Gemma 3 270M本地微调指南

谷歌发布了Gemma 3 270M，一个新的模型用于超高效的本地AI！

你可以在仅0.5 GB RAM上本地运行它。

今天，让我们学习如何微调这个模型，让它在下棋和预测下一步动作方面变得非常聪明。

我们的技术栈：

• Unsloth用于高效的微调。
• HuggingFace transformers用于本地运行。

1、加载模型

我们首先使用Unsloth加载Gemma 3 270M及其分词器。

2、定义LoRA配置

我们将使用LoRA进行高效的微调。

为此，我们使用Unsloth的PEFT并指定：

• 模型
• LoRA低秩（r）
• 微调层（target_modules）

3、加载数据集

我们将微调Gemma 3，使其在下棋方面变得极其聪明。

给定一组之前的移动（缺少一个移动）和最终结果，它必须预测缺失的移动。

为了做到这一点，我们使用HuggingFace的ChessInstruct数据集。

4、准备数据集

接下来，我们使用对话风格的数据集来微调Gemma 3。

standardize_data_formats方法将数据集转换为适合微调的正确格式！

5、定义Trainer

在这里，我们通过指定训练配置（如学习率、模型、分词器等）创建一个Trainer对象。

6、训练

完成这些后，我们开始训练。

损失通常随着步骤减少，这意味着模型被正确地微调了。

最后，这张图片显示了微调前后提示LLM的情况：

微调后，模型能够找到确切的缺失棋步，而不是随机生成一些棋步。

这很简单，不是吗？

原文链接：Fine-tuning Gemma 3 270M Locally

汇智网翻译整理，转载请标明出处