Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

https://github.com/liucongg/ChatGLM-Finetuning

基于ChatGLM-6B、ChatGLM2-6B、ChatGLM3-6B模型，进行下游具体任务微调，涉及Freeze、Lora、P-tuning、全参微调等
https://github.com/liucongg/ChatGLM-Finetuning

chatglm chatglm2 chatglm3 chatgpt freeze lora p-tuning

Last synced: about 1 month ago
JSON representation

基于ChatGLM-6B、ChatGLM2-6B、ChatGLM3-6B模型，进行下游具体任务微调，涉及Freeze、Lora、P-tuning、全参微调等

Awesome Lists containing this project

README 

        

## ChatGLM微调

本项目主要针对ChatGLM、ChatGLM2和ChatGLM3模型进行不同方式的微调（Freeze方法、Lora方法、P-Tuning方法、全量参数等），并对比大模型在不同微调方法上的效果，主要针对信息抽取任务、生成任务、分类任务等。



本项目支持单卡训练&多卡训练，由于采用单指令集方式微调，模型微调之后**并没有出现严重的灾难性遗忘**。



由于官方代码和模型一直在更新，目前ChatGLM1和2的代码和模型的为20230806版本（注意如果发现代码运行有误，可将ChatGLM相关源码替换文件中的py文件，因为可能你下的模型版本与本项目代码版本不一致），ChatGLM3是版本20231212。



PS：没有用Trainer（虽然Trainer代码简单，但不易修改，大模型时代算法工程师本就成为了数据工程师，因此更需了解训练流程）



## 更新简介

- update-2023.12.12 增加ChatGLM3代码支持，通过model_type完成模型切换，并增加推理代码。

- update-2023.08.06 代码和模型已经更新到最新，支持单卡&多卡训练，支持ChatGLM2模型训练、支持全量参数训练，所有代码进行了结构增加可读性。

- update-2023.06.12 [**增加流水线并行训练方法**](https://zhuanlan.zhihu.com/p/636488690)，请看[v0.1 Tag](https://github.com/liucongg/ChatGLM-Finetuning/tree/v0.1)

- update-2023.04.18 **增加文本生成任务评测**，请看[v0.1 Tag](https://github.com/liucongg/ChatGLM-Finetuning/tree/v0.1)

- update-2023.04.05 **增加信息抽取任务评测**，请看[v0.1 Tag](https://github.com/liucongg/ChatGLM-Finetuning/tree/v0.1)



## 微调方法

模型微调时，如果遇到显存不够的情况，可以开启gradient_checkpointing、zero3、offload等参数来节省显存。



下面model_name_or_path参数为模型路径，请根据可根据自己实际模型保存地址进行修改。

### Freeze方法

Freeze方法，即参数冻结，对原始模型部分参数进行冻结操作，仅训练部分参数，以达到在单卡或多卡，不进行TP或PP操作就可以对大模型进行训练。



微调代码，见train.py，核心部分如下：

```python3

freeze_module_name = args.freeze_module_name.split(",")

for name, param in model.named_parameters():

	if not any(nd in name for nd in freeze_module_name):

		param.requires_grad = False

```

针对模型不同层进行修改，可以自行修改freeze_module_name参数配置，例如"layers.27.,layers.26.,layers.25.,layers.24."。

训练代码均采用DeepSpeed进行训练，可设置参数包含train_path、model_name_or_path、mode、train_type、freeze_module_name、ds_file、num_train_epochs、per_device_train_batch_size、gradient_accumulation_steps、output_dir等， 可根据自己的任务配置。



ChatGLM单卡训练

```

CUDA_VISIBLE_DEVICES=0 deepspeed --master_port 520 train.py \

                --train_path data/spo_0.json \

                --model_name_or_path ChatGLM-6B/ \

                --per_device_train_batch_size 1 \

                --max_len 1560 \

                --max_src_len 1024 \

                --learning_rate 1e-4 \

                --weight_decay 0.1 \

                --num_train_epochs 2 \

                --gradient_accumulation_steps 4 \

                --warmup_ratio 0.1 \

                --mode glm \

                --train_type freeze \

                --freeze_module_name "layers.27.,layers.26.,layers.25.,layers.24." \

                --seed 1234 \

                --ds_file ds_zero2_no_offload.json \

                --gradient_checkpointing \

                --show_loss_step 10 \

                --output_dir ./output-glm

```

ChatGLM四卡训练，通过CUDA_VISIBLE_DEVICES控制具体哪几块卡进行训练，如果不加该参数，表示使用运行机器上所有卡进行训练

```

CUDA_VISIBLE_DEVICES=0,1,2,3 deepspeed --master_port 520 train.py \

                --train_path data/spo_0.json \

                --model_name_or_path ChatGLM-6B/ \

                --per_device_train_batch_size 1 \

                --max_len 1560 \

                --max_src_len 1024 \

                --learning_rate 1e-4 \

                --weight_decay 0.1 \

                --num_train_epochs 2 \

                --gradient_accumulation_steps 4 \

                --warmup_ratio 0.1 \

                --mode glm \

                --train_type freeze \

                --freeze_module_name "layers.27.,layers.26.,layers.25.,layers.24." \

                --seed 1234 \

                --ds_file ds_zero2_no_offload.json \

                --gradient_checkpointing \

                --show_loss_step 10 \

                --output_dir ./output-glm

```

ChatGLM2单卡训练

```

CUDA_VISIBLE_DEVICES=0 deepspeed --master_port 520 train.py \

                --train_path data/spo_0.json \

                --model_name_or_path ChatGLM2-6B/ \

                --per_device_train_batch_size 1 \

                --max_len 1560 \

                --max_src_len 1024 \

                --learning_rate 1e-4 \

                --weight_decay 0.1 \

                --num_train_epochs 2 \

                --gradient_accumulation_steps 4 \

                --warmup_ratio 0.1 \

                --mode glm2 \

                --train_type freeze \

                --freeze_module_name "layers.27.,layers.26.,layers.25.,layers.24." \

                --seed 1234 \

                --ds_file ds_zero2_no_offload.json \

                --gradient_checkpointing \

                --show_loss_step 10 \

                --output_dir ./output-glm2

```

ChatGLM2四卡训练，通过CUDA_VISIBLE_DEVICES控制具体哪几块卡进行训练，如果不加该参数，表示使用运行机器上所有卡进行训练

```

CUDA_VISIBLE_DEVICES=0,1,2,3 deepspeed --master_port 520 train.py \

                --train_path data/spo_0.json \

                --model_name_or_path ChatGLM2-6B/ \

                --per_device_train_batch_size 1 \

                --max_len 1560 \

                --max_src_len 1024 \

                --learning_rate 1e-4 \

                --weight_decay 0.1 \

                --num_train_epochs 2 \

                --gradient_accumulation_steps 4 \

                --warmup_ratio 0.1 \

                --mode glm2 \

                --train_type freeze \

                --freeze_module_name "layers.27.,layers.26.,layers.25.,layers.24." \

                --seed 1234 \

                --ds_file ds_zero2_no_offload.json \

                --gradient_checkpointing \

                --show_loss_step 10 \

                --output_dir ./output-glm2

```

ChatGLM3单卡训练

```

CUDA_VISIBLE_DEVICES=0 deepspeed --master_port 520 train.py \

                --train_path data/spo_0.json \

                --model_name_or_path ChatGLM3-6B/ \

                --per_device_train_batch_size 1 \

                --max_len 1560 \

                --max_src_len 1024 \

                --learning_rate 1e-4 \

                --weight_decay 0.1 \

                --num_train_epochs 2 \

                --gradient_accumulation_steps 4 \

                --warmup_ratio 0.1 \

                --mode glm3 \

                --train_type freeze \

                --freeze_module_name "layers.27.,layers.26.,layers.25.,layers.24." \

                --seed 1234 \

                --ds_file ds_zero2_no_offload.json \

                --gradient_checkpointing \

                --show_loss_step 10 \

                --output_dir ./output-glm3

```

ChatGLM3四卡训练，通过CUDA_VISIBLE_DEVICES控制具体哪几块卡进行训练，如果不加该参数，表示使用运行机器上所有卡进行训练

```

CUDA_VISIBLE_DEVICES=0,1,2,3 deepspeed --master_port 520 train.py \

                --train_path data/spo_0.json \

                --model_name_or_path ChatGLM3-6B/ \

                --per_device_train_batch_size 1 \

                --max_len 1560 \

                --max_src_len 1024 \

                --learning_rate 1e-4 \

                --weight_decay 0.1 \

                --num_train_epochs 2 \

                --gradient_accumulation_steps 4 \

                --warmup_ratio 0.1 \

                --mode glm3 \

                --train_type freeze \

                --freeze_module_name "layers.27.,layers.26.,layers.25.,layers.24." \

                --seed 1234 \

                --ds_file ds_zero2_no_offload.json \

                --gradient_checkpointing \

                --show_loss_step 10 \

                --output_dir ./output-glm3

```

PS：ChatGLM微调时所用显存要比ChatGLM2多，详细显存占比如下：



| Model |  DeepSpeed-Stage |  Offload | Gradient Checkpointing |  Batch Size | Max Length | GPU-A40 Number | 所耗显存 |

| ------- | ------ | ------  | ------ | ------ | ------  | ------ | ------ |

| ChaGLM | zero2 | No | Yes | 1 | 1560  | 1 | 36G |

| ChaGLM | zero2 | No | No | 1 | 1560  | 1 | 38G |

| ChaGLM | zero2 | No | Yes | 1 | 1560  | 4 | 24G |

| ChaGLM | zero2 | No | No | 1 | 1560  | 4 | 29G |

| ChaGLM2 | zero2 | No | Yes | 1 | 1560  | 1 | 35G |

| ChaGLM2 | zero2 | No | No | 1 | 1560  | 1 | 36G |

| ChaGLM2 | zero2 | No | Yes | 1 | 1560  | 4 | 22G |

| ChaGLM2 | zero2 | No | No | 1 | 1560  | 4 | 27G |



### PT方法

PT方法，即P-Tuning方法，参考[ChatGLM官方代码](https://github.com/THUDM/ChatGLM-6B/blob/main/ptuning/README.md) ，是一种针对于大模型的soft-prompt方法。



![](images/PT.png)

- P-Tuning仅对大模型的Embedding加入新的参数。[paper](https://arxiv.org/abs/2103.10385)

- P-Tuning-V2，将大模型的Embedding和每一层前都加上新的参数。[paper](https://arxiv.org/abs/2110.07602)



微调代码，见train.py，核心部分如下：

```python3

config = MODE[args.mode]["config"].from_pretrained(args.model_name_or_path)

config.pre_seq_len = args.pre_seq_len

config.prefix_projection = args.prefix_projection

model = MODE[args.mode]["model"].from_pretrained(args.model_name_or_path, config=config)

for name, param in model.named_parameters():

	if not any(nd in name for nd in ["prefix_encoder"]):

		param.requires_grad = False

```

当prefix_projection为True时，为P-Tuning-V2方法，在大模型的Embedding和每一层前都加上新的参数；为False时，为P-Tuning方法，仅在大模型的Embedding上新的参数。



训练代码均采用DeepSpeed进行训练，可设置参数包含train_path、model_name_or_path、mode、train_type、pre_seq_len、prefix_projection、ds_file、num_train_epochs、per_device_train_batch_size、gradient_accumulation_steps、output_dir等， 可根据自己的任务配置。



ChatGLM单卡训练

```

CUDA_VISIBLE_DEVICES=0 deepspeed --master_port 520 train.py \

                --train_path data/spo_0.json \

                --model_name_or_path ChatGLM-6B \

                --per_device_train_batch_size 1 \

                --max_len 768 \

                --max_src_len 512 \

                --learning_rate 1e-4 \

                --weight_decay 0.1 \

                --num_train_epochs 2 \

                --gradient_accumulation_steps 4 \

                --warmup_ratio 0.1 \

                --mode glm \

                --train_type ptuning \

                --seed 1234 \

                --ds_file ds_zero2_no_offload.json \

                --gradient_checkpointing \

                --show_loss_step 10 \

                --pre_seq_len 16 \

                --prefix_projection True \

                --output_dir ./output-glm

```

ChatGLM四卡训练，通过CUDA_VISIBLE_DEVICES控制具体哪几块卡进行训练，如果不加该参数，表示使用运行机器上所有卡进行训练

```

CUDA_VISIBLE_DEVICES=0,1,2,3 deepspeed --master_port 520 train.py \

                --train_path data/spo_0.json \

                --model_name_or_path ChatGLM-6B \

                --per_device_train_batch_size 1 \

                --max_len 1560 \

                --max_src_len 1024 \

                --learning_rate 1e-4 \

                --weight_decay 0.1 \

                --num_train_epochs 2 \

                --gradient_accumulation_steps 4 \

                --warmup_ratio 0.1 \

                --mode glm \

                --train_type ptuning \

                --seed 1234 \

                --ds_file ds_zero2_no_offload.json \

                --gradient_checkpointing \

                --show_loss_step 10 \

                --pre_seq_len 16 \

                --prefix_projection True \

                --output_dir ./output-glm

```

ChatGLM2单卡训练

```

CUDA_VISIBLE_DEVICES=0 deepspeed --master_port 520 train.py \

                --train_path data/spo_0.json \

                --model_name_or_path ChatGLM2-6B \

                --per_device_train_batch_size 1 \

                --max_len 1560 \

                --max_src_len 1024 \

                --learning_rate 1e-4 \

                --weight_decay 0.1 \

                --num_train_epochs 2 \

                --gradient_accumulation_steps 4 \

                --warmup_ratio 0.1 \

                --mode glm2 \

                --train_type ptuning \

                --seed 1234 \

                --ds_file ds_zero2_no_offload.json \

                --gradient_checkpointing \

                --show_loss_step 10 \

                --pre_seq_len 16 \

                --prefix_projection True \

                --output_dir ./output-glm2

```

ChatGLM2四卡训练，通过CUDA_VISIBLE_DEVICES控制具体哪几块卡进行训练，如果不加该参数，表示使用运行机器上所有卡进行训练

```

CUDA_VISIBLE_DEVICES=0,1,2,3 deepspeed --master_port 520 train.py \

                --train_path data/spo_0.json \

                --model_name_or_path ChatGLM2-6B \

                --per_device_train_batch_size 1 \

                --max_len 1560 \

                --max_src_len 1024 \

                --learning_rate 1e-4 \

                --weight_decay 0.1 \

                --num_train_epochs 2 \

                --gradient_accumulation_steps 4 \

                --warmup_ratio 0.1 \

                --mode glm2 \

                --train_type ptuning \

                --seed 1234 \

                --ds_file ds_zero2_no_offload.json \

                --gradient_checkpointing \

                --show_loss_step 10 \

                --pre_seq_len 16 \

                --prefix_projection True \

                --output_dir ./output-glm2

```

ChatGLM3单卡训练

```

CUDA_VISIBLE_DEVICES=0 deepspeed --master_port 520 train.py \

                --train_path data/spo_0.json \

                --model_name_or_path ChatGLM3-6B/ \

                --per_device_train_batch_size 1 \

                --max_len 1560 \

                --max_src_len 1024 \

                --learning_rate 1e-4 \

                --weight_decay 0.1 \

                --num_train_epochs 2 \

                --gradient_accumulation_steps 4 \

                --warmup_ratio 0.1 \

                --mode glm3 \

                --train_type ptuning \

                --seed 1234 \

                --ds_file ds_zero2_no_offload.json \

                --gradient_checkpointing \

                --show_loss_step 10 \

                --pre_seq_len 16 \

                --prefix_projection True \

                --output_dir ./output-glm3

```

ChatGLM3四卡训练，通过CUDA_VISIBLE_DEVICES控制具体哪几块卡进行训练，如果不加该参数，表示使用运行机器上所有卡进行训练

```

CUDA_VISIBLE_DEVICES=0,1,2,3 deepspeed --master_port 520 train.py \

                --train_path data/spo_0.json \

                --model_name_or_path ChatGLM3-6B/ \

                --per_device_train_batch_size 1 \

                --max_len 1560 \

                --max_src_len 1024 \

                --learning_rate 1e-4 \

                --weight_decay 0.1 \

                --num_train_epochs 2 \

                --gradient_accumulation_steps 4 \

                --warmup_ratio 0.1 \

                --mode glm3 \

                --train_type ptuning \

                --seed 1234 \

                --ds_file ds_zero2_no_offload.json \

                --gradient_checkpointing \

                --show_loss_step 10 \

                --pre_seq_len 16 \

                --prefix_projection True \

                --output_dir ./output-glm3

```

PS：ChatGLM微调时所用显存要比ChatGLM2多，详细显存占比如下：



| Model |  DeepSpeed-Stage |  Offload | Gradient Checkpointing |  Batch Size | Max Length | GPU-A40 Number | 所耗显存 |

| ------- | ------ | ------  | ------ | ------ | ------  | ------ | ------ |

| ChaGLM | zero2 | No | Yes | 1 | 768  | 1 | 43G |

| ChaGLM | zero2 | No | No | 1 | 300  | 1 | 44G |

| ChaGLM | zero2 | No | Yes | 1 | 1560  | 4 | 37G |

| ChaGLM | zero2 | No | No | 1 | 1360  | 4 | 44G |

| ChaGLM2 | zero2 | No | Yes | 1 | 1560  | 1 | 20G |

| ChaGLM2 | zero2 | No | No | 1 | 1560  | 1 | 40G |

| ChaGLM2 | zero2 | No | Yes | 1 | 1560  | 4 | 19G |

| ChaGLM2 | zero2 | No | No | 1 | 1560  | 4 | 39G |



### Lora方法

Lora方法，即在大型语言模型上对指定参数（权重矩阵）并行增加额外的低秩矩阵，并在模型训练过程中，仅训练额外增加的并行低秩矩阵的参数。

当“秩值”远小于原始参数维度时，新增的低秩矩阵参数量也就很小。在下游任务tuning时，仅须训练很小的参数，但能获取较好的表现结果。



![](images/Lora.png)

- 论文：[paper](https://arxiv.org/abs/2106.09685)

- 官方代码：[Github](https://github.com/microsoft/LoRA)

- HuggingFace封装的peft库：[Github](https://github.com/huggingface/peft)



微调代码，见train.py，核心部分如下：

```python3

model = MODE[args.mode]["model"].from_pretrained(args.model_name_or_path)

lora_module_name = args.lora_module_name.split(",")

config = LoraConfig(r=args.lora_dim,

					lora_alpha=args.lora_alpha,

					target_modules=lora_module_name,

					lora_dropout=args.lora_dropout,

					bias="none",

					task_type="CAUSAL_LM",

					inference_mode=False,

					)

model = get_peft_model(model, config)

model.config.torch_dtype = torch.float32

```

PS: Lora训练之后，请先参数合并，在进行模型预测。



训练代码均采用DeepSpeed进行训练，可设置参数包含train_path、model_name_or_path、mode、train_type、lora_dim、lora_alpha、lora_dropout、lora_module_name、ds_file、num_train_epochs、per_device_train_batch_size、gradient_accumulation_steps、output_dir等， 可根据自己的任务配置。



ChatGLM单卡训练

```

CUDA_VISIBLE_DEVICES=0 deepspeed --master_port 520 train.py \

              --train_path data/spo_0.json \

              --model_name_or_path ChatGLM-6B \

              --per_device_train_batch_size 1 \

              --max_len 1560 \

              --max_src_len 1024 \

              --learning_rate 1e-4 \

              --weight_decay 0.1 \

              --num_train_epochs 2 \

              --gradient_accumulation_steps 4 \

              --warmup_ratio 0.1 \

              --mode glm \

              --train_type lora \

              --lora_dim 16 \

              --lora_alpha 64 \

              --lora_dropout 0.1 \

              --lora_module_name "query_key_value" \

              --seed 1234 \

              --ds_file ds_zero2_no_offload.json \

              --gradient_checkpointing \

              --show_loss_step 10 \

              --output_dir ./output-glm

```

ChatGLM四卡训练，通过CUDA_VISIBLE_DEVICES控制具体哪几块卡进行训练，如果不加该参数，表示使用运行机器上所有卡进行训练

```

CUDA_VISIBLE_DEVICES=0,1,2,3 deepspeed --master_port 520 train.py \

              --train_path data/spo_0.json \

              --model_name_or_path ChatGLM-6B \

              --per_device_train_batch_size 1 \

              --max_len 1560 \

              --max_src_len 1024 \

              --learning_rate 1e-4 \

              --weight_decay 0.1 \

              --num_train_epochs 2 \

              --gradient_accumulation_steps 4 \

              --warmup_ratio 0.1 \

              --mode glm \

              --train_type lora \

              --lora_dim 16 \

              --lora_alpha 64 \

              --lora_dropout 0.1 \

              --lora_module_name "query_key_value" \

              --seed 1234 \

              --ds_file ds_zero2_no_offload.json \

              --gradient_checkpointing \

              --show_loss_step 10 \

              --output_dir ./output-glm

```

ChatGLM2单卡训练

```

CUDA_VISIBLE_DEVICES=0 deepspeed --master_port 520 train.py \

              --train_path data/spo_0.json \

              --model_name_or_path ChatGLM2-6B \

              --per_device_train_batch_size 1 \

              --max_len 1560 \

              --max_src_len 1024 \

              --learning_rate 1e-4 \

              --weight_decay 0.1 \

              --num_train_epochs 2 \

              --gradient_accumulation_steps 4 \

              --warmup_ratio 0.1 \

              --mode glm2 \

              --train_type lora \

              --lora_dim 16 \

              --lora_alpha 64 \

              --lora_dropout 0.1 \

              --lora_module_name "query_key_value,dense_h_to_4h,dense_4h_to_h,dense" \

              --seed 1234 \

              --ds_file ds_zero2_no_offload.json \

              --gradient_checkpointing \

              --show_loss_step 10 \

              --output_dir ./output-glm2

```

ChatGLM2四卡训练，通过CUDA_VISIBLE_DEVICES控制具体哪几块卡进行训练，如果不加该参数，表示使用运行机器上所有卡进行训练

```

CUDA_VISIBLE_DEVICES=0,1,2,3 deepspeed --master_port 520 train.py \

              --train_path data/spo_0.json \

              --model_name_or_path ChatGLM2-6B \

              --per_device_train_batch_size 1 \

              --max_len 1560 \

              --max_src_len 1024 \

              --learning_rate 1e-4 \

              --weight_decay 0.1 \

              --num_train_epochs 2 \

              --gradient_accumulation_steps 4 \

              --warmup_ratio 0.1 \

              --mode glm2 \

              --train_type lora \

              --lora_dim 16 \

              --lora_alpha 64 \

              --lora_dropout 0.1 \

              --lora_module_name "query_key_value,dense_h_to_4h,dense_4h_to_h,dense" \

              --seed 1234 \

              --ds_file ds_zero2_no_offload.json \

              --gradient_checkpointing \

              --show_loss_step 10 \

              --output_dir ./output-glm2

```

ChatGLM3单卡训练

```

CUDA_VISIBLE_DEVICES=0 deepspeed --master_port 520 train.py \

                --train_path data/spo_0.json \

                --model_name_or_path ChatGLM3-6B/ \

                --per_device_train_batch_size 1 \

                --max_len 1560 \

                --max_src_len 1024 \

                --learning_rate 1e-4 \

                --weight_decay 0.1 \

                --num_train_epochs 2 \

                --gradient_accumulation_steps 4 \

                --warmup_ratio 0.1 \

                --mode glm3 \

                --lora_dim 16 \

                --lora_alpha 64 \

                --lora_dropout 0.1 \

                --lora_module_name "query_key_value,dense_h_to_4h,dense_4h_to_h,dense" \

                --seed 1234 \

                --ds_file ds_zero2_no_offload.json \

                --gradient_checkpointing \

                --show_loss_step 10 \

                --output_dir ./output-glm3

```

ChatGLM3四卡训练，通过CUDA_VISIBLE_DEVICES控制具体哪几块卡进行训练，如果不加该参数，表示使用运行机器上所有卡进行训练

```

CUDA_VISIBLE_DEVICES=0,1,2,3 deepspeed --master_port 520 train.py \

                --train_path data/spo_0.json \

                --model_name_or_path ChatGLM3-6B/ \

                --per_device_train_batch_size 1 \

                --max_len 1560 \

                --max_src_len 1024 \

                --learning_rate 1e-4 \

                --weight_decay 0.1 \

                --num_train_epochs 2 \

                --gradient_accumulation_steps 4 \

                --warmup_ratio 0.1 \

                --mode glm3 \

                --lora_dim 16 \

                --lora_alpha 64 \

                --lora_dropout 0.1 \

                --lora_module_name "query_key_value,dense_h_to_4h,dense_4h_to_h,dense" \

                --seed 1234 \

                --ds_file ds_zero2_no_offload.json \

                --gradient_checkpointing \

                --show_loss_step 10 \

                --output_dir ./output-glm3

```

PS：ChatGLM微调时所用显存要比ChatGLM2多，详细显存占比如下：



| Model |  DeepSpeed-Stage |  Offload | Gradient Checkpointing |  Batch Size | Max Length | GPU-A40 Number | 所耗显存 |

| ------- | ------ | ------  | ------ | ------ | ------  | ------ | ------ |

| ChaGLM | zero2 | No | Yes | 1 | 1560  | 1 | 20G |

| ChaGLM | zero2 | No | No | 1 | 1560  | 1 | 45G |

| ChaGLM | zero2 | No | Yes | 1 | 1560  | 4 | 20G |

| ChaGLM | zero2 | No | No | 1 | 1560  | 4 | 45G |

| ChaGLM2 | zero2 | No | Yes | 1 | 1560  | 1 | 20G |

| ChaGLM2 | zero2 | No | No | 1 | 1560  | 1 | 43G |

| ChaGLM2 | zero2 | No | Yes | 1 | 1560  | 4 | 19G |

| ChaGLM2 | zero2 | No | No | 1 | 1560  | 4 | 42G |



注意：Lora方法在模型保存时仅保存了Lora训练参数，因此在模型预测时需要将模型参数进行合并，具体参考[merge_lora.py](./merge_lora.py)。



### 全参方法

全参方法，对大模型进行全量参数训练，主要借助DeepSpeed-Zero3方法，对模型参数进行多卡分割，并借助Offload方法，将优化器参数卸载到CPU上以解决显卡不足问题。



微调代码，见train.py，核心部分如下：

```python3

model = MODE[args.mode]["model"].from_pretrained(args.model_name_or_path)

```

训练代码均采用DeepSpeed进行训练，可设置参数包含train_path、model_name_or_path、mode、train_type、ds_file、num_train_epochs、per_device_train_batch_size、gradient_accumulation_steps、output_dir等， 可根据自己的任务配置。



ChatGLM四卡训练，通过CUDA_VISIBLE_DEVICES控制具体哪几块卡进行训练，如果不加该参数，表示使用运行机器上所有卡进行训练

```

CUDA_VISIBLE_DEVICES=0,1,2,3 deepspeed --master_port 520 train.py \

              --train_path data/spo_0.json \

              --model_name_or_path ChatGLM-6B \

              --per_device_train_batch_size 1 \

              --max_len 1560 \

              --max_src_len 1024 \

              --learning_rate 1e-4 \

              --weight_decay 0.1 \

              --num_train_epochs 2 \

              --gradient_accumulation_steps 4 \

              --warmup_ratio 0.1 \

              --mode glm \

              --train_type all \

              --seed 1234 \

              --ds_file ds_zero3_offload.json \

              --gradient_checkpointing \

              --show_loss_step 10 \

              --output_dir ./output-glm

```

ChatGLM2四卡训练，通过CUDA_VISIBLE_DEVICES控制具体哪几块卡进行训练，如果不加该参数，表示使用运行机器上所有卡进行训练

```

CUDA_VISIBLE_DEVICES=0,1,2,3 deepspeed --master_port 520 train.py \

              --train_path data/spo_0.json \

              --model_name_or_path ChatGLM2-6B \

              --per_device_train_batch_size 1 \

              --max_len 1560 \

              --max_src_len 1024 \

              --learning_rate 1e-4 \

              --weight_decay 0.1 \

              --num_train_epochs 2 \

              --gradient_accumulation_steps 4 \

              --warmup_ratio 0.1 \

              --mode glm2 \

              --train_type all \

              --seed 1234 \

              --ds_file ds_zero3_no_offload.json \

              --gradient_checkpointing \

              --show_loss_step 10 \

              --output_dir ./output-glm2

```

ChatGLM3四卡训练，通过CUDA_VISIBLE_DEVICES控制具体哪几块卡进行训练，如果不加该参数，表示使用运行机器上所有卡进行训练

```

CCUDA_VISIBLE_DEVICES=0,1,2,3 deepspeed --master_port 520 train.py \

              --train_path data/spo_0.json \

              --model_name_or_path ChatGLM3-6B \

              --per_device_train_batch_size 1 \

              --max_len 1560 \

              --max_src_len 1024 \

              --learning_rate 1e-4 \

              --weight_decay 0.1 \

              --num_train_epochs 2 \

              --gradient_accumulation_steps 4 \

              --warmup_ratio 0.1 \

              --mode glm3 \

              --train_type all \

              --seed 1234 \

              --ds_file ds_zero3_no_offload.json \

              --gradient_checkpointing \

              --show_loss_step 10 \

              --output_dir ./output-glm3

```

PS：ChatGLM微调时所用显存要比ChatGLM2多，详细显存占比如下：



| Model |  DeepSpeed-Stage |  Offload | Gradient Checkpointing |  Batch Size | Max Length | GPU-A40 Number | 所耗显存 |

| ------- | ------ | ------  | ------ | ------ | ------  | ------ | ------ |

| ChaGLM | zero3 | Yes | Yes | 1 | 1560  | 4 | 33G |

| ChaGLM2 | zero3 | No | Yes | 1 | 1560  | 4 | 44G |

| ChaGLM2 | zero3 | Yes | Yes | 1 | 1560  | 4 | 26G |



后面补充DeepSpeed的Zero-Stage的相关内容说明。



### 运行环境

查看requirements.txt文件



## 实验结果

### 三元组抽取

- 为了防止大模型的数据泄露，采用一个领域比赛数据集-[汽车工业故障模式关系抽取](https://www.datafountain.cn/competitions/584)，随机抽取50条作为测试集

- 训练示例：

```

{

    "instruction": "你现在是一个信息抽取模型，请你帮我抽取出关系内容为\"性能故障\", \"部件故障\", \"组成\"和 \"检测工具\"的相关三元组，三元组内部用\"_\"连接，三元组之间用\\n分割。文本：",

    "input": "故障现象：发动机水温高，风扇始终是低速转动，高速档不工作，开空调尤其如此。",

    "output": "发动机_部件故障_水温高\n风扇_部件故障_低速转动"

}

```



| 微调方法 |  PT-Only-Embedding |  PT | Freeze |  Lora | 

| ------- | ------ | ------  | ------ | ------ |

| 测试结果F1 | 0.0 | 0.6283 | 0.5675 | 0.5359 |



结构分析：

- 效果为PT>Freeze>Lora>PT-Only-Embedding

- PT-Only-Embedding效果很不理想，发现在训练时，最后的loss仅能收敛到2.几，而其他机制可以收敛到0.几。分析原因为，输出内容形式与原有语言模型任务相差很大，仅增加额外Embedding参数，不足以改变复杂的下游任务。

- 上面测试仅代表个人测试结果，并且由于生成模型生成长度对推理耗时影响很大，因此可以其他数据会有不一样的结果。

- 模型在指定任务上微调之后，并没有丧失原有能力，例如生成“帮我写个快排算法”，依然可以生成-快排代码。

- 由于大模型微调都采用大量instruction进行模型训练，仅采用单一的指令进行微调时，对原来其他的指令影响不大，因此并没导致原来模型的能力丧失。



很多同学在微调后出现了灾难性遗忘现象，但本项目的训练代码并没有出现，对“翻译任务”、“代码任务”、“问答任务”进行测试，具体测试效果如下：

翻译任务



![](images/ft_fanyi.png)



代码任务



![](images/ft_code.png)



问答任务



![](images/ft_qa.png)



### 文本生成

- 为了防止大模型的数据泄露，采用一个“万创杯”中医药天池大数据竞赛-[中医文献问题生成挑战](https://tianchi.aliyun.com/competition/entrance/531826/introduction)，随机抽取20条作为测试集

- PT为官方的P-Tuning V2训练方法，PT-Only-Embedding表示仅对Embedding进行soft-prompt，Freeze仅训练模型后五层参数，Lora采用低秩矩阵方法训练，秩为8；

- 训练示例：

```

{

    "instruction": "你现在是一个问题生成模型，请根据下面文档生成一个问题，文档：",

    "input": "清热解毒口服液由生石膏、知母、紫花地丁、金银花、麦门冬、黄芩、玄参、连翘、龙胆草、生地黄、栀子、板蓝根组成。具有疏风解表、清热解毒利咽、生津止渴的功效，适用于治疗外感时邪、内有蕴热所致的身热汗出、头痛身痛、心烦口渴、微恶寒或反恶热、舌红、苔黄、脉数等症。现代临床主要用于治疗流行性感冒、流行性脑脊髓膜炎、肺炎等各种发热性疾病。口服液：每支10毫升，每次10~20毫升，每日3次。〔注意事项〕阳虚便澹者不宜使用。",

    "output": "清热解毒口服的功效有哪些？"

}

```



由于生成模型的内容不能想信息抽取任务一样评价，用现有的BLUE或者Rouge来评价也是不合适，因此制定了评分规则。 通过多样性和准确性两个角度判断D2Q模型好坏，每个样本总计5分，共20个样本。

- 多样性：

	- 问题是否高度相似，每重复一个问题扣0.25分；

	- 问题对应答案是否相同，每有一个重复答案或找不到答案，扣0.25分；

- 准确性：

	- 问题能否从文档中找到答案，每有一个找不到答案，扣0.25分；

	- 问题内容是否流畅，每有一个问题不流畅，扣0.25分；

	- 问题内容是否有害，每有一个有害，扣0.25分；



| 微调方法 |  原始模型 | PT-Only-Embedding |  PT | Freeze |  Lora | 

| ------- | ------ | ------ | ------  | ------ | ------ |

| 分数 | 51.75 | 73.75 | 87.75 | 79.25 | 86.75 |



## 流水线并行训练

代码说明见：[大模型流水线并行（Pipeline）实战](https://zhuanlan.zhihu.com/p/636488690)



请看[v0.1 Tag](https://github.com/liucongg/ChatGLM-Finetuning/tree/v0.1)



## Star History

![Star History Chart](https://api.star-history.com/svg?repos=liucongg/ChatGLM-Finetuning&type=Date)