Humanable ChatGPT/GLM Fine-tuning.
Project description
先clone仓库或pip安装:
pip install hcgf
需要的依赖在requirements.txt
中,通过下面命令安装:
pip install -r requirements.txt
注意:不支持PyTorch2.0,历史版本请参考下面链接安装:
https://pytorch.org/get-started/previous-versions/
微调
准备数据
每一行一个dict的.json
文件,必须包含prompt
和completion
两个字段。示例如下:
{"prompt": "你是谁?", "completion": "不告诉你。"}
正常微调
至少需要一张16G显存的卡。如果不指定显卡,默认为cuda
。
#===== 微调 =====#
import hcgf
gl = hcgf.GlmLora("THUDM/chatglm-6b", device="cuda:0")
gl.load_data("/path/to/data.json").tune()
#===== 推理 =====#
gl = hcgf.GlmLora("THUDM/chatglm-6b", device="cuda:0")
gl.load_pretrained("/path/to/lora_pt").eval()
gl.chat("你是谁?")
#===== 切换模式 =====#
gl = hcgf.GlmLora("THUDM/chatglm-6b", device="cuda:0")
gl.load_data("/path/to/data.json").tune()
# 切换到推理模式
gl.eval()
gl.chat("你是谁?")
# 切换回微调模式,还是用原来的数据继续跑
gl.tune()
# 如果有新的数据集,参考上面的写法,先加载数据
gl.load_data("/path/to/new_data.json").tune()
# 如果在原来的基础上用新数据继续微调,先加载之前的pt文件,再加载数据微调
gl.load_pretrained("/path/to/lora_pt").load_data("/path/to/new_data.json").tune()
8bit微调
至少需要一张12G显存的卡。不指定device。只需要初始化时改一下即可,其他操作和上面正常微调一样。
需要安装依赖: bitsandbytes
gl = hcgf.GlmLora("THUDM/chatglm-6b", load_in_8bit=True)
继续微调
先加载之前的pt
文件,然后加载数据微调。
gl.load_pretrained("/path/to/lora_pt").load_data("/path/to/new_data.json").tune()
参数说明
主要有三个方法的参数,有值的表示默认值。
load_data(
data_path: str,
max_seq_len: int = 512, # 句子最大长度,超过会截断
)
tune(
batch_size: int = 1,
lr: float = 2e-4,
num_epochs: int = 10,
warmup_steps: Optional[int] = None, # 为None时会用第一个Epoch进行warmup
accumulate_steps: Optional[int] = 32,
out_dir: str = "./output/",
print_every: int = 10, # 每隔多少个Step打印一次输出(Step、Loss、LearningRate)
)
chat(
inp: str,
history: List[Tuple[str, str]] = None, # (问,答)Pair对
max_len: int = 512, # 上下文的最大长度,超过就不生成了
temperature: float = 0.95, # 越小越确定,越大越随机,比如你微调后可以把它改成0.2
top_p: float = 0.7, # 同上,两者不要同时调
stop: List[str] = [] # 停止文本,可以是标点、特定词或句子等,输出不包含停止文本
)
配置
有几个影响显存的参数可以配置:max_seq_len
,batch_size
。
(
gl
.load_data("./data/chatgpt_finetune_faq.json", max_seq_len=128)
.tune(batch_size=1)
)
不同配置 8bit
资源占用:
max_seq_len | batch_size | memory |
---|---|---|
64 |
1 | 11G |
128 |
1 | 12G |
512 |
1 | 22G |
128 | 2 |
15G |
128 | 4 |
21G |
不同配置正常资源占用:
max_seq_len | batch_size | memory |
---|---|---|
64 |
1 | 15G |
128 |
1 | 16G |
512 |
1 | 30G |
128 | 2 |
19G |
128 | 4 |
25G |
RM
使用小模型(如BERT等)训练。
训练
准备数据
需要pair对数据,计算logits过程和普通预训练模型一样(一个Batch多个pair对);计算loss时属于同一个pair对的logits放一块算。
推理时直接用logits就行。
推理
测试
# 全部测试
python -m pytest
# 测试训练和推理,比较慢
python -m pytest -s -m slow
# 测试其他的
python -m pytest -m "not slow"
版本说明
如果你用的是旧版本的ChatGLM(icetk tokenizer),可以安装hcgf==0.0.7
版本,同时,需要手动指定model_id
参数为模型文件实际路径。
即将"THUDM/chatglm-6b"
替换为transformers
cache
的对应snapshots下的id。或者,建议手动clone仓库:
git lfs install
git clone https://huggingface.co/THUDM/chatglm-6b
然后切换到早期使用icetk的commit。这时候要替换的就是这个仓库的路径了。
更新日志
- v0.1.0
20230412
- 支持ChatGLM新版Tokenizer
- 使用官方调整后的MASK方式
- v0.0.7
20230405
Project details
Release history Release notifications | RSS feed
Download files
Download the file for your platform. If you're not sure which to choose, learn more about installing packages.