wstart/chatglm_finetuning

chatglm 6b finetuning and alpaca finetuning

3月26日 增加三种数据策略，欢迎指正

1.安装

• pip install -i https://pypi.org/simple -U deep_training>=0.0.21 cpm_kernels icetk transformers>=4.26.1 deepspeed
• 为了统一各种问题， deep_training 最低要求 0.0.21@post0

2.更新详情

• deep_training

3.深度学习常规任务例子

• pytorch-task-example
• tf-task-example

4.ChatGLM 预训练权重

chatglm-6b

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

8.训练

完整参数为 config.json
若显存不足 ， 可以修改 config_small.json num_layers 层数
训练精度 可以修改 config_small.json precision 16 32

如果优化器不是lion ,可以尝试将config/config_small.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

9.是否开启lora finetuning

with_lora

10.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

11. Reference

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