chatGLM3微调

一、问答数据集生成器使用

感谢开源
项目地址：https://github.com/huang1332/finetune_dataset_maker.git
备用地址
https://gitee.com/yang_hu_cheng/finetune_dataset_maker.git

设置问题

启动使用

pip install streamlit
pip install openai

streamlit run dataset.py --server.port 2323
1
2
3
4

产出效果

二、进行微调

第一步：下载模型

• local_dir_root ：保存位置
• ZhipuAI/chatglm3-6b：需要下载的模型

from modelscope.hub.snapshot_download import snapshot_download

local_dir_root = "/root/autodl-tmp/models_from_modelscope"
snapshot_download('ZhipuAI/chatglm3-6b', cache_dir=local_dir_root)
1
2
3
4

第二步：项目准备

2.1 下载项目

git clone https://github.com/THUDM/ChatGLM3.git
cd ChatGLM3
1
2

2.2 然后使用 pip 安装依赖

可以创建一个环境（可省）

conda create --name chatchat python=3.10
conda activate chatchat
1
2

安装依赖

pip install -r requirements.txt
1

调整一下就可以用了

2.3 开始

启动第二个；好看一些

nohup streamlit run web_demo2.py > output.log &
1

也可以启动第一个

nohup python web_demo.py > output.log &
1

第三步进行微调

3.1安装相关依赖

pip install transformers==4.30.2 accelerate sentencepiece astunparse deepspeed
1

3.2准备数据集，并且上传

两个文件夹里面的内容都是一样的

 {"content": "类型#裤*版型#宽松*风格#性感*图案#线条*裤型#阔腿裤", "summary": "宽松的阔腿裤这两年真的吸粉不少，明星时尚达人的心头爱。毕竟好穿时尚，谁都能穿出腿长2米的效果宽松的裤腿，当然是遮肉小能手啊。上身随性自然不拘束，面料亲肤舒适贴身体验感棒棒哒。系带部分增加设计看点，还让单品的设计感更强。腿部线条若隐若现的，性感撩人。颜色敲温柔的，与裤子本身所呈现的风格有点反差萌。"}
1

3.3对数据集进行预处理

./scripts/format_advertise_gen.py --path "AdvertiseGen/train.json"
1

出现这个说明处理好了

预处理结束后其实就是对格式进行改造

3.4 进行微调

• MAX_STEP（就是让大模型重复多少遍死记硬背）

• BASE_MODEL_PATH：模型路径（最后有个\）

./scripts/finetune_ds.sh  # 全量微调
./scripts/finetune_pt.sh  # P-Tuning v2 微调
1
2

1. 全量微调：

./scripts/finetune_ds.sh 中的配置（MAX_SEQ_LEN=2048, DEV_BATCH_SIZE=16, GRAD_ACCUMULARION_STEPS=1）恰好用满 4 * 80GB 显存。

这里就是用P-Tuning v2 微调

./scripts/finetune_pt.sh
1

第四步：进行测试

python inference.py \
    --pt-checkpoint "/root/autodl-tmp/ChatGLM3-New/finetune_demo/output/advertise_gen_pt-20231121-175741-128-2e-2/" \
    --model /root/autodl-tmp/models_from_modelscope/ZhipuAI/chatglm3-6b/
1
2
3

微调成功。撒花

四、微调2

LLaMA

4.1下载LAMA

git clone https://github.com/hiyouga/LLaMA-Factory.git
1

4.2搭建环境

conda create -n llama_factory python=3.10
conda activate llama_factory
cd LLaMA-Factory
pip install -r requirements.txt
1
2
3
4

4.3修改数据集

编辑|新建数据集，可以选择这个，也可以自建

里面是json格式

查看数据集

4.4 开始训练

4.4.1页面训练

使用 启动 LLaMA Board。（该模式目前仅支持单卡训练）
默认端口号是7860

cd /root/autodl-tmp/LLaMA-Factory
CUDA_VISIBLE_DEVICES=0 python src/train_web.py 
1
2

4.4.2直接脚本微调

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \
    --stage sft \
    --model_name_or_path /root/autodl-tmp/models_from_modelscope/ZhipuAI/chatglm3-6b \
    --do_train True \
    --finetuning_type lora \
    --template chatglm3 \
    --flash_attn False \
    --shift_attn False \
    --dataset_dir data \
    --dataset self_cognition \
    --cutoff_len 1024 \
    --learning_rate 5e-05 \
    --num_train_epochs 3.0 \
    --max_samples 100000 \
    --per_device_train_batch_size 1 \
    --gradient_accumulation_steps 4 \
    --lr_scheduler_type cosine \
    --max_grad_norm 1.0 \
    --logging_steps 5 \
    --save_steps 100 \
    --warmup_steps 336 \
    --neft_alpha 0 \
    --train_on_prompt True \
    --upcast_layernorm False \
    --lora_rank 8 \
    --lora_dropout 0.1 \
    --lora_target query_key_value \
    --resume_lora_training True \
    --output_dir saves/ChatGLM3-6B-Chat/lora/2023-11-22-11-02-17 \
    --fp16 True \
    --val_size 0.247 \
    --evaluation_strategy steps \
    --eval_steps 100 \
    --load_best_model_at_end True \
    --plot_loss True 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \
    --stage sft \
    --model_name_or_path /root/autodl-tmp/models_from_modelscope/ZhipuAI/chatglm3-6b/ \
    --do_train \
    --overwrite_output_dir \
    --template chatglm3 \
1
2
3
4
5
6

4.5模型合并

命令行

1. model_name_or_path 原始模型路径
2. template 模板
3. finetuning_type 微调类型
4. checkpoint_dir 训练模型结果
5. export_dir 导出文件夹

python src/export_model.py \
    --model_name_or_path path_to_llama_model \
    --template default \
    --finetuning_type lora \
    --checkpoint_dir path_to_checkpoint \
    --export_dir path_to_export
1
2
3
4
5
6

举例

python src/export_model.py \
    --model_name_or_path /root/autodl-tmp/models_from_modelscope/ZhipuAI/chatglm3-6b/ \
    --template chatglm3 \
    --finetuning_type lora \
    --checkpoint_dir /root/autodl-tmp/LLaMA-Factory/export_chatglm3 \
    --export_dir lora_merge_chatglm3 
1
2
3
4
5
6

页面

4.6 进行测试

直接使用合并的模型
就不要用checkpoint_dir参数

1、API 服务测试

python src/api_demo.py \
    --model_name_or_path path_to_llama_model \
    --template default \
    --finetuning_type lora \
    --checkpoint_dir path_to_checkpoint
1
2
3
4
5

2、命令行测试

python src/cli_demo.py \
    --model_name_or_path path_to_llama_model \
    --template default \
    --finetuning_type lora \
    --checkpoint_dir path_to_checkpoint
1
2
3
4
5

举例

python src/cli_demo.py \
    --model_name_or_path  /root/autodl-tmp/models_from_modelscope/ZhipuAI/chatglm3-6b/ \
    --template chatglm3 \
    --finetuning_type lora \
    --checkpoint_dir /root/autodl-tmp/LLaMA-Factory/saves/ChatGLM3-6B-Chat/lora/2023-11-22-11-02-17
1
2
3
4
5

3、浏览器测试

python src/web_demo.py \
    --model_name_or_path path_to_llama_model \
    --template default \
    --finetuning_type lora \
    --checkpoint_dir path_to_checkpoint
1
2
3
4
5

4、web端进行测试

刷新模型断点，选择训练好的模型

选择chat

加载模型

结果产出