ChatGLM2

ChatGLM2

文章目录

• • 一、ChatGLM-6B
  • 二、ChatGLM2-6B
  • 三、本地部署ChatGLM2-6B
  • • 3.1 命令行模式
    • 3.2 网页版部署
    • 3.3 本地加载模型权重
    • 3.4 模型量化
    • 3.5 CPU部署
    • 3.6 多卡部署
  • 四、P-tuning v2微调教程
  • • 4.1 P-tuning v2 原理
    • 4.2 P-tuning v2微调实现
    • • 4.2.1 安装依赖，下载数据集
      • 4.2.2 开始训练
      • 4.2.3 训练效果对比
      • 4.2.4 推理
  • 五、 全参数微调（Finetune）

• bilibili视频《ChatGLM2-6B 部署与微调》、视频课件
• ChatGLM2-6B开源地址、官方博客、智谱清言

一、ChatGLM-6B

《LLMs模型速览（GPTs、LaMDA、GLM/ChatGLM、PaLM/Flan-PaLM、BLOOM、LLaMA、Alpaca）》

• GLM：一种基于Transformer架构进行改进的通用预训练框架，GLM将不同任务的预训练目标统一为自回归填空任务(Autoregressive Blank Infilling)，使得模型在自然语言理解和文本生成方面性能都有所改善。
  

• GLM-130B：于2022年8月由清华智谱AI开源放出。该大语言模型基于之前提出的GLM(General Language Model)，在Norm处理、激活函数、Mask机制等方面进行了调整，目的是训练出开源开放的高精度千亿中英双语稠密模型，能够让更多研发者用上千亿模型。

• ChatGLM: 基于GLM-130B，引入面向对话的用户反馈，进行指令微调后得到的对话机器人。ChatGLM解决了大基座模型在复杂问题、动态知识、人类对齐场景的不足。ChatGLM于2023年3月开启申请内测，目前暂停了公开申请。

• ChatGLM-6B：由于ChatGLM千亿参数版本暂未公开，为了与社区一起更好地推动大模型技术的发展，清华团队于2023.3开源了62亿参数版本的ChatGLM-6B。结合模型量化技术，用户可以在消费级的显卡上进行本地部署。

该版本具有以下特点：

• 充分的中英双语预训练： ChatGLM-6B 在 1:1 比例的中英语料上训练了 1T 的 token 量，兼具双语能力。
• 优化的模型架构和大小： 吸取 GLM-130B 训练经验，修正了二维 RoPE 位置编码实现，使用传统FFN结构。6B（62亿）的参数大小，也使得研究者和个人开发者自己微调和部署 ChatGLM-6B 成为可能。
• 较低的部署门槛： FP16 半精度下，ChatGLM-6B 需要至少 13GB 的显存进行推理，结合模型量化技术，这一需求可以进一步降低到 10GB（INT8） 和 6GB（INT4）， 使得 ChatGLM-6B 可以部署在消费级显卡上。
• 更长的序列长度： 相比 GLM-10B（序列长度1024），ChatGLM-6B 序列长度达 2048，支持更长对话和应用。
• 人类意图对齐训练： 使用了监督微调（Supervised Fine-Tuning）、反馈自助（Feedback Bootstrap）、人类反馈强化学习（Reinforcement Learning from Human Feedback） 等方式，使模型初具理解人类指令意图的能力。输出格式为 markdown，方便展示。

有关GLM、GLM130B、ChatGLM模型原理、结构、效果的更详细介绍，请参考《LLMs模型速览（GPTs、LaMDA、GLM/ChatGLM、PaLM/Flan-PaLM、BLOOM、LLaMA、Alpaca）》第三章。

二、ChatGLM2-6B

参考：《ChatGLM2-6B：性能大幅提升，8-32k上下文，推理提速42%》

清华KEG和数据挖掘小组（THUDM）在2023.06.25发布了中英双语对话模型ChatGLM2-6B，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：

• 基座模型升级，性能更强大。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。
• 支持8K-32k的上下文。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。
• 推理性能提升了42%。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。
• 更开放的协议：ChatGLM2-6B 权重对学术研究完全开放，在获得官方的书面许可后，亦允许商业使用。
  

三、本地部署ChatGLM2-6B

3.1 命令行模式

git clone 
cd ChatGLM2-6B
pip install -r requirements.txt
python cli_demo.py

本地部署后运行 cli_demo.py，就会看到下面的原始界面

3.2 网页版部署

可以通过以下命令启动基于 Gradio 的网页版 demo：

python web_demo.py

也可以通过以下命令启动基于 Streamlit 的网页版 demo：

streamlit run web_demo2.py

推理参数设置：

3.3 本地加载模型权重

默认情况下，会从huggingface自动下载模型权重，例如：

>>> from transformers import AutoTokenizer, AutoModel
>>> tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm2-6b", trust_remote_code=True)
>>> model = AutoModel.from_pretrained("THUDM/chatglm2-6b", trust_remote_code=True, device='cuda')
>>> model = model.eval()
>>> response, history = model.chat(tokenizer, "你好", history=[])
>>> print(response)
你好👋!我是人工智能助手 ChatGLM2-6B,很高兴见到你,欢迎问我任何问题。
>>> response, history = model.chat(tokenizer, "晚上睡不着应该怎么办", history=history)
>>> print(response)
晚上睡不着可能会让你感到焦虑或不舒服,但以下是一些可以帮助你入睡的方法:1. 制定规律的睡眠时间表:保持规律的睡眠时间表可以帮助你建立健康的睡眠习惯,使你更容易入睡。尽量在每天的相同时间上床,并在同一时间起床。
2. 创造一个舒适的睡眠环境:确保睡眠环境舒适,安静,黑暗且温度适宜。可以使用舒适的床上用品,并保持房间通风。
3. 放松身心:在睡前做些放松的活动,例如泡个热水澡,听些轻柔的音乐,阅读一些有趣的书籍等,有助于缓解紧张和焦虑,使你更容易入睡。
4. 避免饮用含有咖啡因的饮料:咖啡因是一种刺激性物质,会影响你的睡眠质量。尽量避免在睡前饮用含有咖啡因的饮料,例如咖啡,茶和可乐。
5. 避免在床上做与睡眠无关的事情:在床上做些与睡眠无关的事情,例如看电影,玩游戏或工作等,可能会干扰你的睡眠。
6. 尝试呼吸技巧:深呼吸是一种放松技巧,可以帮助你缓解紧张和焦虑,使你更容易入睡。试着慢慢吸气,保持几秒钟,然后缓慢呼气。如果这些方法无法帮助你入睡,你可以考虑咨询医生或睡眠专家,寻求进一步的建议。

如果网速太慢，也可以从本地加载模型：

# 从Huggingface上下载模型权重
git clone 

你可以也可以从清华云盘下载模型权重。

下载的文件需放到本地的 chatglm2-6b 目录下，然后修改以下代码，以从本地加载模型：

模型的实现仍然处在变动中。如果希望固定使用的模型实现以保证兼容性，可以在 from_pretrained 的调用中增加 revision="v1.0" 参数。v1.0 是当前最新的版本号，完整的版本列表参见 Change Log。

3.4 模型量化

  默认情况下，模型以 FP16 精度加载，运行上述代码需要大概 13GB 显存。如果你的 GPU 显存有限，可以尝试以量化方式加载模型，使用方法如下：

model = AutoModel.from_pretrained("THUDM/chatglm2-6",trust_remote_code=True).quantize(8).cuda()

如果内存不够，可以直接加载量化后的模型：

model = AutoModel.from_pretrained("THUDM/chatglm2-6b-int4",trust_remote_code=True).cuda()

  对话越长，内存和显存的要求也越高。所以对于加载一篇paper或者小说，6B是不够的。在资源确实有限的时候，可以在做完一次有目的的对话后，重启webui，或者清除对话历史，节约资源。

3.5 CPU部署

  如果你没有 GPU 硬件的话，也可以在 CPU 上进行推理，但是推理速度会更慢。使用方法如下（需要大概 32GB 内存）

model = AutoModel.from_pretrained("THUDM/chatglm2-6b", trust_remote_code=True).float()

如果你的内存不足的话，也可以使用量化后的模型

model = AutoModel.from_pretrained("THUDM/chatglm2-6b-int4",trust_remote_code=True).float()

3.6 多卡部署

如果你有多张 GPU，但是每张 GPU 的显存大小都不足以容纳完整的模型，那么可以将模型切分在多张GPU上。首先安装 accelerate: pip install accelerate，然后通过如下方法加载模型：

from utils import load_model_on_gpus
model = load_model_on_gpus("THUDM/chatglm2-6b", num_gpus=2)		# num_gpus 表示使用的GPU 数

四、P-tuning v2微调教程

ChatGLM2-6B 的部署与微调教程

4.1 P-tuning v2 原理

更多详情，请参考《大模型高效微调综述上：Adapter Tuning、AdaMix、PET、Prefix-Tuning、Prompt Tuning、P-tuning、P-tuning v2》3.2.5章节

4.2 P-tuning v2微调实现

  P-Tuning v2 将需要微调的参数量减少到原来的 0.1%，再通过模型量化、Gradient Checkpoint 等方法，最低只需要 7GB 显存即可运行。下面以 ADGEN (广告生成) 数据集为例介绍代码的使用方法。

4.2.1 安装依赖，下载数据集

# 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 transformers[torch] -i /

  接着从 Google Drive 或者 Tsinghua Cloud 下载处理好的 ADGEN 数据集，将解压后的 AdvertiseGen 目录放到 ptuning 目录下。

%cd ptuning
!wget .tar.gz
# 检查数据集
!ls -alh AdvertiseGen

total 52M
drwxr--r-- 2 mw users 4.0K Jul  7 09:22 .
drwxr-xr-x 3 mw users 4.0K Jul  7 09:22 ..
-rw-r--r-- 1 mw users 487K Jul  7 09:22 dev.json
-rw-r--r-- 1 mw users  52M Jul  7 09:22 train.json

  ADGEN 数据集任务为根据输入（content）生成一段广告词（summary），其格式为json string的格式，例如：

{    "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。"    
}

4.2.2 开始训练

运行ptuning 目录下的train.sh脚本，即可开始训练：

# train.shPRE_SEQ_LEN=128
LR=2e-2
NUM_GPUS=1torchrun --standalone --nnodes=1 --nproc-per-node=$NUM_GPUS main.py \--do_train \									# 训练模式--train_file AdvertiseGen/train.json \			# 训练集路径--validation_file AdvertiseGen/dev.json \		# 评估集路径--preprocessing_num_workers 10 \				# 线程数--prompt_column content \						# prompt的字段，对应ADGEN数据集中的content--response_column summary \						# response的字段，对应ADGEN数据集中的summary--overwrite_cache \--model_name_or_path path/to/chatglm2_6b \		# 模型名称/路径--output_dir output/adgen-chatglm2-6b-pt-$PRE_SEQ_LEN-$LR \--overwrite_output_dir \--max_source_length 64 \						# 最大输入长度--max_target_length 128 \						# 最大输出长度，太短的话ChatGLM的表达有限--per_device_train_batch_size 1 \				# 训练的batch_size--per_device_eval_batch_size 1 \--gradient_accumulation_steps 16 \				# 梯度累积步数--predict_with_generate \--max_steps 3000 \								# 总步数--logging_steps 10 \							--save_steps 1000 \								# 每隔1000步保存一次模型--learning_rate 2e-2 \							# 学习率--pre_seq_len 128 \								# P-tuning v2中soft prompt的长度，可以进行调节以取得最佳的效果。不设置则为全量微调--quantization_bit 4							# 量化等级，不加此选项则为 FP16 精度加载

  默认配置为 quantization_bit=4,per_device_train_batch_size=1,gradient_accumulation_steps=16 ，此时为INT4 量化模型，且每次训练会以 1 的批处理大小进行 16 次累加的前后向传播（batch_size=1，累积16次才进行梯度回传，更新参数），等效为 16 的总批处理大小，此时最低只需 6.7G 显存。若想在提升训练效率，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。

  在训练完之后，我们只保存prefix encoder的参数，而不是整个模型。prefix encoder的参数在output_dir 下的checkpoint文件可以找到，其类型为pytorch_model.bin文件，大小只有一百多兆。

  colab上内存不够只能跑int模型，batch_size可以设为16。设为8的时候跑300steps用了50min（GPU为T4）

4.2.3 训练效果对比

# 使用 Markdown 格式打印模型输出
from IPython.display import display, Markdown, clear_outputdef display_answer(model, query, history=[]):for response, history in model.stream_chat(tokenizer, query, history=history):clear_output(wait=True)display(Markdown(response))return history

# 加载模型
model_path = "chatglm2_6b"from transformers import AutoTokenizer, AutoModel
# 载入Tokenizer
tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)# 加载微调前的模型
model = AutoModel.from_pretrained(model_path, trust_remote_code=True).half().cuda()
model = model.eval()display_answer(model, "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")

上衣材质为牛仔布，颜色为白色，风格为简约，图案为刺绣，衣款式为外套，衣样式为破洞。

# 微调后
import os
import torch
from transformers import AutoConfigconfig = AutoConfig.from_pretrained(model_path, trust_remote_code=True, pre_seq_len=128)
model = AutoModel.from_pretrained(model_path, config=config, trust_remote_code=True)# 设定prefix_encoder 的路径，CHECKPOINT_PATH为刚刚output_dir 路径下的checkpoint文件
prefix_state_dict = torch.load(os.path.join("./output/adgen-chatglm2-6b-pt--/checkpoint-300", "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)# 以下代码如果不需要量化可以注释掉
model = model.quantize(4)
model = model.half().cuda()
model.transformer.prefix_encoder.float()
model = model.eval()display_answer(model, "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")

这款牛仔外套采用经典白色，简约大方，不规则的破洞设计，打破单调，更显个性，白色与牛仔布色搭配，时尚有型。精致的刺绣图案，细节感十足，衬托出女性独特的气质。

4.2.4 推理

如果需要获取多个需求的响应，手动输入太慢了，此时可以运行以下代码进行推理：

PRE_SEQ_LEN=128
CHECKPOINT='adgen-chatglm2-6b-pt-128-2e-2'
STEP=300!python main.py \--do_predict \--validation_file AdvertiseGen/dev.json \--test_file AdvertiseGen/dev.json \--overwrite_cache \--prompt_column content \--response_column summary \--model_name_or_path /content/drive/MyDrive/LLMs/ChatGLM2-6B/ptuning/chatglm2-6b-int4 \--ptuning_checkpoint ./output/$CHECKPOINT/checkpoint-$STEP \--output_dir ./output/$CHECKPOINT \--overwrite_output_dir \--max_source_length 64 \--max_target_length 64 \--per_device_eval_batch_size 64 \--predict_with_generate \--pre_seq_len $PRE_SEQ_LEN \--quantization_bit 4

五、 全参数微调（Finetune）

如果需要进行全参数的 Finetune，需要安装 Deepspeed，然后运行以下指令：

bash ds_train_finetune.sh

# ds_train_finetune.shLR=1e-4
MASTER_PORT=$(shuf -n 1 -i 10000-65535)deepspeed --num_gpus=4 --master_port $MASTER_PORT main.py \--deepspeed deepspeed.json \--do_train \--train_file AdvertiseGen/train.json \--test_file AdvertiseGen/dev.json \--prompt_column content \--response_column summary \--overwrite_cache \--model_name_or_path THUDM/chatglm2-6b \--output_dir ./output/adgen-chatglm2-6b-ft-$LR \--overwrite_output_dir \--max_source_length 64 \--max_target_length 64 \--per_device_train_batch_size 4 \--per_device_eval_batch_size 1 \--gradient_accumulation_steps 1 \--predict_with_generate \--max_steps 5000 \--logging_steps 10 \--save_steps 1000 \--learning_rate $LR \--fp16

  相比之下，就是batch_size、学习率等训练参数有些变化，并且没有设置pre_seq_len参数。另外全量微调对硬件要求较高：