系列篇章💥
AI大模型探索之路-训练篇1：大语言模型微调基础认知
AI大模型探索之路-训练篇2：大语言模型预训练基础认知
AI大模型探索之路-训练篇3：大语言模型全景解读
AI大模型探索之路-训练篇4：大语言模型训练数据集概览
AI大模型探索之路-训练篇5：大语言模型预训练数据准备-词元化
AI大模型探索之路-训练篇6：大语言模型预训练数据准备-预处理
AI大模型探索之路-训练篇7：大语言模型Transformer库之HuggingFace介绍
AI大模型探索之路-训练篇8：大语言模型Transformer库-预训练流程编码体验
AI大模型探索之路-训练篇9：大语言模型Transformer库-Pipeline组件实践
AI大模型探索之路-训练篇10：大语言模型Transformer库-Tokenizer组件实践
AI大模型探索之路-训练篇11：大语言模型Transformer库-Model组件实践
AI大模型探索之路-训练篇12：语言模型Transformer库-Datasets组件实践
AI大模型探索之路-训练篇13：大语言模型Transformer库-Evaluate组件实践
AI大模型探索之路-训练篇14：大语言模型Transformer库-Trainer组件实践
AI大模型探索之路-训练篇15：大语言模型预训练之全量参数微调
AI大模型探索之路-训练篇16：大语言模型预训练-微调技术之LoRA
AI大模型探索之路-训练篇17：大语言模型预训练-微调技术之QLoRA
AI大模型探索之路-训练篇18：大语言模型预训练-微调技术之Prompt Tuning
AI大模型探索之路-训练篇19：大语言模型预训练-微调技术之Prefix Tuning
AI大模型探索之路-训练篇20：大语言模型预训练-常见微调技术对比
AI大模型探索之路-训练篇21：Llama2微调实战-LoRA技术微调步骤详解
AI大模型探索之路-训练篇22： ChatGLM3微调实战-从原理到应用的LoRA技术全解
目录
前言
在人工智能的广阔领域里，大语言模型（LLMs）的微调技术扮演着至关重要的角色。它不仅为模型注入了适应特定任务的能力，而且还是通往专业领域的关键。本文旨在深入探讨基于P-Tuning V2技术的ChatGLM3微调流程，这是一种将因果语言模型与对话优化相结合的优秀实践，我们希望借此引领读者深入了解大模型微调的内涵。
在上文中，我们详细介绍了基于LoRA技术微调ChatGLM3的操作过程。而本文将重点展示基于P-Tuning V2技术的微调过程。我们将采用GLM官方在github上提供的微调脚本进行高效微调，向大家展示一种更为简单便捷的微调方法。
一、服务器资源准备
首先，服务器资源准备是微调工作的基础。根据官方提供的显存占用说明，我们需配置相应数量的显卡资源。P-TuningV2微调所需的显存相对较少，仅需1张显卡即可展开工作。
以下是官方提供的显存的占用情况说明：
1)SFT 全量微调: 4张显卡平均分配，每张显卡占用 48346MiB 显存。
2)P-TuningV2 微调: 1张显卡，占用 18426MiB 显存。
3)LORA 微调: 1张显卡，占用 14082MiB 显存。
请注意，该结果仅供参考，对于不同的参数，显存占用可能会有所不同。请结合你的硬件情况进行调整。
二、下载ChatGLM3工程
接下来，克隆ChatGLM3工程并安装相关依赖，这一系列动作将构建起我们微调工作的基本环境。
1、下载工程
从github地址中下在ChatGLM3工程，工程中包含了很多测试的demo样例，包括微调样例
git clone https://github.com/THUDM/ChatGLM3.git
2、安装相关依赖
1）使用conda创建微调的虚拟环境
#创建虚拟环境
conda create -n ChatGLM3-6b-finetunning python=3.10#激活虚拟环境
conda activate ChatGLM3-6b-finetunning
#激活成功如下(ChatGLM3-6b-finetunning) root@autodl-container-90ee468393-1c276b30:~# #退出当前虚拟环境
conda deactivate
2）安装ChatGLM3依赖
ChatGLM3的finetune_demo目录下的requirements.txt都行需要执行
cd ChatGLM3
pip install-r requirements.txt
3）安装微调依赖
cd finetune_demo
pip install-r requirements.txt
执行如下：
三、下载ChatGLM3模型
本次微调主要基于ChatGLM3-6B对话模型进行微调（也是我们常规的大部分应用场景）
ChatGLM3-6B和ChatGLM-6B-Base 说明：
ChatGLM3-6B：这是一个对话调优的大语言模型，在ChatGLM-6B-Base的基础上进行了对话训练调优；它针对对话场景进行了特定的优化，使得其在处理对话式问答、指令跟随等需要与用户进行互动的场景时表现更加出色。这种优化可能包括使用对话数据集进行微调，从而更好地理解并回应用户的需求。
ChatGLM-6B-Base：是基础的大语言模型，它是构建其他特定应用模型的基础版本。作为一个基础模型，它提供了广泛的语言理解和生成能力，但没有针对特定场景如对话进行特别的优化。这意味着它在通用的语言任务上表现良好，但在对话场景下可能不如专门对话调优过的模型。
下载ChatGLM3-6B对话模型的相关权重文件
1、安装git-lfs
需要先安装Git LFS ，Ubuntu系统操作命令：
curl-s https://packagecloud.io/install/repositories/github/git-lfs/script.deb.sh |sudobashsudoapt-getinstall git-lfs
执行如下：
Centos命令参考： curl -s https://packagecloud.io/install/repositories/github/git-lfs/script.rpm.sh | sudo bash
sudo yum install git-lfs
2、执行：git lfs install
3、下载模型（模型权重相关文件）
在autodl-tmp下新建model用于放模型文件
git clone https://www.modelscope.cn/ZhipuAI/chatglm3-6b.git
4、检查权重文件
对比modelscope上的文件列表和文件的大小，检查是否下载完整
四、下载数据集
数据准备阶段，我们除了下载了专为对话场景优化的ChatGLM3-6B模型及其权重文件，并对数据集进行下载和格式转换。这一过程确保了我们拥有充足的训练样本和适配的数据结构，为接下来的微调奠定了坚实基础。
1、数据集下载
数据集地址：https://cloud.tsinghua.edu.cn/f/b3f119a008264b1cabd1/?dl=1
这是官方准备的数据集；下载处理好的 AdvertiseGen 数据集，将解压后的 AdvertiseGen 目录放到本目录的 /data/ 下, 例如：/root/ChatGLM3/finetune_demo/data/AdvertiseGen
数据格式如下：
我们需要进行数据格式转化，转为目标数据格式：
2、数据格式转化
执行如下python脚本，对数据格式进行处理
python translate_fomat.py
translate_fomat.py 放在/root/ChatGLM3/finetune_demo目录下
import json
from typing import Union
from pathlib import Path
def_resolve_path(path: Union[str, Path])-> Path:return Path(path).expanduser().resolve()def_mkdir(dir_name: Union[str, Path]):
dir_name = _resolve_path(dir_name)ifnot dir_name.is_dir():
dir_name.mkdir(parents=True, exist_ok=False)defconvert_adgen(data_dir: Union[str, Path], save_dir: Union[str, Path]):def_convert(in_file: Path, out_file: Path):
_mkdir(out_file.parent)withopen(in_file, encoding='utf-8')as fin:withopen(out_file,'wt', encoding='utf-8')as fout:for line in fin:
dct = json.loads(line)
sample ={'conversations':[{'role':'user','content': dct['content']},{'role':'assistant','content': dct['summary']}]}
fout.write(json.dumps(sample, ensure_ascii=False)+'\n')
data_dir = _resolve_path(data_dir)
save_dir = _resolve_path(save_dir)
train_file = data_dir /'train.json'if train_file.is_file():
out_file = save_dir / train_file.relative_to(data_dir)
_convert(train_file, out_file)
dev_file = data_dir /'dev.json'if dev_file.is_file():
out_file = save_dir / dev_file.relative_to(data_dir)
_convert(dev_file, out_file)
convert_adgen('data/AdvertiseGen','data/AdvertiseGen_fix')
3、数据格式检查
格式转化脚本执行完，在/root/ChatGLM3/finetune_demo/data下会新增AdvertiseGen_fix文件夹，包含转换后的文件，格式如下：
五、微调脚本说明
讲章节主要解了各配置文件的作用，包括数据配置、模型参数、优化器设置及训练监控等。这些配置细节对于理解微调流程和调整训练策略至关重要。通过修改配置文件，我们可以根据需要调整模型的训练行为，实现精确匹配项目需求的目标。
1、脚本说明（finetune_demo）
configs配置目录（包含多种微调的配置，支持LoRA、P-Tuning V2等微调）finetune_hf.py微调接口文件inference_hf.py推理接口文件
2、配置说明
微调配置文件位于 config 目录下，包括以下文件：
ds_zereo_2 / ds_zereo_3.json: deepspeed 配置文件。
lora.yaml / ptuning.yaml / sft.yaml: 模型不同方式的配置文件，包括模型参数、优化器参数、训练参数等。 部分重要参数解释如下：
1）data_config 部分
train_file: 训练数据集的文件路径。
val_file: 验证数据集的文件路径。
test_file: 测试数据集的文件路径。
num_proc: 在加载数据时使用的进程数量。
2）max_input_length: 输入序列的最大长度。
3）max_output_length: 输出序列的最大长度。
4）training_args 部分
output_dir: 用于保存模型和其他输出的目录。
max_steps: 训练的最大步数。
per_device_train_batch_size: 每个设备（如 GPU）的训练批次大小。
dataloader_num_workers: 加载数据时使用的工作线程数量。
remove_unused_columns: 是否移除数据中未使用的列。
save_strategy: 模型保存策略（例如，每隔多少步保存一次）。
save_steps: 每隔多少步保存一次模型。
log_level: 日志级别（如 info）。
logging_strategy: 日志记录策略。
logging_steps: 每隔多少步记录一次日志。
per_device_eval_batch_size: 每个设备的评估批次大小。
evaluation_strategy: 评估策略（例如，每隔多少步进行一次评估）。
eval_steps: 每隔多少步进行一次评估。
predict_with_generate: 是否使用生成模式进行预测。
5）generation_config 部分
max_new_tokens: 生成的最大新 token 数量。
6）peft_config 部分
peft_type: 使用的参数有效调整类型（如 LORA）。
task_type: 任务类型，这里是因果语言模型（CAUSAL_LM）。
7）Lora 参数：
r: LoRA 的秩。
lora_alpha: LoRA 的缩放因子。
lora_dropout: 在 LoRA 层使用的 dropout 概率
8）P-TuningV2 参数：
num_virtual_tokens: 虚拟 token 的数量。
六、模型微调
进入模型微调阶段，我们采用了命令行接口执行微调脚本，选择了P-Tuning V2作为微调策略，并指定了必要的参数如数据路径、模型地址和配置文件。此外，还展示了如何从中断点继续微调，这对于节省计算资源和时间成本具有显著意义。
1、模型微调
进入 finetune_demo目录
使用命令行进行高效微调,在configs下有多种微调的配置，我们使用 p-tuning v2进行微调；主要修改本地的/chatglm3-6b模型地址
cd finetune_demo
python finetune_hf.py data/AdvertiseGen_fix /root/autodl-tmp/model/chatglm3-6b configs/ptuning_v2.yaml
执行如下：
2、从保存点进行微调
如果按照上述方式进行训练，每次微调都会从头开始，如果你想从训练一半的模型开始微调，你可以加入第四个参数，这个参数有两种传入方式:
yes, 自动从最后一个保存的 Checkpoint开始训练
XX, 断点号数字 例 600 则从序号600 Checkpoint开始训练
例如，这就是一个从最后一个保存点继续微调的示例代码
cd finetune_demo
python finetune_hf.py data/AdvertiseGen_fix /root/autodl-tmp/model/chatglm3-6b configs/ptuning_v2.yaml yes
七、推理验证
最后，在推理验证环节，我们利用微调后的模型进行了实际推理，以检验微调效果。通过指定合适的prompt，可以引导模型生成符合预期的输出，进一步验证了微调模型在特定任务上的适用性。
使用微调的数据集进行推理（在 inference_hf.py 文件中有封装推理验证的接口）
1、修改模型地址
在完成微调任务之后，我们可以查看到 output 文件夹下多了很多个checkpoint-*的文件夹，这些文件夹代表了训练的轮数。 我们选择最后一轮的微调权重，并使用inference进行导入。
说明：对于 LORA 和 P-TuningV2 官方没有合并训练后的模型，而是在adapter_config.json 中记录了微调型的路径；因此需要先修改基础模型的地址，直接修改dapter_config.json中的基础模型地址（在adapter_config.json 中记录了微调型的路径，如果原始模型位置发生更改，要修改adapter_config.json中base_model_name_or_path的路径）。
注意、注意、注意: 如果没有adapter_config.json 不用修改了
inference_hf.py
from typing import Union, Path, Tuple # 导入所需的类型注解# 定义一个函数，它接受模型目录的路径和是否信任远程代码的标志，# 并返回一个包含模型和分词器的元组。defload_model_and_tokenizer(
model_dir: Union[str, Path],# 模型目录的路径，可以是字符串或Path对象。
trust_remote_code:bool=True# 是否信任远程代码的布尔值，默认为True。)->tuple[ModelType, TokenizerType]:# 返回值是一个元组，包含模型(ModelType)和分词器(TokenizerType)。# 使用内部函数_resolve_path解析model_dir参数，确保它是一个完整的文件系统路径。
model_dir = _resolve_path(model_dir)# 检查model_dir路径下是否存在名为adapter_config.json的文件。if(model_dir /'adapter_config.json').exists():# 如果存在adapter_config.json，加载适配器模型。
model = AutoPeftModelForCausalLM.from_pretrained(
model_dir,# 模型目录路径。
trust_remote_code=trust_remote_code,# 是否信任远程代码。
device_map='auto'# 设备映射设置为'auto'，自动决定如何将模型分配到设备上。)# 从模型的适配器配置中获取分词器目录。
tokenizer_dir = model.peft_config['default'].base_model_name_or_path
else:# 如果不存在adapter_config.json，加载标准的预训练模型。
model = AutoModelForCausalLM.from_pretrained(
model_dir,# 模型目录路径。
trust_remote_code=trust_remote_code,# 是否信任远程代码。
device_map='auto'# 设备映射设置为'auto'。)# 使用模型目录作为分词器目录。
tokenizer_dir = model_dir
# 加载与模型对应的分词器。
tokenizer = AutoTokenizer.from_pretrained(
tokenizer_dir,# 分词器目录。
trust_remote_code=trust_remote_code # 是否信任远程代码。)# 返回一个包含模型和分词器的元组。return model, tokenizer
检查训练输出
2、开始模型推理
python inference_hf.py output/checkpoint-3000/ --prompt"鱼尾裙"
根据内容可以看到，回答基本正确，响应结果都是来源于原数据集中的内容。
总结
通过本文的深度解析，我们希望读者能够洞察到大语言模型微调过程中的每一个关键步骤，从而更加自信地应对各种自然语言处理挑战。P-Tuning V2技术以其独特的优势，为ChatGLM3的对话能力提升提供了强大助力，标志着我们在人工智能对话系统领域又向前迈进了一大步。未来，随着技术的不断进步和创新，我们期待着更多突破性的成果，以推动人工智能与人类交流的界限不断拓宽。
🎯🔖更多专栏系列文章：AIGC-AI大模型探索之路
如果文章内容对您有所触动，别忘了点赞、⭐关注，收藏！加入我，让我们携手同行AI的探索之旅，一起开启智能时代的大门！
版权归原作者 寻道AI小兵 所有， 如有侵权，请联系我们删除。