The chatglm_finetuning from jkl375

4月28日 deep_training 0.1.3 pytorch-lightning 改名 ligntning ，旧版本 deep_training <= 0.1.2
4月23日 增加lora 保存hf权重（修改infer_lora_finetuning.py enable_merge_weight 选项），超大数据集见训练节说明
4月12日 deep_training 0.1.2.post0 fix load_in_8bit in lora v1 , lora v2
4月11日 增加 lora v2 以及 adalora, 另外官方fix eos_token , 请更新tokenizer_config.json
4月10日 增加一直冻结前N层微调方式，根据需要修改models.py 变量 global_num_layers_freeze
4月07日 官方精简了词表和权重，配置已同步，建议重新下载权重信息 deep_training 最低要求 0.1.1
4月02日 增加p-tuning-v2训练, 建议训练前删除缓存数据 rm -rf output
3月28日 支持加载chatglm-6b-int4权重 (修改 对应配置文件quantization_bit 4 or 8)
3月27日 fix eos
3月26日 增加三种数据策略

注意事项！

dev 分支加一些新功能和想法 如果求稳定，请使用 stable分支

1.安装

pip install -i https://pypi.org/simple -U deep_training>=0.1.3 cpm_kernels transformers>=4.26.1 deepspeed

2.更新详情

deep_training

3.深度学习常规任务例子

4.ChatGLM 预训练权重

5.数据示例

第三方羊驼数据 https://github.com/hikariming/alpaca_chinese_dataset 单条数据示例

 {
     "id": 0, "paragraph": [
         {
             "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"
         }
     ]
 }

或者

 {
     "id": 0, "paragraph": [
         {
             "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"
             ]
         }
     ]
 }

多轮会话

 {
     "id": 0, "paragraph": [
        {
           "q": "你好",
           "a": "我是机器人，有什么可以帮助你的？"
        },
         {
             "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"
         }
     ]
 }

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lora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

支持4种微调方式

冻结 N 层修改models.py global_num_layers_freeze
ptuning v2
lora
正常微调

    训练精度 可以修改 config.json precision 16 32
    如果优化器不是lion ,可以尝试将config/config.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

多机多卡训练 例子 3个机器 每个机器 4个卡
修改train.py Trainer num_nodes = 3
MASTER_ADDR=10.0.0.1 MASTER_PORT=6667 WORLD_SIZE=12 NODE_RANK=0 python train.py 
MASTER_ADDR=10.0.0.1 MASTER_PORT=6667 WORLD_SIZE=12 NODE_RANK=1 python train.py 
MASTER_ADDR=10.0.0.1 MASTER_PORT=6667 WORLD_SIZE=12 NODE_RANK=2 python train.py

是否开启lora finetuning

with_lora = True ， lora 和 adalora 不能同时开启

是否开启ptuning v2

对于 deepspeed模式 , ptuning v2  只支持 stage 0
修改对应配置文件
"pre_seq_len": 32,
"prefix_projection": false

int高效训练方式

p-tuning-v2 使用chatglm-6b-int4 权重，配置文件quantization_bit=4
lora int8 配置文件quantization_bit=0，使用官方标准float 16权重文件，修改modes.py load_in_8bit = True 修改data_utils.py 对应with_lora=True 注意 lora int8 多卡训练 CUDA_VISIBLE_DEVICES=显卡数量和 data_utils.py devices 保持一致，否则容易出故障，建议使用 CUDA_VISIBLE_DEVICES=显卡数量 python train.py

超大数据集

修改data_utils.py "data_backend": "lmdb"

9.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

10. Reference

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

jkl375 / chatglm_finetuning Goto Github PK

chatglm_finetuning's Introduction

注意事项 ！

1.安装

2.更新详情

3.深度学习常规任务例子

4.ChatGLM 预训练权重

5.数据示例

6.生成训练record

7.推理

硬件需求

8.训练

是否开启lora finetuning

是否开启ptuning v2

int高效训练方式

超大数据集

9.是否开启deepspeed

10. Reference

Star History

chatglm_finetuning's People

Contributors

Recommend Projects

Recommend Topics

Recommend Org

注意事项！