GLM-130B和ChatGLM-6B

对于三类主要预训练框架：

autoregressive（无条件生成），GPT的训练目标是从左到右的文本生成。
autoencoding（语言理解，比如BERT、ALBERT、RoBERTa、DeBERTa），encoder-decoder（有条件生成）。其训练目标是对文本进行随机掩码，然后预测被掩码的词。
基于encoder-decoder的T5，编码器中的注意力是双向的，解码器中的注意力是单向的，可同时应⽤于⾃然语⾔理解任务和⽣成任务，但T5为了达到和RoBERTa和DeBERTa相似的性能，往往需要更多的参数量。T5的训练目标是接受一段文本，从左到右生成另一段文本。

为了统一，GLM在结构和训练目标上兼容三种预训练模型。在结构上，通过attention mask实现同时存在单向注意力和双向注意力：
fig1
当attention mask是全1矩阵的时候，这时的注意力是双向的，当attention mask是三角矩阵时，比如上图，注意力就变成单向。因此，GLM可以在只使⽤Transformer编码器的情况下，⾃定义attention mask来兼容三种模型结构。具体回顾 LLM中的微调演变与LLM架构类型-LLM的架构分类。

训练时，GLM采用自回归空格填充任务，用于兼容三种模型的训练目标，先采样输入文本中部分片段，将其替换为[MASK] token，然后预测[MASK]所对应的文本片段，与掩码语⾔模型不同的是，预测的过程是自回归方式：
fig2

当被mask的片段长度为1，等价于BERT（掩码语言建模），当全部文本都被mask，等价于GPT（无条件语言生成），当将文本1和文本2拼接在一起，然后将文本2整体mask后，等价于T5（条件语言生成）。

GLM有两个交替优化的训练目标：

文档级别的生成：从文档中随机采样一个文本片段进行掩码，片段的长度为文档长度的50%-100%；
句子级别的生成：从文档中随机掩码若干文本片段，每个文本片段必须为完整的句子，被掩码的词数量为整个文档长度的15%；

GLM-130B是拥有1300亿参数的中英双语模型，在96块A100上训练了60天。ChatGLM-6B基于GLM架构，具有62亿参数，无量化的情况下占用显存13G，INT8量化后支持在单张11G显存的2080Ti上推理，INT4量化后只需6G显存进行推理，7G显存做P-Tuning v2微调。ChatGLM-6B以GLM-130B为基座，加入code预训练，并进行SFT和RLHF，支持中文问答。

关于量化
INT8量化是一种将深度学习模型中的权重和激活值从32位浮点数（FP32）减少到8位整数（INT8）的技术，这可以减少计算资源需求，降低能耗，量化通常包括以下步骤：

选择量化范围：确定权重和激活的最小值和最大值；
量化映射：根据范围将32位浮点数映射为8位整数；
反量化：将8位整数转回浮点数用于计算。

ChatGLM-6B直接部署

首先获取项目：

$ git clone https://github.com/THUDM/ChatGLM-6B
$ cd ChatGLM-6B

注意环境配置：torch版本不低于1.10，transformers为4.27.1，下载模型文件：

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

直接新建my_demo.py：

from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("/data/temp/my-alpaca-lora/chatglm-6b", trust_remote_code=True)
model = AutoModel.from_pretrained("/data/temp/my-alpaca-lora/chatglm-6b", trust_remote_code=True).half().cuda()
model = model.eval()
response, history = model.chat(tokenizer, "你好", history=[])
print("response: ", response)
print("history: ", history)
response, history = model.chat(tokenizer, "如何提高弹跳", history=history)
print("response: ", response)
print("history: ", history)

生成的答案为（同时打印了历史信息）：
fig3
也可以交互式问答，注意修改cli_demo.py中的模型路径：

$ python cli_demo.py

程序会在命令行中进行交互式的对话，在命令行中输入指示并回车即可生成回复，输入 clear 可以清空对话历史（history），输入 stop 终止程序。

也可以利用gradio可视化界面，注意修改web_demo.py中的模型路径：

from transformers import AutoModel, AutoTokenizer
import gradio as gr
import mdtex2html

tokenizer = AutoTokenizer.from_pretrained("/data/temp/my-alpaca-lora/chatglm-6b", trust_remote_code=True)
model = AutoModel.from_pretrained("/data/temp/my-alpaca-lora/chatglm-6b", trust_remote_code=True).half().cuda()
model = model.eval()

运行web_demo.py即可：
fig4

默认情况下，模型以 FP16 精度加载，运行模型需要大概 13GB 显存。

基于PEFT的LoRA微调ChatGLM-6B

官方基于P-Tuning v2微调，此处我们使用非官方项目ChatGLM-Tuning基于LoRA微调：

$ git clone https://github.com/mymusise/ChatGLM-Tuning
$ cd ChatGLM-Tuning

首先新建data_process.sh进行数据处理：

python cover_alpaca2jsonl.py \
    --data_path data/alpaca_data.json \
    --save_path data/alpaca_data.jsonl \

alpaca_data.json包含用于微调Alpaca模型的52k指令数据（回顾 LLaMA-7B微调记录）。data_process.sh用于将这52k数据处理为ChatGLM-6B的格式。

对于alpaca_data.json，包含 instruction，input，output，格式为：

[
    {
        "instruction": "Give three tips for staying healthy.",
        "input": "",
        "output": "1.Eat a balanced diet and make sure to include plenty of fruits and vegetables. \n2. Exercise regularly to keep your body active and strong. \n3. Get enough sleep and maintain a consistent sleep schedule."
    },
    ...
    {
        "instruction": "Edit the following sentence (highlight changes in bold)",
        "input": "We use computers for gaming and entertainment",
        "output": "We use computers for gaming, entertainment, and work."
    }
]

处理后的alpaca_data.jsonl包含context，target，格式为：

{"context": "Instruction: Give three tips for staying healthy.\nAnswer: ", "target": "1.Eat a balanced diet and make sure to include plenty of fruits and vegetables. \n2. Exercise regularly to keep your body active and strong. \n3. Get enough sleep and maintain a consistent sleep schedule."}
{"context": "Instruction: Edit the following sentence (highlight changes in bold)\nInput: We use computers for gaming and entertainment\nAnswer: ", "target": "We use computers for gaming, entertainment, and work."}

可以看到这个格式正好符合前面所提到的GLM的训练目标。

下一步，新建token.sh将数据token化，首先修改tokenize_dataset_rows.py中, 函数read_jsonl内的模型路径:

model_name = "/data/temp/my-alpaca-lora/chatglm-6b"

token.sh为:

python tokenize_dataset_rows.py \
    --jsonl_path data/alpaca_data.jsonl \
    --save_path data/alpaca \
    --max_seq_length 200 \
    --skip_overlength False \

然后新建finetune.sh执行微调，注意修改finetune.py中的模型路径：

tokenizer = AutoTokenizer.from_pretrained("/data/temp/my-alpaca-lora/chatglm-6b", trust_remote_code=True)

def main():
	...
    # init model
    model = AutoModel.from_pretrained(
        "/data/temp/my-alpaca-lora/chatglm-6b", load_in_8bit=True, trust_remote_code=True, device_map="auto"
    )

finetune.sh为：

python finetune.py \
    --dataset_path data/alpaca \
    --lora_rank 8 \
    --per_device_train_batch_size 6 \
    --gradient_accumulation_steps 1 \
    --max_steps 52000 \
    --save_steps 1000 \
    --save_total_limit 2 \
    --learning_rate 1e-4 \
    --fp16 \
    --remove_unused_columns false \
    --logging_steps 50 \
    --output_dir output \

额外说明，在finetune.py，通过get_peft_model将模型封装为带有LoRA分支的模型：

model = AutoModel.from_pretrained(
        "/data/temp/my-alpaca-lora/chatglm-6b", load_in_8bit=True, trust_remote_code=True, device_map="auto")
...
# setup peft
peft_config = LoraConfig(
        task_type=TaskType.CAUSAL_LM,
        inference_mode=False,
        r=finetune_args.lora_rank,
        lora_alpha=32,
        lora_dropout=0.1)
model = get_peft_model(model, peft_config)

其余训练内容都可以不变，这样就能进行LoRA优化。

微调后，通过以下方式加载模型：

from peft import PeftModel

model = AutoModel.from_pretrained("/data/temp/my-alpaca-lora/chatglm-6b", trust_remote_code=True, load_in_8bit=True, device_map='auto')

model = PeftModel.from_pretrained(model, "./output/")