【大模型微调】ChatGLM3-6B模型分析

ChatGLM3是清华、智谱2023年开源的一款大模型。ChatGLM3-6B模型代码，目前还在研读中，尚未全部读完。

图1为ChatGLM3-6B模型简图，其结构基于Transformer Encoder架构的Encoder，大体上与BERT架构类似。ChatGLM3实现模型架构时，已预置支持P-tuning v2微调结构，图7中的PrefixEncoder，负责将若干Prefix Tokens映射到各GLM Block层的输入层，并与上一个GLM Block层的输出结合为当前GLM Block层的输入。后续各落地场景数据，只需通过P-tuning v2微调Prefix encoder即可。

图1 ChatGLM3-6B模型简图

1、算法论文及代码

• 论文

《General Language Model Pretraining with Autoregressive Blank Infilling》

https://arxiv.org/pdf/2103.10360

• 代码

https://modelscope.cn/models/ZhipuAI/chatglm3-6b/files

2、P tuning-v2微调机制

ChatGLM3模型内置支持P-tuning v2微调，图7中最左边一列始从Prefix tokens，然后自底向上Prefix Embedding X，这条支线是为后续微调ChatGLM3大模型，预置的微调结构。

   图2以第X层GLM Block为例，更为详细地描述P-tuning v2微调是如何实现的，图2中的Prefix序列有2个token：(t1，t2)，经由PrefixEncoder编码后，得到一个维度为\[2, num\_layers\*hidden\_size\*2\]的Prefix序列矩阵，第1个维度取值2，表示有2个token，即t1和t2，第2个维度取值，表示在每一层GLM Block，都会有2个(t1, t2)的Prefix序列，其中第1个(t1，t2)是输入给k矩阵的，而第2个(t1, t2)是输入给v矩阵的，且每一个t1、t2，其向量长度为hidden\_size。

   从图2可知，ChatGLM3的每一层GLM Block，均可微调其输入中的k矩阵和v矩阵。由于引入了更多的微调参数，P-tuning v2相较P-tuning v1只能微调第一层GLM Block，其表达能力和微调效果，理论上会好很多。

图2 ChatGLM3之P-tuning v2实现原理

3、LoRA****微调

   ChatGLM3除了“天然”支持P-tuning v2微调，还支持LoRA微调，但LoRA微调是通过peft库实现，即Parameter Efficient Finetune。

4、模型量化

ChatGLM3在加载模型时，可动态地进行4位或8位量化。ChatGLM3实际执行量化的代码，是由C/C++编写，并将编译后的可执行代码做BASE64编码，然后将base64编码结果通过硬编码的方式，写死在ChatGLM3的实现python代码中，即图3中的quantization_code变量存储的字符串，即量化代码字节流的base64编码。

   将quantization\_code值经由Base64解码和BZ2解压缩后，得到一串字节流，见图3中右下角的命令行区域。

图3 ChatGLM3加载量化代码原理

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）👈

​