网站首页结构怎么写,天津网页设计工作,湖北网中建设工程有限公司,郑州企业培训ChatGLM2-6B-PT
一、介绍
1、本文实现对于 ChatGLM2-6B 模型基于 [P-Tuning v2](https://github.com/THUDM/P-tuning-v2) 的微调
2、运行至少需要 7GB 显存
3、以 [ADGEN](https://aclanthology.org/D19-1321.pdf) (广告生成) 数据集为例介绍代码的使用方法。 模型部署参考…
ChatGLM2-6B-PT
一、介绍
1、本文实现对于 ChatGLM2-6B 模型基于 [P-Tuning v2](https://github.com/THUDM/P-tuning-v2) 的微调
2、运行至少需要 7GB 显存
3、以 [ADGEN](https://aclanthology.org/D19-1321.pdf) (广告生成) 数据集为例介绍代码的使用方法。 模型部署参考 MiniCPM-Llama3-V-2_5-int4 部署推理流程 二、开始
1、软件依赖
首先进入你之前的conda环境
conda activate chatglm2 运行微调除 ChatGLM2-6B 的依赖之外还需要安装以下依赖
pip install rouge_chinese nltk jieba datasets 2、下载数据集 ADGEN 数据集任务为根据输入content生成一段广告词summary。
json { content: 类型#上衣*版型#宽松*版型#显瘦*图案#线条*衣样式#衬衫*衣袖型#泡泡袖*衣款式#抽绳, summary: 这件衬衫的款式非常的宽松利落的线条可以很好的隐藏身材上的小缺点穿在身上有着很好的显瘦效果。领口装饰了一个可爱的抽绳漂亮的绳结展现出了十足的个性配合时尚的泡泡袖型尽显女性甜美可爱的气息。 }
从 [Google Drive](https://drive.google.com/file/d/13_vf0xRTQsyneRKdD1bZIr93vBGOczrk/view?uspsharing) 或者 [Tsinghua Cloud](https://cloud.tsinghua.edu.cn/f/b3f119a008264b1cabd1/?dl1) 下载处理好的 ADGEN 数据集将解压后的 AdvertiseGen 目录放到本目录下。 3、开始训练
P-Tuning v2
运行以下指令进行训练
bash train.sh 运行成功 默认训练是3000,我调成300进行测试 修改之后的参数
PRE_SEQ_LEN128
LR15e-3
NUM_GPUS1torchrun --standalone --nnodes1 --nproc-per-node$NUM_GPUS main.py \--do_train \--train_file AdvertiseGen/train.json \--validation_file AdvertiseGen/dev.json \--preprocessing_num_workers 10 \--prompt_column content \--response_column summary \--overwrite_cache \--model_name_or_path chatglm2-6b-int4 \--output_dir output/adgen-chatglm2-6b-pt-$PRE_SEQ_LEN-$LR \--overwrite_output_dir \--max_source_length 64 \--max_target_length 128 \--per_device_train_batch_size 1 \--per_device_eval_batch_size 1 \--gradient_accumulation_steps 16 \--predict_with_generate \--max_steps 300 \--logging_steps 10 \--save_steps 100 \--learning_rate $LR \--pre_seq_len $PRE_SEQ_LEN \--quantization_bit 4 解读train.sh:
PRE_SEQ_LEN128: 这设置了一个序列的长度为128这通常指的是输入文本的长度或者模型的上下文长度。
LR2e-2: 这是学习率Learning Rate的设置2e-2表示0.02是一个常见的学习率初始值。
NUM_GPUS1: 指定使用的GPU数量这里设置为1。
torchrun --standalone --nnodes1 --nproc-per-node$NUM_GPUS main.py: 这是启动PyTorch程序的命令指定了独立运行、1个节点和每个节点的进程数即GPU数。
接下来是传递给main.py脚本的参数--do_train: 表示执行训练过程。
--train_file AdvertiseGen/train.json: 指定训练数据文件这里是AdvertiseGen/train.json。
--validation_file AdvertiseGen/dev.json: 指定验证数据文件这里是AdvertiseGen/dev.json。
--preprocessing_num_workers 10: 设置预处理数据时使用的工作进程数为10。
--prompt_column content: 指定数据中作为输入prompt的列名这里是content。
--response_column summary: 指定数据中作为输出response的列名这里是summary。
--overwrite_cache: 如果缓存已存在覆盖它。
--model_name_or_path THUDM/chatglm2-6b: 指定预训练模型的名称或路径这里是THUDM/chatglm2-6b表示使用的是清华大学开发的开源双语对话模型ChatGLM2-6B。
--output_dir output/adgen-chatglm2-6b-pt-$PRE_SEQ_LEN-$LR: 设置输出目录会根据预设的序列长度和学习率动态生成。
--overwrite_output_dir: 如果输出目录已存在覆盖它。
--max_source_length 64: 设置输入文本的最大长度为64。
--max_target_length 128: 设置输出文本的最大长度为128。
--per_device_train_batch_size 1: 设置每个设备上的训练批次大小为1。
--per_device_eval_batch_size 1: 设置每个设备上的评估批次大小为1。
--gradient_accumulation_steps 16: 设置梯度累积的步数为16这可以在有限的GPU内存下训练更大的批次。
--predict_with_generate: 在评估时使用生成模式。
--max_steps 3000: 设置训练的最大步数为3000。
--logging_steps 10: 设置记录日志的步数为10。
--save_steps 1000: 设置保存模型检查点的步数为1000。
--learning_rate $LR: 设置学习率为之前定义的变量LR的值。
--pre_seq_len $PRE_SEQ_LEN: 设置序列长度为之前定义的变量PRE_SEQ_LEN的值。
--quantization_bit 4: 设置模型量化为4位这是为了减少模型大小和提高推理速度的一种技术。 train.sh 中的 PRE_SEQ_LEN 和 LR
分别是 soft prompt 长度和训练的学习率可以进行调节以取得最佳的效果。
P-Tuning-v2 方法会冻结全部的模型参数可通过调整 quantization_bit 来被原始模型的量化等级不加此选项则为 FP16 精度加载。 在默认配置 quantization_bit4
per_device_train_batch_size1
gradient_accumulation_steps16
下INT4 的模型参数被冻结一次训练迭代会以 1 的批处理大小进行 16 次累加的前后向传播等效为 16 的总批处理大小此时最低只需 6.7G 显存。若想在同等批处理大小下提升训练效率可在二者乘积不变的情况下加大 per_device_train_batch_size 的值但也会带来更多的显存消耗请根据实际情况酌情调整。 从本地加载模型需将 train.sh 中的 THUDM/chatglm2-6b 改为你本地的模型路径。 #### Finetune
如果需要进行全参数的 Finetune需要安装 [Deepspeed](https://github.com/microsoft/DeepSpeed)然后运行以下指令 bash ds_train_finetune.sh ### 推理
在 P-tuning v2 训练时模型只保存 PrefixEncoder 部分的参数所以在推理时需要同时加载原 ChatGLM2-6B 模型以及 PrefixEncoder 的权重因此需要指定 evaluate.sh 中的参数
shell --model_name_or_path THUDM/chatglm2-6b --ptuning_checkpoint $CHECKPOINT_PATH
如果是只需要跟之前一样设定 model_name_or_path
shell --model_name_or_path $CHECKPOINT_PATH
评测指标为中文 Rouge score 和 BLEU-4。生成的结果保存在 ./output/adgen-chatglm2-6b-pt-128-2e-2/generated_predictions.txt。
### 例子 #### 示例1 * Input: 类型#上衣\*材质#牛仔布\*颜色#白色\*风格#简约\*图案#刺绣\*衣样式#外套\*衣款式#破洞 * Label: 简约而不简单的牛仔外套,白色的衣身十分百搭。衣身多处有做旧破洞设计,打破单调乏味,增加一丝造型看点。衣身后背处有趣味刺绣装饰,丰富层次感,彰显别样时尚。 * Output[微调前]: 这件上衣的材质是牛仔布,颜色是白色,风格是简约,图案是刺绣,衣样式是外套,衣款式是破洞。 * Output[微调后]: 这是一款简约的牛仔外套,破洞设计,将牛仔布破洞,带来一种随意与个性。破洞的牛仔外套,展现出时尚气息,带来一种休闲感。同时,刺绣图案,让整件外套更加立体。
#### 示例2
* Input: 类型#裙\*版型#显瘦\*风格#文艺\*风格#简约\*图案#印花\*图案#撞色\*裙下摆#压褶\*裙长#连衣裙\*裙领型#圆领 * Label: 文艺个性的印花连衣裙,藏青色底蕴,低调又大气,撞色太阳花分布整个裙身,绚丽而美好,带来时尚减龄的气质。基础款的舒适圆领,简约不失大方,勾勒精致脸庞。领后是一粒包布扣固定,穿脱十分方便。前片立体的打褶设计,搭配后片压褶的做工,增添层次和空间感,显瘦又有型。 * Output[微调前]: 类型#裙*版型#显瘦*风格#文艺*风格#简约*图案#印花*图案#撞色*裙下摆#压褶*裙长#连衣裙*裙领型#圆领 1\. 连衣裙:简约风格,裙长为膝盖以上,裙领型为圆领。2\. 裙下摆:压褶设计,使裙摆呈现出流畅的褶皱效果。3\. 裙领型:裙领型为圆领,使穿上连衣裙后更加有型。4\. 版型:采用显瘦设计,让连衣裙看起来更加苗条。5\. 风格:文艺风格,让连衣裙更加有内涵和品味。6\. 图案:印花设计,在连衣裙上印有独特的图案。7\. 撞色:采用撞色设计,让连衣裙在色彩上更加鲜明、富有层次感。 * Output[微调后]: 这是一款文艺范的连衣裙,以印花为元素,采用简约的印花,既能够突出文艺气质,又能够展现简约风。在印花的同时又有领子和裙摆的压褶设计,更加凸显文艺气质。简约而不会过于单调,搭配出街,穿着十分舒适。 ## 模型部署 首先载入Tokenizer
python from transformers import AutoConfig, AutoModel, AutoTokenizer
# 载入Tokenizer tokenizer AutoTokenizer.from_pretrained(THUDM/chatglm2-6b, trust_remote_codeTrue)
1. 如果需要加载的 P-Tuning 的 checkpoint
python config AutoConfig.from_pretrained(THUDM/chatglm2-6b, trust_remote_codeTrue, pre_seq_len128) model AutoModel.from_pretrained(THUDM/chatglm2-6b, configconfig, trust_remote_codeTrue) prefix_state_dict torch.load(os.path.join(CHECKPOINT_PATH, pytorch_model.bin)) new_prefix_state_dict {} for k, v in prefix_state_dict.items(): if k.startswith(transformer.prefix_encoder.): new_prefix_state_dict[k[len(transformer.prefix_encoder.):]] v model.transformer.prefix_encoder.load_state_dict(new_prefix_state_dict) 注意你可能需要将 pre_seq_len 改成你训练时的实际值。如果你是[从本地加载模型](../README.md#从本地加载模型)的话需要将 THUDM/chatglm2-6b 改成本地的模型路径注意不是checkpoint路径。
2. 如果需要加载的是全参数微调的 checkpoint则直接加载整个 checkpoint
python model AutoModel.from_pretrained(CHECKPOINT_PATH, trust_remote_codeTrue)
之后根据需求可以进行量化也可以直接使用
python # Comment out the following line if you dont use quantization model model.quantize(4) model model.cuda() model model.eval()
response, history model.chat(tokenizer, 你好, history[])
你也可以直接运行支持加载 P-Tuning v2 checkpoint 的 [web demo](./web_demo.py) shell bash web_demo.sh 可能需要修改 [web_demo.sh](./web_demo.sh) 的内容以符合你实际的 checkpoint 情况。
## 使用自己的数据集 修改 train.sh 和 evaluate.sh 中的 train_file、validation_file和test_file为你自己的 JSON 格式数据集路径并将 prompt_column 和 response_column 改为 JSON 文件中输入文本和输出文本对应的 KEY。可能还需要增大 max_source_length 和 max_target_length 来匹配你自己的数据集中的最大输入输出长度。
## 对话数据集
如需要使用多轮对话数据对模型进行微调可以提供聊天历史例如以下是一个三轮对话的训练数据
json lines {prompt: 长城h3风扇不转。继电器好的。保险丝好的传感器新的风扇也新的这是为什么。就是继电器缺一个信号线, response: 用电脑能读数据流吗水温多少, history: []} {prompt: 95, response: 上下水管温差怎么样啊空气是不是都排干净了呢, history: [[长城h3风扇不转。继电器好的。保险丝好的传感器新的风扇也新的这是为什么。就是继电器缺一个信号线, 用电脑能读数据流吗水温多少]]} {prompt: 是的。上下水管都好的, response: 那就要检查线路了一般风扇继电器是由电脑控制吸合的如果电路存在断路或者电脑坏了的话会出现继电器不吸合的情况, history: [[长城h3风扇不转。继电器好的。保险丝好的传感器新的风扇也新的这是为什么。就是继电器缺一个信号线, 用电脑能读数据流吗水温多少], [95, 上下水管温差怎么样啊空气是不是都排干净了呢]]}
训练时需要指定 --history_column 为数据中聊天历史的 key在此例子中是 history将自动把聊天历史拼接。要注意超过输入长度 max_source_length 的内容会被截断。
可以参考以下指令 bash train_chat.sh
