ChatGLM_LoRA_zh

在ChatGLM大模型上利用LoRA方法进行小参数学习，训练语料库选择中文的alpaca-zh

本仓库是使用LoRA复现清华大学+智谱AI的ChatLM语言模型结果的代码。大部分参考ChatGLM-Tuning，感谢大佬

Paper:

LoRA

GLM

GLM-130B

一、确认环境

bitsandbytes==0.37.0

accelerate==0.17.1

protobuf>=3.19.5,<3.20.1

transformers==4.27.1

icetk

cpm_kernels==1.0.11

torch>=1.13.1

tensorboard

datasets==2.10.1

git+https://github.com/huggingface/peft.git # 最新版本 >=0.3.0.dev0

或者直接进入工程目录，pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt

另：CUDA版本11.3（建议>11.6），python版本3.8，显卡3090-24G

二、将项目克隆到本地

三、数据预处理

3.1 将data/alpaca-zh.json转化为jsonl格式

python cover_alpaca2jsonl.py --data_path data/alpaca-zh.json --save_path data/alpaca-zh.jsonl

3.2分词

python tokenize_dataset_rows.py --jsonl_path data/alpaca-zh.jsonl --save_path data/alpaca-zh --max_seq_length 200

其中

• --jsonl_path 微调的数据路径, 格式jsonl, 对每行的['context']和['target']字段进行encode
• --save_path 输出路径
• --max_seq_length 样本的最大长度

四、下载GLM模型（视网络情况选择）

若网络情况良好，请直接使用：

tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True)
model = AutoModel.from_pretrained("THUDM/chatglm-6b", load_in_8bit=True, trust_remote_code=True, device_map="auto")

会自动开始下载模型，下载完的模型会放在~/.cache/huggingface中

若网络情况不佳，可以手动下载模型，并修改model和tokenizer的路径 从THUDM/chatglm-6b上下载所有的模型文件放到glm_models文件夹中，约13.5GB，请预留足够的磁盘空间。

tokenizer = AutoTokenizer.from_pretrained("./glm_models", trust_remote_code=True)
model = AutoModel.from_pretrained("./glm_models", load_in_8bit=True, trust_remote_code=True, device_map="auto")

五、开始Fine-tune

python finetune.py --dataset_path data/alpaca-zh --lora_rank 8 --per_device_train_batch_size 6 --gradient_accumulation_steps 1 --max_steps 20380 --save_steps 1000 --save_total_limit 2 --learning_rate 1e-4 --fp16 --remove_unused_columns false --logging_steps 50 --output_dir output

大概训练需要10个小时左右，训练完成后，会在output文件夹下生成output/adapter_model.bin文件，如果想跳过训练步骤，可以直接使用这个文件进行推理。

六、推理

请执行infer.ipynb

推理结果

七、低成本部署

model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).quantize(4).half().cuda()

或者

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

量化等级	最低 GPU 显存（推理）	最低 GPU 显存（高效参数微调）
FP16（无量化）	13 GB	14 GB
INT8	8 GB	9 GB
INT4	6 GB	7 GB