama本地部署DeepSeek的具体方法、训练文本数据的准备规范、Python环境及torch/transformers/datasets三大依赖库的安装要点并通过VSCode等编辑器展示加载预训练模型和分词器的代码示例同时给出D:\ollama\fine_tune_deepseek等目录结构建议帮助读者快速搭建工作目录。整体以步骤驱动配有进度判断和常见问题说明适合希望低成本入门大模型微调、同时又缺乏深度学习背景的读者按图索骥逐步掌握本地训练的基础流程。1. 本地训练 DeepSeek 的边界671B 训不动24G 卡能训什么提到 deepseek 本地模型训练很多人第一反应是去啃那 671B 参数的 MoE 巨兽。我先把结论摆在这DeepSeek-V3/R1 本体不是给本地训练的单卡 24G 连加载都费劲真正适合本地练的是 R1-Distill 系列1.5B/7B/14B/32B这类稠密小模型。本地模型训练解决的核心诉求是两件事私有数据不出内网以及拿到一个在特定领域不套话、不空转的定制模型。把企业内部文档、客服话术、领域问答揉进一个 7B 模型的 LoRA 适配器训练完显卡上只多出几百 MB 权重部署和迭代完全自主。这条路适合手上有一张 12G 以上显存 GPU 的工程师和学生。下面从显存账、数据、训练、避坑到部署按我踩过的顺序展开。2. 显存账本与训练路线为什么全参微调 7B 需要 112GB本地模型训练的第一步不是写代码是把显存账算清楚。很多人拿着 4090 就想全参微调 DeepSeek 7B真跑起来才发现优化器状态比权重本身还吃显存OOM 只是结果不是原因。2.1 全参训练的显存构成权重之外有个 4 倍隐形开销全参微调 7B 模型在混合精度FP16 权重 FP32 优化器下每个参数实际要占 16 字节。拆开看是这样组件单参数占用7B 参数合计FP16 权重2 字节14GBFP32 主权重4 字节28GBFP16 梯度2 字节14GBAdam 一阶动量 m4 字节28GBAdam 二阶动量 v4 字节28GB合计16 字节约 112GB这还没算前向传播的激活值和临时张量加上去轻松奔着 130GB 走。A100 80G 单卡都吃紧更不用说 24G 的消费卡。所以全参微调这条路天然是 A100/H100 集群或者 DeepSpeed 多卡的活儿个人开发者在自己的机器上别碰。LoRA 不一样。冻结基座权重只训练注入的低秩适配器可训练参数只有模型的 0.1% 到 0.5%。7B 模型的 LoRA 适配器参数量在 7M 量级优化器状态可以忽略不计显存大头落在基座权重和前向激活上。FP16 基座要 14GBQLoRA 用 NF4 4bit 量化基座只要 3.5GB24G 卡甚至 12G 卡都能挤出空间。2.2 LoRA 还是 QLoRA一张对比表做决定训练路线选择不是玄学直接看显存预算方案7B 模型训练峰值显存适合设备训练速度效果全参微调120GB 以上多卡 A100/H100慢数据量大时最好LoRAFP16/BF1620-24GB4090 / 3090快好QLoRANF48-12GB3060 12G 及以上中接近 LoRA所谓“QLoRA 效果差”的传言在指令微调这种任务上并不成立。量化误差主要影响的是基座知识表达而 LoRA 学的是任务格式和领域语气两者叠加之后QLoRA 和 LoRA 的差距通常在可接受范围内。我一般这样选显存够 24G 优先 LoRA显存 12-16G 就老老实实 QLoRA省下的空间还能把序列长度拉长。多卡用户注意单卡别上 DeepSpeed ZeRO那纯属把 CPU offload 的换页速度拖下水。两张 24G 卡以上才值得开 ZeRO Stage 2配合 gradient checkpointing 用ZeRO Stage 3 是给 13B 以上模型准备的。2.3 动手前先做三件事显卡、依赖、模型目录体检训练前我固定会跑一遍下面的环境检查避免训练中途才发现驱动或者库版本不对# 1. 显卡和驱动 nvidia-smi # 2. PyTorch 是否认卡 python -c import torch; print(torch.__version__, torch.cuda.is_available(), torch.cuda.get_device_name(0)) # 3. 训练相关库的版本 python -m pip list | grep -Ei transformers|peft|accelerate|trl|datasets|bitsandbytes显卡体检看三样显存容量、驱动版本、CUDA 版本。PyTorch 那句能输出True和显卡名说明内核编译没问题。库版本记录好后面出问题第一件事就是对版本尤其是trl和peft这两个库 API 变得快网上抄来的脚本大概率不是给你的版本写的。模型也要提前落盘。把deepseek-ai/DeepSeek-R1-Distill-Qwen-7B这类模型下到本地目录后续训练断网也能反复跑。内网机下载困难的话直接在能上网的机器上下好整个模型目录整个目录拷贝到内网机器就能from_pretrained加载模型目录是自包含的不用装额外东西。3. 数据与 tokenizer 对齐决定训练效果的是预处理不是算力训练脚本是流水线数据才是发动机。DeepSeek 本地模型训练最常见的翻车不是显存不够而是数据格式没对齐模型在垃圾上练了十几个小时。3.1 指令数据长什么样用 chat_template不要手拼字符串R1-Distill 系列是对话模型训练数据必须走它自己的对话模板。最省事的方式是准备 JSONL每条样本一个 system/user/assistant 三元组{system: 你是某产品的售后助手回答要简洁不能编造政策。, user: 商品发错地址了怎么处理, assistant: 在订单页点退货选择“地址错误”系统会免费补发一次。如果已经签收联系在线客服登记补发。} {system: , user: 退款多久到账, assistant: 审核通过后 1-3 个工作日原路退回。}然后取一小批样本打印 tokenize 之后的结果确认模板拼接正确import json from transformers import AutoTokenizer tok AutoTokenizer.from_pretrained(deepseek-ai/DeepSeek-R1-Distill-Qwen-7B) row {system: 你是客服助手, user: 退款多久到账, assistant: 1-3 个工作日。} msgs [ {role: system, content: row[system]}, {role: user, content: row[user]}, {role: assistant, content: row[assistant]}, ] print(tok.apply_chat_template(msgs, tokenizeFalse))关键在apply_chat_template。它读的是模型目录里的tokenizer_config.json中预设的 chat_template训练和推理都用同一个函数就不会出现“训练正常、推理乱码”的错位。手拼User: ... Assistant: ...在旧模型上能跑在 DeepSeek 上大概率把格式学歪。3.2 最小可复用的 QLoRA 训练脚本下面是我在 24G 卡上跑 7B QLoRA 的完整脚本直接保存为train_lora.py就能用# train_lora.py import torch from datasets import load_dataset from transformers import ( AutoModelForCausalLM, AutoTokenizer, TrainingArguments, BitsAndBytesConfig, ) from peft import LoraConfig, prepare_model_for_kbit_training, get_peft_model from trl import SFTTrainer BASE deepseek-ai/DeepSeek-R1-Distill-Qwen-7B OUT ./deepseek_local_lora DATA train.jsonl # NF4 4bit 量化基座double quant 进一步省显存 bnb BitsAndBytesConfig( load_in_4bitTrue, bnb_4bit_use_double_quantTrue, bnb_4bit_quant_typenf4, bnb_4bit_compute_dtypetorch.bfloat16, ) tok AutoTokenizer.from_pretrained(BASE) # Qwen 系列 pad_token 默认是 None必须补上否则 attention mask 全废 if tok.pad_token is None: tok.pad_token tok.eos_token def to_chat(row): msgs [ {role: system, content: row.get(system) or 你是一个靠谱的 AI 助手。}, {role: user, content: row[user]}, {role: assistant, content: row[assistant]}, ] return {text: tok.apply_chat_template(msgs, tokenizeFalse)} ds load_dataset(json, data_filesDATA)[train].map(to_chat) model AutoModelForCausalLM.from_pretrained( BASE, quantization_configbnb, device_mapauto, torch_dtypetorch.bfloat16, ) # 4bit 下必须先把 layernorm / embed 层转回 fp32不然 loss 漂移 model prepare_model_for_kbit_training(model) lora LoraConfig( r8, lora_alpha16, target_modules[ q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj, ], lora_dropout0.05, biasnone, task_typeCAUSAL_LM, ) model get_peft_model(model, lora) model.print_trainable_parameters() # 必须看到 trainable params 占比而不是 0 args TrainingArguments( output_dirOUT, num_train_epochs3, per_device_train_batch_size2, gradient_accumulation_steps8, # 等效 batch 2 * 8 16 learning_rate2e-4, warmup_ratio0.03, lr_scheduler_typecosine, bf16True, # Ampere 及以上用 bf16比 fp16 稳 optimpaged_adamw_8bit, # 4bit 训练标配显存溢出时自动分页 logging_steps10, save_steps200, save_total_limit2, remove_unused_columnsFalse, ) tr SFTTrainer( modelmodel, argsargs, train_datasetds, tokenizertok, max_seq_length1024, dataset_text_fieldtext, packingFalse, ) tr.train()参数说明都写在注释里单独挑三个容易踩的讲target_modules必须和模型结构匹配。Qwen 架构的注意力层叫q_proj/k_proj/v_proj/o_projMLP 层叫gate_proj/up_proj/down_proj。如果这里打错成c_attn这类旧 GPT-2 命名训练照样跑但所有层权重都没挂上 LoRA训完等于白训。训练开始前那句print_trainable_parameters()就是用来确认这点的trainable 参数占比应该在 0.1% 到 0.5% 之间。optimpaged_adamw_8bit是 bitsandbytes 提供的分页优化器。4bit 量化下显存吃紧是常事它能像操作系统换页一样把优化器状态临时挪到 CPU 内存救急很管用。代价是偶尔慢一点。bf16True是基于 Ampere 架构显卡的推荐选择。bf16 的指数范围和 fp32 一样大训练中不容易出现梯度下溢。如果你的卡是 Turing 架构比如 2080Ti不支持 bf16就把这里改bf16False, fp16True。3.3 预处理三参数序列长度、packing 和数据清洗max_seq_length不要一刀切设 2048。设太大短样本 padding 全是废算力设太小长回答被截断模型学的是半截句子。我的经验是先看数据集的 token 长度分布把 95% 样本能覆盖到的长度作为上限一般 512 到 1024 够用。packing是 SFTTrainer 的吞吐开关。打开后会把多段短样本拼到接近max_seq_length再训练训练速度能提升一大截。代价是样本衔接处会产生轻微的语义噪声对下游效果影响很小。如果你的数据长短差异极大推荐开packingTrue省时间如果样本本身长度均匀关掉它更干净。数据清洗别忘了先做精确去重把完全相同的样本删掉样本量少于 1000 条时 LoRA 很容易过拟合宁可多花两天攒数据也不要拿几百条硬训。另外system字段不要传空字符串apply_chat_template遇到空内容可能会直接丢掉这个 role导致前面的提示词设计全部失效。4. 起跑、监控与断点续训看懂 loss 曲线再谈调参训练一旦启动你就是个看监控的人。别只盯着屏幕上滚动的 loss 数字要建立一套自己的判断体系。4.1 正确的启动姿势日志重定向和显存观察训练时间长终端会被 nohup 占用所以正确姿势是把日志写文件再开另一个终端盯nohup python train_lora.py train.log 21 tail -f train.lognohup让进程在终端断开后继续跑21把 stderr 也塞进日志。尾随日志的同时另开窗口周期性看显存nvidia-smi --query-gpuutilization.gpu,memory.used --formatcsv首次运行会先加载基座模型和做 4bit 量化这个阶段 GPU 利用率低、时间偏长不要急着断定卡死了。判断是否真的在跑看日志里epoch和step有没有在推进比看显存占用靠谱。4.2 loss 曲线的四种形态对应四种问题loss 曲线要结合任务难度看但形态规律是通用的。健康的曲线从 1.x 平滑降到 0.3 到 0.5取决于数据量和任务复杂度中间偶尔小波动整体向下。不健康的形态第一种loss 长时间钉在一个值附近纹丝不动。先查数据打印一条apply_chat_template之后的结果看是不是空串或者只有 system 没有 assistant。再查 LoRAprint_trainable_parameters()确认适配器真的挂上了。最后查学习率太低也会这样。第二种loss 中途跳高再慢慢恢复。这往往是遇到了坏样本——超长样本被截断后answer 后半段被切掉留下的全是没闭合的半句话。我的做法是预处理阶段按 token 数先把超长样本筛掉而不是交给 truncation 硬截。第三种loss 出现 NaN。大概率是 fp16 训练时梯度下溢切 bf16或者把学习率从 2e-4 降到 5e-5再给 TrainingArguments 加一行gradient_clip_norm1.0。第四种loss 下降很快但验证集上明显过拟合。说明数据量配不上训练轮数把num_train_epochs从 3 降到 1或者把 LoRA 的r从 8 降到 4。4.3 断点续训训练机重启不是世界末日save_steps200会让训练器每 200 步存一个 checkpoint 目录里面是 LoRA 适配器权重和优化器状态。机器断电或者你想改学习率继续跑用一行代码续上# 续训入口放到 train_lora.py 末尾并传 checkpoint 路径 tr.train(resume_from_checkpoint./deepseek_local_lora/checkpoint-400)续训后前几十步 loss 出现抖动是正常的因为数据加载顺序变了优化器状态也要重新适应。真正要检查的是两件事save_total_limit2有没有设不设的话磁盘会被一堆 checkpoint 塞满续训前确认 checkpoint 目录里有trainer_state.json这个文件记录了 global step 和学习率调度位置丢了它等于从头训。想看更细的训练过程在TrainingArguments里加report_to[tensorboard], logging_dir./runs然后本地跑tensorboard --logdir ./runsloss、学习率、梯度范数都在里面。5. DeepSeek 本地训练避坑五个翻车现场与事后复盘这部分是血泪经验汇总。每个坑我都亲手踩过现象、原因、解决一次性给全。5.1 显存明明够loss 却一步不降现象QLoRA 训练 7B24G 卡只用了 13G跑到 300 步 loss 稳定在 1.1 左右不再下降。原因两个最多见。一是target_modules名字和模型结构对不上LoRA 适配器挂在空层上print_trainable_parameters()输出占比为 0 或小得离谱二是数据预处理时apply_chat_template返回的是空字符串模型在空白样本上学不到任何结构。解决训练启动后第一件事就是看model.print_trainable_parameters()的输出trainable 参数必须是几百万量级而不是 0。再打印一条ds[0][text]确认模板里有实际内容。两个都正常就把学习率拉回 2e-4 左右不要自作主张降到 1e-5。5.2 微调完变成复读机连续输出“好的好的好的”现象eval loss 挺好看但生成时模型只会重复“好的好的好的……”或者疯狂换行。原因训练数据里有大量内容完全相同的 assistant 文本模型把“重复”当成了高频模式。另一个原因是 LoRA 配置太激进r64, lora_alpha128时适配器权重过度覆盖了基座把模型原有的表达多样性压没了。解决先做精确去重再检查 LoRA 参数指令微调用r8, lora_alpha16起步就够。训练步数并不是越多越好500 到 1000 步已经能让 7B 模型学会一套新话术再往上就是过拟合的开始。5.3 断点续训后 loss 忽高忽低现象从 checkpoint-400 续训前 100 步 loss 从 0.31 弹到 0.9之后才慢慢降回去。原因一个是数据加载顺序随随机种子变化正常现象另一个常见原因是paged_adamw_8bit的优化器状态在部分旧版 PyTorch 下保存不完整恢复时优化器状态是空的相当于带着一套新优化器续跑。解决给 PyTorch 升到 2.4 以上transformers 升到 4.46 以上再续训。如果版本没法动续训后前 100 步的波动就当看不见不要因为它就砍学习率或者重训。5.4 训练 loss 正常本地生成却一塌糊涂现象训练和验证 loss 都降到 0.3 附近但推理时中文输出变成乱码或者重复感叹号。原因训练时开了packingTrue样本拼接处的 token 被模型当成了上下文的一部分学出了一些奇怪的跨样本依赖。另一个更隐蔽的原因推理时代码手拼了User: / Assistant:模板和训练时的apply_chat_template不是同一个格式。解决推理代码统一用tokenizer.apply_chat_template(msgs, tokenizeFalse)生成 prompt不要手拼。packing 造成的噪声一般不大如果解码质量特别差把packingFalse重训一次对比。5.5 多轮对话训练后 system 提示失效现象模型第一轮回答正常第二轮开始完全不理会 system 里的约束自说自话。原因训练数据里大量样本的 system 字段是空字符串apply_chat_template在遇到空 system 时直接丢弃了该 role模型在训练中根本没见过 system 内容自然学不会遵守。解决数据清洗时把空 system 统一替换成默认值不要传空串。同时保证训练集里至少 30% 的样本带非空且有信息量的 system 内容否则模型学不到 system 和多轮 context 的关联。6. 验证与部署收尾把 LoRA 合并成能调用的本地 API训练产物不能只是磁盘上几个 checkpoint得变成能对外服务的模型。DeepSeek 本地模型的最后一公里是合并、部署、验证三步。6.1 合并 LoRA 与导出避免每次推理都顶着 adapter 加载LoRA 适配器单独加载需要同时读基座和 adapter每次都要走一遍 PeftModel 封装麻烦且容易在路径上出错。训练完成后我习惯先合并再推理# merge_lora.py from peft import PeftModel from transformers import AutoModelForCausalLM, AutoTokenizer base_id deepseek-ai/DeepSeek-R1-Distill-Qwen-7B adapter ./deepseek_local_lora/checkpoint-600 tok AutoTokenizer.from_pretrained(base_id) model AutoModelForCausalLM.from_pretrained(base_id, torch_dtypetorch.bfloat16, device_mapauto) peft PeftModel.from_pretrained(model, adapter) merged peft.merge_and_unload() merged.save_pretrained(./merged, safe_serializationTrue) tok.save_pretrained(./merged)合并后 base 和 adapter 深度融合成一个完整模型产物体积约等于基础权重的体积7B 的 bf16 约 13-14GBadapter 那几百 MB 已经溶解进去。safe_serialization 保证输出为 safetensors 格式加载更快更安全。6.2 用 vLLM 部署把本地模型变成 OpenAI 兼容 API合并完直接上 vLLM一步到位的 DeepSeek 本地化部署vllm serve ./merged \ --served-model-name deepseek-local \ --port 8000 \ --gpu-memory-utilization 0.85 \ --max-model-len 4096--gpu-memory-utilization留点余量给运行时不要设 0.99--max-model-len 4096防止长文本请求把 KV cache 撑爆。服务起来后测试curl http://localhost:8000/v1/chat/completions \ -H Content-Type: application/json \ -d {model:deepseek-local,messages:[{role:user,content:退款多久到账}],max_tokens:256}VLLM 启动时会读取tokenizer_config.json里的 chat_template线上模板和训练时完全一致。这套接口和 OpenAI SDK 兼容Python 里只要把base_url指向http://localhost:8000/v1业务代码不用改就能接入。6.3 三组对照验证训练是否真的生效最后验证比 loss 重要。我会固定 20 条业务真实问题分别问三个模型原版基座、合并后模型、合并后模型加 few-shot 示例。人工盲测打分看信息正确率和格式正确率而不是看模型有没有背下训练数据。我踩过的教训是早期训练只盯 eval lossloss 降下来就以为自己成功了上线才发现模型把训练数据里的句式记住了但没真正学会领域知识。后来养成习惯每次 merge 后先跑这 20 条预发集过了再更新服务。这个习惯让我少走了很多弯路也希望帮到你。本文还有配套的精品资源点击获取