文章目录
chatglm文本生成入门级教程,其中原理性不在赘述,实操如下:
一. 虚拟环境创建
- 建立虚拟环境
conda create -n xxx python==x.x
其中xxx为你要建立的虚拟环境的名字,自定义即可。python
x.x为这个环境要使用的python版本。比如建立使用python3.8版本的名字为py38的虚拟环境:conda create -n py38 python
3.8
2. 激活环境
conda activate xxx
其中xxx为(1)中xxx,即虚拟环境名称。比如:conda activate py38
3. 进入虚拟环境后,
安装所需的包
,如果网速慢,可以用阿里源或是豆瓣等
例如
pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
其他所需命令:
退出当前虚拟环境
:conda deactivate
下述命令在退出当前虚拟环境才能用:
删除环境
:conda remove -n xxx --all
查看现有虚拟环境
:conda env list
查看环境中的包
:conda list
建立虚拟环境conda create -n xxx python==x.x安装报错:
解决办法:
conda config --show-sources
修改文件为:
ssl_verify: True
channels:
4. http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/win-64/
5. http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64
6. default
7. conda-forge
show_channel_urls: True
原有
channels:
8. https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
9. https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
10. defaults
show_channel_urls: true
查看gpu使用情况
:
nvidia-smi
二. chatglm-6b模型文件下载
一般是进入huggingface官网下载,但目前官网进不去
- 进入虚拟环境
- 安装依赖:pip install -U huggingface_hub
- export HF_ENDPOINT=https://hf-mirror.com
- huggingface-cli download --resume-download --local-dir-use-symlinks False bigscience/bloom-560m --local-dir bloom-560m
其中bigscience/bloom-560m是需要下载的模型,local-dir是要下载到的本地路径
5. 可以链接到huggingface官网,查看模型文件、model使用
等
6. 清华源模型文件下载地址(只包含bin文件,其他配置没有)
7. 或者使用
modelscope
下载
三. chatglm-6b源代码下载
一般要去github上下载,目前同样进不去
git clone https://gitcode.com/THUDM/ChatGLM2-6B.git
或者进入gitcode网站下载
四. 安装模型依赖
下载源代码后,会生成一个chatglm-6b的路径
cd chatglm-6b
pip install -r requirements.txt
五. chat体验
修改web_demo.py中的模型文件路径,修改为自己的文件路径
tokenizer = AutoTokenizer.from_pretrained("xxx/chatglm2-6b-32k", trust_remote_code=True)
model = AutoModel.from_pretrained("xxx/chatglm2-6b-32k", trust_remote_code=True).half().cuda()
CUDA_VISIBLE_DEVICES=5 python web_demo.py,即可完成对话
六. 微调
- 下载微调数据集:
微调数据集下载 - 安装依赖:
pip install rouge_chinese nltk jieba datasets
- cd ptuning
- 修改 train.sh
PRE_SEQ_LEN=128
LR=2e-2
NUM_GPUS=1
#修改为以下命令,使用哪张卡进行训练
#torchrun --standalone --nnodes=1 --nproc-per-node=$NUM_GPUS main.py \
CUDA_VISIBLE_DEVICES=2 python main.py \
--do_train \
--train_file /home/bxy/zw/data/train.json \ #修改训练数据验证数据
--validation_file /home/bxy/zw/data/dev.json \
--preprocessing_num_workers 10 \
--prompt_column content \ #修改数据集中的内容列名称
--response_column summary \ #修改数据集中的label列名称
--overwrite_cache \ #是否数据重新读入缓存,训练数据改变后要有此参数
--model_name_or_path /homebak/home_new/baixinyu/llm/chatglm2-6b-32k \ #模型路径
--output_dir output/adgen-chatglm2-6b-pt-$PRE_SEQ_LEN-$LR \ #输出模型路径
--overwrite_output_dir \
--max_source_length 64 \ #content中的token不能超出
--max_target_length 128 \
--per_device_train_batch_size 1 \
--per_device_eval_batch_size 1 \
--gradient_accumulation_steps 16 \
--predict_with_generate \
--max_steps 3000 \
--logging_steps 10 \
--save_steps 1000 \
--learning_rate $LR \
--pre_seq_len $PRE_SEQ_LEN \
--quantization_bit 4
- 执行脚本:
bash train.sh
- 训练完成后,修改evaluate.sh,完成模型评估,详情修改和train.sh大致一样
- 其中按照实际业务情况,需修改main.py函数
- 微调完成后,会在output文件保存微调后的模型
七. 使用原始模型进行文本对话生成
from transformers import AutoTokenizer, AutoModel
import pandas as pd
import numpy as np
import json
#读入测试数据
input_data_path = 'xxx.json'
input_data = []
with open(input_data_path, 'r', encoding='utf-8') as f:
input_data = f.readlines()
contents = []
summarys = []
for line in input_data:
line_dict = json.loads(line.strip('\\n'))
contents.append(line_dict['content'])
summarys.append(line_dict['summary'])
# 模型加载
tokenizer = AutoTokenizer.from_pretrained("原始模型路径/chatglm2-6b", trust_remote_code=True)
model = AutoModel.from_pretrained("原始模型路径/chatglm2-6b", trust_remote_code=True).half().cuda()
model = model.eval()
summary_generate = []
for content in contents:
response, history = model.chat(tokenizer, content, history=[])
print("提示词:", content)
print("文本生成:", response)
summary_generate .append(response)
# 文件保存 ,可以将提示词和生成文本进行文件保存
八. 使用微调后模型进行文本对话生成
import torch, os
from transformers import AutoConfig, AutoModel, AutoTokenizer
import pandas as pd
#加载微调后的模型
MODEL_PATH = "原始模型路径"
CHECKPOINT_PATH = "微调后的模型路径(output中的路径)"
pre_seq_len = 128
tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH, trust_remote_code=True)
config = AutoConfig.from_pretrained(MODEL_PATH, trust_remote_code=True, pre_seq_len=pre_seq_len)
model = AutoModel.from_pretrained(MODEL_PATH, config=config, trust_remote_code=True)
prefix_state_dict = torch.load(os.path.join(CHECKPOINT_PATH, "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)
# Comment out the following line if you don't use quantization
model = model.quantize(4)
model = model.half().cuda()
model.transformer.prefix_encoder.float()
model = model.eval()
#读取数据
#模型对话
代码和以上一致,只是model替换为微调后的model