当前模型脚本已不随版本演进，如使用此模型可跳转至该地址

Chat-GLM-6B for PyTorch

• 概述
• 准备训练环境
• 开始训练
• 训练结果展示
• 版本说明

概述

简述

ChatGLM-6B 是一个开源的、支持中英双语的对话语言模型，基于 General Language Model (GLM) 架构，具有 62 亿参数。

本仓支持P-Tuning v2 和全参数fintune。

• 参考实现：

  url=https://github.com/THUDM/ChatGLM-6B
  commit_id=27b04bce90b34e719375576cc67ff5374bb2f38a
  url=https://huggingface.co/THUDM/chatglm-6b/tree/v0.1.0
  commit_id=f83182484538e663a03d3f73647f10f89878f438
  

• 适配昇腾 AI 处理器的实现：

  url=https://gitee.com/ascend/ModelZoo-PyTorch.git
  code_path=PyTorch/built-in/foundation
  

准备训练环境

准备环境

默认配置需要每张卡有60G以上空闲内存。

• 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。

  表 1 版本支持表

  软件名称	版本	链接
  CANN	7.0.RC1	LINK
  Atlas 800T A2	1.0.RC3	LINK
  FrameworkPTAdapter	5.0.RC3	LINK

• 环境准备指导。

  请参考《Pytorch框架训练环境准备》。

• 安装依赖。

  1. 安装基础依赖

  在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。

  pip install -r requirements.txt  # PyTorch2.1版本
  
  2. 安装deepspeed_npu插件

  # v0.9.2分支
  git clone https://gitee.com/ascend/DeepSpeed.git
  cd Deepspeed
  pip3 install ./
  
  3. 替换transformers依赖文件

   # 自动替换无法替换三方库中的文件。
   pip show transformers
   # 获取transformers的Location路径
   # 使用fix文件夹下的tranining_args.py替换路径下transformers/tranining_args.py
  

准备数据集

1. 获取数据集。

   ADGEN 数据集任务为根据输入（content）生成一段广告词（summary）。

   从 Google Drive 或者 Tsinghua Cloud 下载处理好的 ADGEN 数据集，将解压后的 AdvertiseGen 目录放到ptuning目录下。 数据集参考目录如下

   ├── AdvertiseGen
         ├──train.json
         ├──dev.json
   

2. 预处理数据集。 为了方便启动训练后，不用再每次重复加载处理数据集，故提前进行处理。也可以下载提前处理好的数据集，提取码7s5i

bash preprocess.sh

处理好的数据集位于同目录下的train_datasets文件夹下，参考目录如下

   ├── train_datasets
         ├──data-00000-of-00008.arrow
         ├──data-00001-of-00008.arrow
         ├──data-00002-of-00008.arrow
         ├──data-00003-of-00008.arrow
         ├──data-00004-of-00008.arrow
         ├──data-00005-of-00008.arrow
         ├──data-00006-of-00008.arrow
         ├──data-00007-of-00008.arrow
         ├──dataset_info.json
         ├──state.json

准备模型权重

1. 获取语言识别模型和预训练权重

   用户从链接自行获取模型文件（除了modeling_chatglm.py）和8份权重文件（pytorch_model-0000*-of-00008.bin ），并放于model目录下，微调依赖该模型权重。 model参考目录如下

   ├── model
         ├──config.json
         ├──configuration_chatglm.py
         ├──ice_text.model
         ├──pytorch_model-00001-of-00008.bin
         ├──pytorch_model-00002-of-00008.bin
         ├──pytorch_model-00003-of-00008.bin
         ├──pytorch_model-00004-of-00008.bin
         ├──pytorch_model-00005-of-00008.bin
         ├──pytorch_model-00006-of-00008.bin
         ├──pytorch_model-00007-of-00008.bin
         ├──pytorch_model-00008-of-00008.bin
         ├──pytorch_model.bin.index.json
         ├──quantization.py
         ├──test_modeling_chatglm.py
         ├──tokenization_chatglm.py
         ├──tokenizer_config.json
   

开始训练

训练模型

1. 进入解压后的源码包根目录。

   cd /${模型文件夹名称}/ptuning
   

   修改ptuning目录下的env_npu.sh，修改引用的环境变量位置。

2. 运行训练脚本。

   该模型P-Tuning v2支持单机单卡，全参数fintune支持单机8卡。

   • P-Tuning v2

     启动P-Tuning v2。

     bash train.sh
     

   • 全参数finetune

     启动8卡微调。 可以用deepspeed.json配置deepspeed参数，目前默认使用zero2

     bash ds_train_fintune.sh 
     

   模型训练参数说明如下。

   公共参数：
   --max_source_length                       //处理后句子长度
   --max_target_length                       //目标数据长度
   --per_device_train_batch_size             //每卡训练批次大小
   --gradient_accumulation_steps             //梯度更新步数
   --max_steps                               //最大训练步数
   --logging_steps                           //打印信息步数
   --save_steps                              //保存参数步数
   --learning_rate                           //学习率
   

   训练完成后，权重文件保存在当前路径下，并输出模型训练相关信息。

验证模型

1. 全参数finetune验证

   运行以下命令

   cd /${模型文件夹名称}/ptuning
   bash evaluate_fintune.sh 
   

   生成结果在屏幕上显示

训练结果展示

表 1 训练结果展示表

说明：P-Tuning 仅打通功能，无性能优化。

表 2 评估结果展示表

说明：该结果是step=5000的验证结果。

版本说明

变更

2023.6.25：首次发布。

公网地址说明

代码涉及公网地址参考 public_address_statement.md

FAQ

1. 报错提示deepspeed.py需要版本大于等于0.6.5

   # 关闭版本检测（如安装0.9.2版本无需此操作）
   # 若遇到该报错
   pip show transformers
   # 复制Location路径
   # 使用fix文件夹下的deepspeed.py替换路径下transformers/deepspeed.py
   

2. 报错checkpoint.py

   # 1.11版本适配问题，新版本已修复。
   # 若遇到该报错
   pip show torch_npu
   # 复制Location路径
   # 使用fix文件夹下的checkpoint.py替换路径下torch_npu/utils/checkpoint.py
   
   

3. 加载参数阶段有卡死现象

   删除root下的cache目录，重新运行
   

4. 单卡阶段报embedding_dense_grad算子错误

   enbedding当前版本，不支持动静合一，静态有部分shape不支持,新版本已修复
   # 若遇到该报错
   修改main.py文件
   torch.npu.set_compile_mode(jit_compile=False)
   

5. 提示so文件错误

   提示so文件找不到
   # 若遇到该报错
   全局搜索so的位置，然后导入环境变量
   export LD_LIBRARY_PATH=/usr/:$LD_LIBRARY_PATH
   

6. eval提示scaledsoftmax报错

   算子shape泛化性还有问题
   # 若遇到该报错
   搜索output文件夹生成的modeling_chatglm.py文件，
   self.scale_mask_softmax 设置为false