将DeepSeek R1精炼为DeepDoctor：医学思维链微调教程

DeepSeek，这一AI领域的革新者，正挑战着OpenAI的霸主地位，通过推出一系列先进的推理模型，为AI界带来了新的活力。尤为引人注目的是，这些模型完全免费且无任何使用限制，人人皆可轻松访问。

本教程将指导您如何对DeepSeek-R1-Distill-Llama-8B模型进行微调，利用Hugging Face提供的医学思维链数据集进行训练。该精简版DeepSeek-R1模型是在DeepSeek-R1生成的数据基础上，对Llama 3.1 8B模型进行微调而创建的，展现了与原始模型相似的卓越推理能力。

DeepSeek R1系列概览

DeepSeek-R1与DeepSeek-R1-Zero在数学、编程及逻辑推理任务上，均与OpenAI的o1模型性能相当，但两者均为开源。其中，DeepSeek-R1-Zero是首个完全通过大规模强化学习训练的开源模型，无需监督微调作为初始步骤。然而，这种方法也带来了推理步骤重复、可读性差等挑战。为克服这些局限，DeepSeek-R1引入了冷启动数据，为推理和非推理任务提供了坚实基础，提升了输出的可读性和连贯性。

DeepSeek还推出了蒸馏模型，这些更小、更高效的模型同样展现了出色的推理性能。其中，DeepSeek-R1-Distill-Qwen-32B在多个基准测试中超越了OpenAI-o1-mini。

逐步微调DeepSeek R1

1. 环境设置
   使用Kaggle作为云IDE，因其提供免费GPU资源。设置Hugging Face和Weights & Biases的token，并安装unsloth Python包，这是一个旨在提高大型语言模型微调速度和内存效率的开源框架。

2. 加载模型和tokenizer
   加载Unsloth版本的DeepSeek-R1-Distill-Llama-8B模型，并以4-bit量化的方式加载，以优化内存使用和性能。

3. 微调前的模型推理
   为模型创建提示模板，并定义一个系统提示，包含问题和回答生成的占位符。该提示将引导模型逐步思考，并提供逻辑严谨、准确的回答。在未微调的情况下，模型已成功生成思维链并进行推理，但推理过程冗长且不简洁，因此仍需微调。

4. 加载和处理数据集
   调整提示模板以处理数据集，为复杂的思维链列添加第三个占位符。从Hugging Face Hub加载FreedomIntelligence/medical-o1-reasoning-SFT数据集的前500个样本，并使用自定义函数对“text”列进行映射。

5. 设置模型
   通过向模型中添加低秩适配器来设置模型，并设置训练参数和训练器，以优化微调过程。

6. 训练模型
   使用训练器进行模型训练，训练过程花费约22分钟完成。训练损失逐渐降低，表明模型性能有所提升。

7. 微调后的模型推理
   向微调后的模型提出与之前相同的问题，对比结果。微调后的模型推理结果明显更好且更准确，思维链条简洁明了，答案直接。

8. 本地保存模型
   将适配器、完整模型和tokenizer保存在本地，以便在其他项目中使用。

9. 将模型推送到Hugging Face Hub
   将适配器、tokenizer和模型推送到Hugging Face Hub，以便AI社区能够充分利用这个模型。

总结

AI领域正经历着快速变化，开源社区正在崛起，挑战着专有模型的地位。开源的LLM正在变得更加优秀、更快速、更高效，使得在较低的计算和内存资源下微调它们变得比以往更加容易。本教程通过探讨DeepSeek R1推理模型，并学习如何对其精简版进行微调以应用于医学问答任务，展示了开源AI的无限潜力。微调后的推理模型不仅提升了性能，还使其能够广泛应用于医学、急救服务和医疗等关键领域。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】