ChatGLM2-6B微调过程说明文档

news2024/10/2 14:35:20

参考文档：

ChatGLM2-6B 微调(初体验) - 知乎

环境配置

下载anaconda，版本是Anaconda3-2023.03-0-Linux-x86_64.sh，其对应的python版本是3.10，试过3.7和3.11版本的在运行时都报错。

执行下面的命令安装anaconda

sh Anaconda3-2023.03-0-Linux-x86_64.sh

进入安装过程，根据提示输入即可，会自动配置好环境变量和pip等

下载代码

git clone GitHub - hiyouga/ChatGLM-Efficient-Tuning: Fine-tuning ChatGLM-6B with PEFT | 基于 PEFT 的高效 ChatGLM 微调

cd ChatGLM-Efficient-Tuning

如果服务器不能联网，可以在自己电脑上下载好，上传到服务器的对应目录

安装依赖

pip install -r requirements.txt

下载模型

从 Hugging Face Hub 下载模型实现和参数到本地，后期使用只需要从本地下载即可。

git lfs install

git clone https://huggingface.co/THUDM/chatglm2-6b

知识产权数据集准备

通过ChatGPT生成问答预料文本

例如：

prompt:

根据以下内容，生成10道简答题和答案，生成的答案需要详细，知识点完整：

在电影《天下无贼》中，演员刘德华和刘若英扮演的一对夫妇开着骗得的宝马轿车驶入别墅区大门时，保安不但没有上前询问，反而立正敬礼。刘德华扮演的男主角将车倒回, 拍着宝马车问保安: “开好车你就不问，开好车就可以随便进入，开好车就一定是好人吗?!”这个问题令人沉思。的确，观众们需要扪心自问:人们在追求以豪车、名表和名牌服装等为象征的奢华生活和“面子”时，是否忽视了物质外壳之下的美丽灵魂?然而，电影中的这一幕揭示了一个现实，如 “宝马”这样的驰名商标彰显了拥有者的身份与地位, 满足了消费者的心理需求，其作用有别于普通商标。与之相适应，商标法对驰名商标提供了特别保护。

驰名商标是指经过长期使用或大量商业推广与宣传，在市场上享有很高知名度并为相关公众所熟知的商标。与普通商标相比，驰名商标具有以下几个特点。

首先，驰名商标在相关公众中具有很高的知名度。

将返回的数据整理成md文档，如下图

每个章节生成的问题和回答数据达到5w字以上，全部生成完成之后，将文本内容处理成json格式，python代码如下：

import json
import os
import re

def process_md(md_text):
    qa_list = []

    # 使用正则表达式分割问题和答案
    qa_pairs = re.split(r'\n\n+', md_text)

    for pair in qa_pairs:
        question_match = re.match(r'^\s*(.*)\s*答：\s*(.*?)\s*$', pair, re.DOTALL)
        if question_match:
            #question = question_match.group(1)
            question = re.sub(r'^\d+\.\s*', '', question_match.group(1)).rstrip("\n")
            answer = question_match.group(2)
            qa = {
                "content": question,
                "summary": answer
            }
            qa_list.append(qa)
    return qa_list

def main():
input_directory = "md_files" # 替换为包含Markdown文件的目录
output_directory = "formatted_qa" # 输出文件的目录

    if not os.path.exists(output_directory):
        os.makedirs(output_directory)

    output_filename = os.path.join(output_directory, "content.json")
    output_file=open(output_filename, 'w', encoding='utf-8')

    for filename in os.listdir(input_directory):
        if filename.endswith(".md"):
            with open(os.path.join(input_directory, filename), 'r', encoding='utf-8') as file:
                md_text = file.read()

            qa_list = process_md(md_text)
            json.dump(qa_list, output_file, ensure_ascii=False, indent=2)
            print(f"转换完成，结果已保存到{output_filename}")
if __name__ == "__main__":
    main()

结果文档如下：