EasyLM

Q: 为什么运行代码时报找不到模块？

通常是没设置 PYTHONPATH。请在仓库根目录执行 export PYTHONPATH=＂${PWD}:$PYTHONPATH＂ 后重试。

用 JAX 轻松搞定 LLM 训练、微调和部署

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署对话助手 🍴 复刻 262 🐛 待处理 32 👀 关注 37

GitHub ↗

GitHub 星标 ★ 2517

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，Apache-2.0许可证，完全免费，可自行部署使用。

项目预览

项目数据

分类对话助手

开发团队young-geng

GitHubhttps://github.com/young-geng/EasyLM

定价模式🏷️完全免费

价格说明开源项目，Apache-2.0许可证，完全免费，可自行部署使用。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型chatbot,deep-learning,flax,jax,language-model,large-language-models,llama,natural-language-processing,transformer

GitHub 星标★ 2517

上线时间2022-11-22 00:00:00

代码更新2024-08-13

仓库体积387 KB

本站数据更新2026-11-09

维护状态低维护

收录时间2026-08-09

浏览次数9

项目介绍

EasyLM 是一个基于 JAX/Flax 构建的大语言模型（LLM）一站式解决方案，旨在简化 LLM 的预训练、微调、评估和部署流程。它解决了 LLM 开发中训练代码复杂、资源管理困难、多模型支持不足等问题，提供统一的接口和工具链。核心能力包括：支持 LLaMA、Mistral 等主流模型的预训练与指令微调；利用 JAX 的自动并行和 pjit 实现高效分布式训练；内置评估基准和推理服务器，支持与 Hugging Face 生态集成。通过模块化设计，用户可快速切换模型和任务，降低上手门槛，适合研究者和工程师进行模型定制与部署。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 2517

技术标签

chatbot deep-learning jax language-model large-language-models

使用教程

难度：进阶约 20 分钟部署方式：本地安装 5 步

环境要求

Python 环境（Cloud TPU 主机已预装 Python 与 PIP）
GPU 主机需预先安装 Anaconda
JAX/Flax（由环境文件或 TPU 安装脚本提供）
Hugging Face transformers 与 datasets（EasyLM 依赖）
按主机类型选择：GPU 主机或 Google Cloud TPU 主机

安装与启动步骤

1克隆 EasyLM 仓库

从 GitHub 拉取源码并进入项目目录，这是所有安装方式的第一步。
```
git clone https://github.com/young-geng/EasyLM.git
cd EasyLM
```
2设置 PYTHONPATH

把当前仓库根目录加入 PYTHONPATH，让后续脚本能直接导入 EasyLM 模块。
```
export PYTHONPATH="${PWD}:$PYTHONPATH"
```
3创建 GPU 环境（GPU 主机）

仅 GPU 主机需要，使用仓库自带的 conda 环境文件一次性安装依赖。
```
conda env create -f scripts/gpu_environment.yml
```
4激活 conda 环境

环境创建完成后激活名为 EasyLM 的环境，再开始训练或推理。
```
conda activate EasyLM
```
5TPU 主机初始化

仅在 Cloud TPU 主机上执行，脚本会自动完成该主机的环境配置。
```
./scripts/tpu_vm_setup.sh
```