手把手带你微调一个自己的 ChatGLM2-6B 模型

ChatGLM2 6B 介绍ChatGLM2 6B 介绍

ChatGLM2-6B 是开源中英双语对话模型 ChatGLM-6B 的第二代版本，在保留了初代模型对话流畅、部署门槛较低等众多优秀特性的基础之上，ChatGLM2-6B 引入了如下新特性：

o 

• 更强大的性能：基于 ChatGLM 初代模型的开发经验，我们全面升级了 ChatGLM2-6B 的基座模型。ChatGLM2-6B 使用了 GLM 的混合目标函数，经过了 1.4T 中英标识符的预训练与人类偏好对齐训练，评测结果显示，相比于初代模型，ChatGLM2-6B 在 MMLU（+23%）、CEval（+33%）、GSM8K（+571%） 、BBH（+60%）等数据集上的性能取得了大幅度的提升，在同尺寸开源模型中具有较强的竞争力。

o 

o 

• 更长的上下文：基于 FlashAttention 技术，我们将基座模型的上下文长度（Context Length）由 ChatGLM-6B 的 2K 扩展到了 32K，并在对话阶段使用 8K 的上下文长度训练，允许更多轮次的对话。但当前版本的 ChatGLM2-6B 对单轮超长文档的理解能力有限，我们会在后续迭代升级中着重进行优化。

o 

o 

• 更高效的推理：基于 Multi-Query Attention 技术，ChatGLM2-6B 有更高效的推理速度和更低的显存占用：在官方的模型实现下，**推理速度相比初代提升了 42%**，INT4 量化下，6G 显存支持的对话长度由 1K 提升到了 8K。

o 

o 

• 更开放的协议：ChatGLM2-6B 权重对学术研究完全开放，在填写问卷进行登记后亦允许免费商业使用。

o 

硬件环境

我这里使用了阿里云的 GPU 服务器：

o 

• 12核(vCPU) 92 GiB

o 

o 

• NVIDIA V100

o 

Nvidia 驱动

阿里云服务器可能没有安装驱动（取决于你选的镜像）。

可以用nvidia-smi命令测试一下。

安装驱动：

apt update
apt install nvidia-utils-510-server -y
apt install nvidia-driver-525 nvidia-dkms-525 -y

检查驱动：

nvidia-smi

看到如下输出即可：

Python 环境

环境运行环境首选 conda，也是我最喜欢的 Python 包管理器。

创建一个 conda 环境，名称为 chatglm_etuning：

conda create -n chatglm_etuning python=3.10
conda activate chatglm_etuning

代码下载

git clone https://github.com/hiyouga/ChatGLM-Efficient-Tuning.git
cd ChatGLM-Efficient-Tuning

依赖安装

pip install -r requirements.txt

使用 Python 代码 测试 PyTorch：

import torch
torch.cuda.get_device_name()

下载模型

如果您的网络良好，可以跳过该步骤，直接在运行程序的时候从 HuggingFace Hub 上下载。

下载地址为：

o 

• https://huggingface.co/THUDM/chatglm2-6b/tree/main

o 

ChatGLM2 6B 有大约十几个G 的模型文件：

下载好的模型放置到任意目录。

测试原始模型

执行如下代码测试原始模型：

python src/cli_demo.py --model_name_or_path THUDM/chatglm2-6b

如果网络不好，你也可以下载好模型然后指定模型位置，比如：

python src/cli_demo.py --model_name_or_path ~/.cache/huggingface/hub/models--THUDM--chatglm2-6b/snapshots/0ecfe0b857efd00836a4851b3dd2ed04bd4b197f

准备数据集

我们这次训练知识简单做一下 demo，所以不进行大量数据的训练，只使用他原有的文件调整下认知即可。

修改训练数据 data/self_cognition.json：

训练

命令行

我们现在执行训练脚本来训练程序

CUDA_VISIBLE_DEVICES=0 python src/train_bash.py \
    --stage sft \
    --model_name_or_path THUDM/chatglm2-6b \
    --do_train \
    --dataset self_cognition \
    --finetuning_type lora \
    --output_dir path_to_sft_checkpoint \
    --per_device_train_batch_size 4 \
    --gradient_accumulation_steps 4 \
    --lr_scheduler_type cosine \
    --logging_steps 10 \
    --save_steps 1000 \
    --learning_rate 1e-3 \
    --num_train_epochs 20.0 \
    --fp16

不到一分钟我们就能看到训练结束了：

Web UI 训练

当然我们也可以使用 Web UI 来执行训练命令：

python src/train_web.py --listen --share

看到界面：

设置参数，然后点击开始训练：

我们可以在 UI 上看到日志：

测试

训练结束，测试下我们的训练结果：

python src/cli_demo.py \
    --model_name_or_path THUDM/chatglm2-6b \
    --checkpoint_dir path_to_sft_checkpoint

可以看到我们的训练数据已经对模型产生了影响：

导出微调模型

目前为止，我们还只是 LoRA 模型，需要和原始模型一起才能使用。

现在我们把模型合并：

python src/export_model.py \
    --model_name_or_path THUDM/chatglm2-6b \
    --checkpoint_dir path_to_sft_checkpoint \
    --output_dir path_to_export

使用默认的配置，看到运行成功。

...
[INFO|tokenization_utils_base.py:2194]  19:18:12,144 >> tokenizer config file saved in path_to_export/tokenizer_config.json
[INFO|tokenization_utils_base.py:2201]  19:18:12,144 >> Special tokens file saved in path_to_export/special_tokens_map.json
model and tokenizer have been saved at: path_to_export

查看下模型文件：

ll path_to_export/

出自：https://mp.weixin.qq.com/s/6VnyTYb_0Lkha1ckd5ny2Q

如果你想要了解关于智能工具类的内容，可以查看 智汇宝库，这是一个提供智能工具的网站。
在这你可以找到各种智能工具的相关信息，了解智能工具的用法以及最新动态。