/chatglm_finetuning

chatglm 6b finetuning and alpaca finetuning

Primary LanguagePython

4月12日 deep_training 0.1.2.post0 fix load_in_8bit in lora v1 , lora v2 .
4月11日 增加 lora v2 以及 adalora, 另外官方fix eos_token , 请更新tokenizer_config.json
4月10日 增加一直冻结前N层微调方式，根据需要修改models.py 变量 global_num_layers_freeze
4月07日 官方精简了词表和权重，配置已同步，建议重新下载权重信息 deep_training 最低要求 0.1.1
4月02日 增加p-tuning-v2训练, 建议训练前删除缓存数据 rm -rf output
3月29日 使得GPU更充分利用
3月28日 支持加载chatglm-6b-int4权重 (修改 对应配置文件quantization_bit 4 or 8)
3月27日 fix eos bugs
3月26日 增加三种数据策略，欢迎指正

注意事项 ！

dev 分支加一些新功能和想法 如果求稳定，请使用 stable-vocab130528 分支

1.安装

2.更新详情

3.深度学习常规任务例子

4.ChatGLM 预训练权重

5.数据示例

给出一种qa 数据示例 , 如果想跟母模型保持一致，可以参考https://huggingface.co/THUDM/chatglm-6b 数据组织结构.
单条数据示例1
{
    "id": 0, "paragraph": [
        #一轮会话
        {
            "q": "从南京到上海的路线",
            "a": [
                "你好，南京到上海的路线如下：",
                "1. 南京到上海，可以乘坐南京地铁1号线，在南京站乘坐轨道交通1号线。",
                "2. 南京到浦东机场，可以搭乘上海地铁1号，在陆家嘴站乘坐地铁1线，在浦东国际机场站乘坐机场快线，前往上海浦东国际机场。",
                "3. 上海到南京，可以换乘上海地铁2号线，从南京站换乘地铁2线，再从南京南站换乘地铁1路，然后到达上海站"
            ]
        }
        #二轮....
    ]
}
单条数据示例2
{"id": 0, "paragraph": [

    {
        "q": "写一个诗歌，关于冬天",
        "a": [
            "冬夜寂静冷，",
             "云在天边飘，", "冰封白雪上， ", "寒冷像一场雪。",
             " ",
             "雪花融化成冰，",
             "像那雪花飘洒，",
             "在寒冷的冬天，",
             "感受春天的喜悦。",
             " 冬日里，",
             "风雪渐消，",
             "一片寂静，",
             "把快乐和温暖带回家。"
        ]
    }
    ]
}

6.生成训练record

python data_utils.py

注:
num_process_worker 为多进程制作数据 ， 如果数据量较大 ， 适当调大至cpu数量
dataHelper.make_dataset_with_args(data_args.train_file,mixed_data=False, shuffle=True,mode='train',num_process_worker=0)

7.推理

# infer.py 推理预训练模型
# infer_finetuning.py 推理微调模型
# infer_lora_finetuning.py 推理微调模型
 python infer.py

硬件需求

量化等级 最低 GPU 显存
FP16（无量化） 13 GB
INT8 10 GB
INT4 6 GB

inference

8.训练

支持4种微调方式
    1. 冻结 N 层 修改models.py global_num_layers_freeze
    1. ptuning v2
    1. lora
    1. 正常微调

    训练精度 可以修改 config.json precision 16 32 如果优化器不是lion ,可以尝试将config/config.json precision 改为32 ，然后修改 train.py Trainner 添加参数 precision=16 或者precision='bf16' python train.py

是否开启lora finetuning

with_lora

是否开启ptuning v2

对于 deepspeed模式 , ptuning v2  只支持 stage 0
修改对应配置文件
"pre_seq_len": 32,
"prefix_projection": false

int高效训练方式

  1. p-tuning-v2 使用chatglm-6b-int4 权重 ，配置文件quantization_bit=4
  2. lora int8 配置文件quantization_bit=0，使用官方标准float 16权重文件，修改modes.py load_in_8bit = True 修改data_utils.py 对应with_lora=True 注意 lora int8 多卡训练 CUDA_VISIBLE_DEVICES=显卡数量 和 data_utils.py devices 保持一致，否则容易出故障 ， 建议使用 CUDA_VISIBLE_DEVICES=显卡数量 python train.py

11.是否开启deepspeed

启动则将data_utils.py  修改 enable_deepspeed 
lora 模式暂时不支持deepspeed

12. Reference

https://github.com/THUDM/ChatGLM-6B