【LLM大模型】Chatglm3微调教程

微调前期算力准备

大预言模型微调对于硬件有一定要求，如果硬件设备不达标，可以考虑远程炼丹，通过租借算力，达到自己训练的效果。

市面上提供GPU租赁的平台不少，比如国外的谷歌，vast.ai这种，可以薅资本主义羊毛。因为不花钱，必然多花精力和时间，看各种攻略，想各种办法突破限制。整体看来看来其实不划算，有那精力还是做点更有意义的事情，毕竟人的自由时间才是最大的财富。而国内的服务商，大厂的比如阿里、金山的都比较贵，相反，现在崛起的平价GPU云服务商价格更合适。

推荐的GPU资源：阿里云人工智能PAI，阿里天池实验室、Kaggle、Colab（以上GPU资源均有免费使用的机会）、AutoDL、Gpushare Cloud、Featurize、AnyGPU、阿里云（以上GPU均为付费资源，但基本常有折扣）

微调前期技术准备

大部分算力平台均可使用SSH远程连接，可在cmd中输入：

ssh root@ip地址

然后输入密码，注意，cmd中不会显示密码，直接输入正确密码即可，成功进入系统可以看到：

然后文件传输可以使用sftp，将模型部署到远端，就可以进行微调了。

推荐使用XTerminal可视化窗口，部署模型更加方便。

微调环境部署

微调模型还需要一些额外的环境，进入finetune_chatmodel_demo目录后，目录里还有一个微调所需要的环境文件requirements.txt，所以还需要执行：

pip install -r requirements.txt

微调数据集示例

作为示例，我们使用工作室自行制作的数据集来进行微调。从Google Drive或者Tsinghua Cloud下载处理好的 AdvertiseGen 数据集，将压缩文件AdvertiseGen.tar.gz放到微调文件夹目录（finetune_chatmodel_demo）下。

终端进入finetune_chatmodel_demo，也就是

进入finetune_chatmodel_demo文件夹

cd finetune_chatmodel_demo

解压AdvertiseGen.tar.gz文件

tar -xzf AdvertiseGen.tar.gz

自行制作的数据集可以跳过解压步骤，可以直接将预训练集放入AdvertiseGen文件夹中。

会获得一个解压文件AdvertiseGen.json，可以打开，看看未经处理的训练文件大致是什么样的：

然后，运行下图标注的这个脚本，直接终端运行

python ./scripts/format_advertise_gen.py --path “AdvertiseGen/AdvertiseGen.json”

如果chatglm3的自带format_advertise_gen.py文件运行出现bug，可以使用我们重新写过的方法：

#!/usr/bin/env python3

– coding: utf-8 –

import json

import jsonlines # 引入 jsonlines 库

from argparse import ArgumentParser

import os

parser = ArgumentParser()

parser.add_argument(“–path”, type=str, required=True)

args = parser.parse_args()

# 检查文件是否存在

if not os.path.exists(args.path):

print(f"Error: The file {args.path} does not exist.")

exit(1)

# 读取原始 JSON 文件

with open(args.path, ‘r’, encoding=‘UTF-8’) as f:

data = json.load(f)

train_examples = []

# 遍历数据，构建训练示例

for obj in data:

prompt = obj.get('content', '')  # 获取 content 字段，如果不存在则为空字符串

response = obj.get('summary', '')  # 获取 summary 字段，如果不存在则为空字符串

train_examples.append({

    "prompt": prompt,

    "response": response

})

# 确保输出目录存在

os.makedirs(“formatted_data”, exist_ok=True)

# 输出文件路径

output_file = os.path.join(“formatted_data”, “advertise_gen.jsonl”)#此处自定义路径

# 将训练示例写入 JSON Lines 格式的文件

with jsonlines.open(output_file, “w”) as writer:

writer.write_all(train_examples)

运行文件后，会生成一个formatted_data文件夹，文件夹里advertise_gen.jsonl，就是需要送入模型的微调文件，大致长这样：

微调环境、训练文件都准备好了，接下来还需要修改训练脚本，官方代码提供的信息已经很明确了，我们只需要修改BASE_MODEL_PATH=THUDM/chatglm3-6b成BASE_MODEL_PATH="你本地模型的保存路径"即可。

最后，我们启动模型微调，在终端直接输入：

./scripts/finetune_pt.sh

即可，开启微调，模型会自动打印微调日志。

参考显存用量

1.P-Tuning V2 PRE_SEQ_LEN=128, DEV_BATCH_SIZE=1, GRAD_ACCUMULARION_STEPS=16, MAX_SEQ_LEN=2048 配置下约需要 21GB 显存。

2.全量微调时，./scripts/finetune_ds_multiturn.sh 中的配置（MAX_SEQ_LEN=2048, DEV_BATCH_SIZE=16, GRAD_ACCUMULARION_STEPS=1）恰好用满 4 * 80GB 显存。

若尝试后发现显存不足，可以考虑

1.尝试降低 DEV_BATCH_SIZE 并提升 GRAD_ACCUMULARION_STEPS

2.尝试添加 --quantization_bit 8 或 --quantization_bit 4。

3.PRE_SEQ_LEN=128, DEV_BATCH_SIZE=1, GRAD_ACCUMULARION_STEPS=16, MAX_SEQ_LEN=1024 配置下，–quantization_bit 8 约需 12GB 显存，–quantization_bit 4 约需 7.6GB 显存。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​