1.前言
指令微调ChatGlm3-6b。微调教程在github地址中给出，微调环境是Qwen提供的docker镜像为环境。
镜像获取方式：docker pull qwenllm/qwen:cu117
github地址：https://github.com/liucongg/ChatGLM-Finetuning
2.微调过程
github地址中的教程给出了详细的微调过程。如果使用预先准备的docker，微调则更为方便。在实践时候，用了Qwen提供的docker。在使用容器微调时，不需要让容器中开启服务，所以需要以官方提供的镜像为基础，再做一个镜像。 本次实践中使用的镜像与微调Qwen-1.8B的镜像一致。做镜像的具体步骤与命令均在【微调Qwen1.8B】教程中给出。
2-1 环境准备
开发机器中现有库的版本与requestment.txt中指定的版本不一致，所以使用docker镜像作为开发环境，docker的环境需要安装指定版本的deepspeed和tensorboard。
#运行镜像生成容器 挂载模型
docker run --gpus all -v /ssd/dongzhenheng/LLM/chatglm3-6b:/data/shared/Qwen/chatglm3-6b -it qwenllm/qwen:cu117 bash
#下载
pip install deepspeed==0.11.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install tensorboard -i https://pypi.tuna.tsinghua.edu.cn/simple2-2 数据准备
原github项目中给出了微调数据的格式，每条都包含instruction、input、output的json格式数据。
{"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"}
{"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": "957号汽车故障报告故障现象一辆2007年长丰猎豹飞腾6400越野车，行驶里程27000km。维修室内灯不亮，更换室内灯泡后，发现四个转向灯常亮，后雨刮和后喷水常工作，开关不起作用。", "output": "开关_部件故障_不起作用\n维修室内灯_部件故障_不亮"}#存放路径
sava_path = '/data/zhenhengdong/WORk/Fine-tuning/ChatGlm3-6B/Datasets'
def write_method(item):
#建立data.jsonl文件，以追加的方式写入数据
with jsonlines.open(sava_path + 'data.jsonl', mode = 'a') as json_writer:
json_writer.write(item)
#读文件
data = pd.read_csv(data_path)
for index in range(len(data)):
temp_data = data.iloc[index]
temp_dict = {
"instruction":prompt.replace('\n',''),
"input": data.iloc[index]['输入query'],
"output":data.iloc[index]['输出结果']
}
write_method(temp_dict)2-3 代码准备
将gitclone下来的ChatGLM-Finetuning-master项目、准备的数据复制到docker 容器中。
docker cp /data/zhenhengdong/WORk/Fine-tuning/ChatGlm3-6B/Codes/ChatGLM-Finetuning-master a27aaa4f78dc:/data/shared/Qwen/
github教程中给出了多种训练方式，Freeze方法、PT方法、Lora方法、全参方法。在微调时，采用了 Lora方法。
准备run_train.sh，在微调时直接运行即可。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。
Datasetsdata.json是按照2-2中数据格式准备的微调数据。
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表示使用0号GPU，也可设置为
CUDA_VISIBLE_DEVICES=0,1,2,3CUDA_VISIBLE_DEVICES=0 deepspeed --master_port 5200 train.py \
--train_path Datasetsdata.json \
--model_name_or_path /data/shared/Qwen/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
训练过程如下：
2-4 微调输出
微调之后会有一个output-glm3的文件夹。
output-glm3文件夹中有每一轮训练保存的模型
2-5 merge
在github教程中作者提供了merge.py文件，可以使用merge.py文件进行合并。在合并时，也可自己写merge代码。
将微调的模型从docker容器中cp到ssd目录下，准备与原模型合并。
import torch
from peft import PeftModel
from transformers import AutoTokenizer, AutoModel
#加载原模型
base_model = '/ssd/dongzhenheng/LLM/chatglm3-6b'
base_model = AutoModel.from_pretrained(base_model, trust_remote_code=True).cuda()
#加载微调的模型
lora_model_path = '/ssd/dongzhenheng/Work/ChatGLM3-6B微调/epoch-2-step-84'
lora_model = PeftModel.from_pretrained(base_model,lora_model_path, torch_dtype=torch.float16)
lora_model.to("cpu")
#合并
merged_model = lora_model.merge_and_unload()
#合并的模型存储
new_model_directory = '/ssd/dongzhenheng/Work/ChatGLM3-6B微调'
merged_model.save_pretrained(new_model_directory, max_shard_size="2048MB", safe_serialization=True)
2-6 验证
使用合并的模型对测试数据验证。
#加载模型
new_model_directory = '/ssd/dongzhenheng/Work/ChatGLM3-6B微调'
tokenizer = AutoTokenizer.from_pretrained(new_model_directory, trust_remote_code=True)
model = AutoModel.from_pretrained(new_model_directory, trust_remote_code=True).cuda()
model.eval()
#输入
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。
#验证
response, _ = model.chat(tokenizer, instruction+input_data, history=None)
print(response)
