正文

首先先拋出一個問題，是不是所有的文本生成數據集都適合用chatglm 6B的模型進行微調。那我們今天找到了三個數據集，分別為百科數據集、法律問答數據集、論文題目與摘要數據集、專利名稱與專利摘要數據集。

官方廣告數據集結構

官方的廣告數據集是如下結構的

{
    "content": "類型#上衣*版型#寬松*版型#顯瘦*圖案#線條*衣樣式#襯衫*衣袖型#泡泡袖*衣款式#抽繩",
    "summary": "這件襯衫的款式非常的寬松，利落的線條可以很好的隱藏身材上的小缺點，穿在身上有著很好的顯瘦效果。領口裝飾了一個可愛的抽繩，漂亮的繩結展現(xiàn)出了十足的個性，配合時尚的泡泡袖型，盡顯女性甜美可愛的氣息。"
}

官方的多輪對話數據集是如下結構的

{
    "prompt": "是的。上下水管都好的",
    "response": "那就要檢查線路了，一般風扇繼電器是由電腦控制吸合的，如果電路存在斷路，或者電腦壞了的話會出現(xiàn)繼電器不吸合的情況！",
    "history": [
        [
            "長城h3風扇不轉。繼電器好的。保險絲好的傳感器新的風扇也新的這是為什么。就是繼電器缺一個信號線",
            "用電腦能讀數據流嗎？水溫多少"
        ],
        [
            "95",
            "上下水管溫差怎么樣?。靠諝馐遣皇嵌寂鸥蓛袅四?？"
        ]
    ]
}

探索單輪生成chatglm-6B上的適配性

今天的所有實驗都是探索單輪生成chatglm-6B上的適配性。

ptuning chatglm 6B中有兩個數據集作為標準的官方微調數據集案例

我們看一下ptuning chatglm 6B中的啟動參數有哪些。

PRE_SEQ_LEN=128
LR=2e-2
CUDA_VISIBLE_DEVICES=0 python3 main.py \
    --do_train \
    --do_eval \
    --train_file AdvertiseGen/patent_train.32.128.512.json \
    --validation_file AdvertiseGen/patent_dev.32.128.512.json \
    --prompt_column content \
    --response_column summary \
    --overwrite_cache \
    --model_name_or_path THUDM/chatglm-6b \
    --output_dir output/patent_dev-chatglm-6b-pt-$PRE_SEQ_LEN-$LR \
    --overwrite_output_dir \
    --max_source_length 128 \
    --max_target_length 512 \
    --per_device_train_batch_size 4 \
    --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 \
    --fp16 False\
    --pre_seq_len $PRE_SEQ_LEN

PRE_SEQ_LEN 預序列長度

LR 學習率

do_train 是否進行訓練

do_eval 是否進行預測

train_file 訓練文件相對地址

validation_file 驗證文件相對地址

prompt_column prompt 提示信息字段

response_column 響應信息字段

overwrite_cache 重寫數據集緩存。

model_name_or_path 模型名稱或模型地址

output_dir 訓練好的模型保存的地址

per_device_train_batch_size 每個設備上的訓練批次大小 在實際的訓練過程中3090顯卡可以把這個參數開到4。

模型的指令輸入應該如何拼接才可以讓chatglm更好的服務。

train.sh 中的 PRE_SEQ_LEN 和 LR 分別是 soft prompt 長度和訓練的學習率，可以進行調節(jié)以取得最佳的效果。P-Tuning-v2 方法會凍結全部的模型參數，可通過調整 quantization_bit 來被原始模型的量化等級，不加此選項則為 FP16 精度加載。 在默認配置 quantization_bit=4、per_device_train_batch_size=1、gradient_accumulation_steps=16 下，INT4 的模型參數被凍結，一次訓練迭代會以 1 的批處理大小進行 16 次累加的前后向傳播，等效為 16 的總批處理大小，此時最低只需 6.7G 顯存。若想在同等批處理大小下提升訓練效率，可在二者乘積不變的情況下，加大 per_device_train_batch_size 的值，但也會帶來更多的顯存消耗，請根據實際情況酌情調整。

調整batch size后的學習率應該如何調整。

chatglm的工作流程

編輯切換為居中

添加圖片注釋，不超過 140 字（可選）

基于openbayes的3090單卡，prompt tuning v2 訓練chatglm 6B模型。

訓練專利prompt的數據的時候基礎訓練參數 修改了 per_device_train_batch_size 為 4。

 ***** Running training *****
Num examples = 3384
Num Epochs = 58
Instantaneous batch size per device = 4
Total train batch size (w. parallel, distributed & accumulation) = 64
Gradient Accumulation steps = 16
Total optimization steps = 3000
Number of trainable parameters = 29360128

其中每一個設備的batch size設定為4，總共訓練的批次大小是64。這里的總批次是因為采用了梯度累計策略，所以總訓練批次大小是64。那如果是兩張卡的話這里是128。

訓練專利prompt的數據集的時候的損失表現(xiàn)

編輯切換為居中

添加圖片注釋，不超過 140 字（可選）

中國大百科數據集

編輯切換為居中

添加圖片注釋，不超過 140 字（可選）

PyTorch DataParallel和DDP是PyTorch提供的兩個數據并行擴展。 1. PyTorch Data Parallel PyTorch Data Parallel是PyTorch框架中的一個重要組成部分,它提供了一種高效的并行計算機制,使得在GPU上運行Torch模型變得更加容易。Data Parallel使用GPU上的多線程來并行計算多個輸入特征,從而提高計算效率。 Data Parallel的實現(xiàn)方式包括: - Data parallel器:負責將輸入特征按照一定的規(guī)則劃分成一組數據 parallel,例如按照相似度、長度、形狀等特征進行劃分。 - 并行化操作:將數據 parallel劃分為多個并行塊,并執(zhí)行相應的操作。 - 數據預處理:對數據parallel塊進行一些預處理,例如合并、排序、歸一化等操作。 使用Data Parallel可以大大簡化GPU編程,并提高模型的訓練效率。 2. DDP 官方建議用新的DDP，采用all-reduce算法，本來設計主要是為了多機多卡使用，但是單機上也能用，使用方法如下：

初始化使用nccl后端

torch.distributed.init_process_group(backend="nccl")

模型并行化

model=torch.nn.parallel.DistributedDataParallel(model)

需要注意的是：DDP并不會自動shard數據 1. 如果自己寫數據流，得根據torch.distributed.get_rank()去shard數據，獲取自己應用的一份 2. 如果用Dataset API，則需要在定義Dataloader的時候用DistributedSampler 去shard：

sampler = DistributedSampler(dataset) # 這個sampler會自動分配數據到各個gpu上
DataLoader(dataset, batch_size=batch_size, sampler=sampler)

在chatglm 6B中訓練的并行是基于transformers架構實現(xiàn)的

from transformers.trainer import Trainer

trainer默認是用torch.distributed的api來做多卡訓練的，因此可以直接支持多機多卡，單機多卡，單機單卡。

目前autodl沒有多卡資源，所以也沒辦法驗證多卡這個如何可以更高效率的執(zhí)行出來有效的結果。

不同的云計算平臺

autodl 模型下載速度比較慢 可以通過在新建環(huán)境時候選擇合適的thuglm鏡像來減少模型下載上所需要的時間。實例初始化空間為20GB系統(tǒng)空間+50GB數據空間，數據空間可以擴容。

openbayes 模型下載速度比較快，環(huán)境每次重啟的時候都要執(zhí)行一遍pip install安裝步驟。啟動訓練是需要在命令行中加上 --fp16 False，不然會報錯。實例硬盤上限只有50GB，需要注意保存策略。存儲空間費用如下。

用我的專用邀請鏈接，注冊 OpenBayes，雙方各獲得 60 分鐘 RTX 3090 使用時長，支持累積，永久有效：

注冊 - OpenBayes

要不是autodl沒有卡，我也不會來openbayes租用顯卡。最吐槽的問題就是硬盤空間問題。作為個人研究者還要為硬盤按月付費實在是讓人不舒服。目前我付費了100GB的硬盤。一個月80多塊。

以上就是基于prompt tuning v2訓練好一個垂直領域的chatglm-6b的詳細內容，更多關于prompt tuning v2訓練chatglm-6b的資料請關注腳本之家其它相關文章！

最新評論