LoRA微调介绍
只动少部分的代码达到预期
蓝色部分是base model， 用get_peft_model实现实例化模型
案例演示：本次案例只对少量数据进行微调
1.开启同步。mindspore.set_context(pynative_synchronize=TRUE)，方便问题定位
2.模块分布情况：
1>数据集方面的处理
2>base model ,loRA模型配置和实例化
只有adapter参与训练，其他意义不大
训练超参
最后整合到定义好的Trainer
以上就是大致过程
二、对话模型示例
通过tokenizer把对话转化成数字索引
数据的处理逻辑
User类似于用户，Assistant则是deepseek的回答，在对话结束后添加eso token用于提示模型对话结束
转化为数字索引后，由于对话格式不一（有长有短），需要对其进行限制
最后返回的三个内容，input_ids:实际对话的内容。attention_mask:attention 的掩码。labels:标签
通过map接口将操作作用在数据集上
map常为operation,input,ouput格式，与对应函数的参数要一致，不然会有乱码。
以下为常遇问题的经验分享
三、实训过程
下载模型和数据集：
对数据集进行处理：
执行微调：
