1.背景
大家好啊，上次给大家写了ChatGLM-6B的部署使用教程，【奶奶看了都会】云服务器部署开源ChatGLM-6B，让你拥有自己的ChatGPT
但是因为模型比较小的问题，所以日常工作中可能用不上。而且大家更希望的是模型能训练自己的数据，为自己服务。比如：公司内部用自己的知识库数据进行微调，训练成内部知识问答机器人，这样对于各种业务问题答疑，机器人立马就能给出对应的答案，比单纯的问题搜索好太多了。
还是老规矩，先让大家看看微调前后ChatGLM对不同业务问题的回答：
2.部署ChatGLM
详细部署教程可以参考上一篇文章：【奶奶看了都会】云服务器部署开源ChatGLM-6B，让你拥有自己的ChatGPT，这里我们简单说说部署步骤，重点讲微调教程
2.1创建空间
这里我们还是用揽睿星舟的云服务器进行操作，主要还是便宜嘛，一台3090-24G显存的机器只需要1.9元/小时，适合咱们这种口袋不鼓的小白玩家。
注册地址：揽睿云注册地址
注册账号时邀请码填写4104
通过我的链接注册的用户，登陆后点击右上角机器人图标，点击“充值”，选择其他金额输入“3.8“，即可获得免费3.8元算力
目前平台还有一个用户邀请用户的活动。如果邀请一个充值用户，平台会自动返 10元现金券。邀请方法就是在“个人设置”里面找到邀请码，分享出去，有用户通过个人邀请码充值，分享者就能获得10元的现金券~
然后我们选择一台3090-24G的服务器，创建工作空间，链接：
https://www.lanrui-ai.com/console/workspace/create?mode=after&resource_name=ark.gpu.3090
配置选择可以看下图，公有镜像、挂载网盘即可
2.2部署ChatGLM-6B
1.创建完工作空间后，进入jupyter页面，并创建一个终端，然后我们开始下载代码，执行命令
//1.进入data目录
cd data
//2.下载代码
git clone https://github.com/THUDM/ChatGLM-6B.git
2.下载代码后，修改requirements.txt文件，加上需要安装的依赖
icetk
chardet
streamlit
streamlit-chat
rouge_chinese
nltk
jieba
datasets
然后执行 pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/
安装依赖
3.下载模型文件
//下载小文件
cd ChatGLM-6B
git clone https://huggingface.co/THUDM/chatglm-6b
// 删除不用的空文件
rm -rf ice_text.model
rm -rf pytorch_model-0000*
接着进入到chatglm-6b目录下，新建一个down.py的文件，把下面的代码拷贝进去。我们准备下载大文件了
import requests
url='https://cloud.tsinghua.edu.cn/d/fb9f16d6dc8f482596c2/files/?p=%2Fice_text.model&dl=1'
save_path='ice_text.model'
# 设置header
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36'}
# 获取文件并写入
res = requests.get(url,headers=headers)
file1 =open(save_path,'wb')
file1.write(res.content)
file1.close()
url1='https://cloud.tsinghua.edu.cn/d/fb9f16d6dc8f482596c2/files/?p=%2Fpytorch_model-0000'
url2='-of-00008.bin&dl=1'
save_path1='pytorch_model-0000'
save_path2='-of-00008.bin'
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36'}
# 循环获取models,总共有8个基础模型
for i in range(8):
url=url1+str(i+1)+url2
save_path=save_path1+str(i+1)+save_path2
res = requests.get(url,headers=headers)
file1 =open(save_path,'wb')
file1.write(res.content)
file1.close()
print("第{}个模型下载已完成".format(i+1))
保存后，命令行执行python3 down.py等待10分钟左右，文件下载完成后如下图：
下面我们开始微调的流程
3.模型微调
3.1数据集准备
要想训练自己的数据，需要准备提问和回答的内容，数据格式为Json，如下是示例：
ADGEN 数据集任务为根据输入（content）生成一段广告词（summary）
{"content": "类型#裤*版型#宽松*风格#性感*图案#线条*裤型#阔腿裤",
"summary": "宽松的阔腿裤这两年真的吸粉不少，明星时尚达人的心头爱。毕竟好穿时尚，谁都能穿出腿长2米的效果宽松的裤腿，当然是遮肉小能手啊。上身随性自然不拘束，面料亲肤舒适贴身体验感棒棒哒。系带部分增加设计看点，还让单品的设计感更强。腿部线条若隐若现的，性感撩人。颜色敲温柔的，与裤子本身所呈现的风格有点反差萌。"}
当然，我们想训练自己的数据时，也可以写脚本将自己内部数据洗成上面的Json格式，对于大批量数据可能需要用到大数据的知识了。
这里为了方便快速看到效果，我们直接用网上已有的数据集进行测试
下载过程如下：
//进入到ptuning目录下
cd ChatGLM-6B/ptuning
//下载数据集文件
wget -O AdvertiseGen.tar.gz https://cloud.tsinghua.edu.cn/f/b3f119a008264b1cabd1/?dl=1
//解压数据集
tar -xzvf AdvertiseGen.tar.gz
解压后在ptuning/AdvertiseGen目录下能看到train.json和dev.json两个文件，就是数据集了。
3.2修改训练脚本
详细说明可以看官方Github说明ChatGLM官方文档
我们使用train.sh脚本训练，需要修改2个参数
- model_name_or_path 模型文件路径，修改为
/home/user/data/ChatGLM-6B/chatglm-6b即刚才下载的模型文件 - per_device_train_batch_size 每台设备训练的批处理大小，这里设成24，因为咱们的显存有24G，充分利用
- gradient_accumulation_steps 修改为2
修改完后，脚本如下：
3.3训练数据
执行下面命令开始训练数据
bash train.sh
训练时间大概4个小时，训练完成后会生成output文件夹，在该文件夹下可看到生成的checkpoint文件夹
3.4推理
小卷毕竟不是专业算法工程师，这一步简单理解验证模型与自己预想的输出结果一致程度。我们这一步进行evaluate过程，修改evaluate.sh脚本，需要修改的内容如下：
//修改模型路径
--model_name_or_path /home/user/data/ChatGLM-6B/chatglm-6b \
然后执行bash evaluate.sh执行推理脚本，等待1小时后，生成的结果保存在./output/adgen-chatglm-6b-pt-8-1e-2/generated_predictions.txt
3.5使用
我们运行ptuning文件夹下的web_demo.sh文件，通过网页访问使用模型，脚本文件需要修改模型路径，修改后如下：
PRE_SEQ_LEN=128
CUDA_VISIBLE_DEVICES=0 python3 web_demo.py \
--model_name_or_path /home/user/data/ChatGLM-6B/chatglm-6b \
--ptuning_checkpoint output/adgen-chatglm-6b-pt-128-2e-2/checkpoint-3000 \
--pre_seq_len $PRE_SEQ_LEN
修改web_demo.py文件里的监听IP为0.0.0.0，端口号改为27777，方便我们从浏览器访问
修改后的启动代码是
demo.queue().launch(share=True, inbrowser=True, server_port=27777, server_name="0.0.0.0")
如图：
接着命令行执行bash web_demo.sh开始运行模型，出现http://0.0.0.0:27777字样的日志说明运行成功
接着回到揽睿星舟的工作空间页面，复制调试地址后在浏览器打开，就能用我们微调后的模型玩耍了
3.6测试效果
我们输入预先设计的提问，对比微调前后的回答
可以看到微调后的回答，和我们喂给模型的回答是一样的
3.7其他注意
通过上图也可以发现，模型微调后出现了灾难性的遗忘，输入你好，开始胡言乱语了。
即除了你教它的东西外，它原本的知识已经混乱了。所以微调后的模型只能用于单一的场景了，非常适合知识库问答这种。
4.写在最后
AI技术的发展真是太快了，距离我上次写文才过去一个月，这个月的时间就涌现了各种新东西。AutoGPT、Midjourney、各种ChatGPT相关的课程、文心一言、讯飞大模型、Claude等等。
有微调需求的可以在 公众号卷福同学内联系
