聊聊ChatGLM6B的微调脚本及与Huggingface的关联

news2025/3/14 12:23:59

前言

本文首先分析微调脚本trainer.sh的内容，再剖析ChatGLM是如何与Huggingface平台对接，实现transformers库的API直接调用ChatGLM模型，最后定位到了ChatGLM模型的源码文件。

脚本分析

微调脚本：

PRE_SEQ_LEN=128
LR=2e-2

CUDA_VISIBLE_DEVICES=0 python3 main.py \
    --do_train \
    --train_file AdvertiseGen/train.json \
    --validation_file AdvertiseGen/dev.json \
    --prompt_column content \
    --response_column summary \
    --overwrite_cache \
    --model_name_or_path THUDM/chatglm-6b \
    --output_dir output/adgen-chatglm-6b-pt-$PRE_SEQ_LEN-$LR \
    --overwrite_output_dir \
    --max_source_length 64 \
    --max_target_length 64 \
    --per_device_train_batch_size 1 \
    --per_device_eval_batch_size 1 \
    --gradient_accumulation_steps 16 \
    --predict_with_generate \
    --max_steps 3000 \
    --logging_steps 10 \
    --save_steps 1000 \
    --learning_rate $LR \
    --pre_seq_len $PRE_SEQ_LEN \
    --quantization_bit 4

脚本配置项分析：

PRE_SEQ_LEN=128: 定义了序列长度为128。这个参数通常用于设置输入序列的最大长度。
LR=2e-2: 定义了学习率为0.02。学习率是模型训练中的一个重要超参数，它决定了模型参数更新的幅度。
CUDA_VISIBLE_DEVICES=0: 这个环境变量用于设置哪些GPU将被TensorFlow框架使用。在这个脚本中，只使用了第一个GPU（索引为0）。
python3 main.py: 这一行开始执行主训练脚本main.py。
--do_train: 这个标志告诉脚本执行训练过程。
--prompt_column content: 这个标志指定了输入列的名称，这里称为content。这是模型接收的输入列的名称。
--response_column summary: 这个标志指定了输出列的名称，这里称为summary。这是模型需要生成的输出列的名称。
--model_name_or_path THUDM/ChatGLM-6b: 这个标志指定了预训练模型的名称或路径。这里使用的是名为THUDM/ChatGLM-6b的预训练模型。
--output_dir output/adgen-ChatGLM-6b-pt-$PRE_SEQ_LEN-$LR: 这个标志指定了输出目录。目录名为output/adgen-ChatGLM-6b-pt-128-0.02，其中128和0.02分别由 $PRE\_SEQ\_LEN和$ LR变量替换。
--per_device_train_batch_size 1: 这个标志设置了每个设备上的训练批次大小为1。
--per_device_eval_batch_size 1: 这个标志设置了每个设备上的评估批次大小为1。
--gradient_accumulation_steps 16: 这个标志设置了梯度累积的步数为16。这意味着在每个更新步骤中，会将最近16个步骤的梯度相加。
--max_steps 3000: 这个标志设置了训练过程中的最大步数为3000。
--save_steps 1000: 这个标志设置了保存模型检查点的步数为1000。这意味着每1000个步骤后，将保存一次模型的状态。
--learning_rate $LR: 这个标志设置了学习率为之前定义的LR变量（0.02）。
--pre_seq_len $PRE_SEQ_LEN: 这个标志设置了序列长度为之前定义的PRE_SEQ_LEN变量（128）。

在官方的微调文档中，用的是ADGEN数据集，其格式也就是上述的--prompt_column content和--response_column summary配置项决定的。而最终保存在output_dir配置项指定的目录下有多个checkpoint文件，其生成频率就是由save_steps配置项决定。

main.py

main文件中，依赖了trainer_seq2seq.py，而这又依赖了trainer.py文件。trainer.py文件则是直接copy自transformers库的同名文件。

transformers库的

目前的大模型都会对接到transformers库中，通过transformers库简化调用开发。AI模型的对接，遵循HuggingFace平台的要求。整个ChatGLM系列的推理、训练、微调都可以直接调用transformers库的API。常用的是如下三句：

from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True)
model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().cuda()

huggingface平台与ChatGLM

在ChatGLM的部署过程中，需要在huggingface平台上下载模型参数以及配置初始化文件。而这些配置文件，transformers库的API能够调用的原因。

比较重要的，就是圈出来的三个。config.json文件中，配置了模型的基本信息以及transformers API的调用关系：

{
  "_name_or_path": "THUDM/chatglm-6b",
  "architectures": [
    "ChatGLMModel"
  ],
  "auto_map": {
    "AutoConfig": "configuration_chatglm.ChatGLMConfig",
    "AutoModel": "modeling_chatglm.ChatGLMForConditionalGeneration",
    "AutoModelForSeq2SeqLM": "modeling_chatglm.ChatGLMForConditionalGeneration"
  },
  "bos_token_id": 130004,
  "eos_token_id": 130005,
  "mask_token_id": 130000,
  "gmask_token_id": 130001,
  "pad_token_id": 3,
  "hidden_size": 4096,
  "inner_hidden_size": 16384,
  "layernorm_epsilon": 1e-05,
  "max_sequence_length": 2048,
  "model_type": "chatglm",
  "num_attention_heads": 32,
  "num_layers": 28,
  "position_encoding_2d": true,
  "torch_dtype": "float16",
  "transformers_version": "4.23.1",
  "use_cache": true,
  "vocab_size": 130528
}

如上的auto_map配置项。configuration_chatglm文件是该config文件的类表现形式。
modeling_chatglm.py文件是源码文件，ChatGLM对话模型的所有源码细节都在该文件中。我之前一直没找到ChatGLM的源码，就是神经网络的相关代码，经过一波的分析，终于是定位到了。所以在config文件中会配置AutoModel API直接取调用modeling_chatglm.ChatGLMForConditionalGeneration。