大语言模型中一个调皮的EOS token

背景
最近需要做一个微调的培训，所以不可避免地需要上手一下相关的微调，而受限于机器资源，暂时没法做全参数微调，所以就尝试了目前比较火的两种高效微调方式，分别是PTuning和LoRA。模型选择得自然是现在中文做的比较好的ChatGLM2-6B。

微调的代码分别用的是

PTuning
LoRA
在分别尝试了两个结果后，发现LoRA微调出来的结果有点抽风，喜欢疯狂输出，而它就是咱们今天的主角：ChatGLM2-6B的Tokenizer所使用的EOS（end-of-sequence） token。

EOS token 介绍
其实从名字就可以看出来，EOS的作用就是标记一个序列的结束，这样模型就可以知道这个序列已经结束了，不需要再继续输出了。 如果以为例，一般模型在推理的时候，觉得可以结束一句话了，就会输出，但是模型的脑子里肯定没有的概念呀，它只能输出数字，所以我们需要把转换成数字，这个数字就是EOS token ID。在ChatGLM2-6B的Tokenizer中，EOS token ID是2，而模型输出的时候，输出的也是2，而不是

分析BUG
既然模型会输出文字版的，那是不是模型的输入中，给它喂进去了不合适的语料呢？

进一步查找发现所使用的LoRA库中是这么添加EOS的：

medicalGPT

尝试一下直接用喂给tokenizer，看看tokenizer会怎么处理。

tokenize_s

看到这原因的就很明显了，因为这个EOS添加的是字符，而不是token_id，所以tokenizer有时候会把当成了分开的token，比如，模型就把这3它当成了三个token，而不是一个token，所以在推理的时候，遇到结尾，有时候就会输出。而transformers的库在推理看一个句子是否以EOS结尾，看的是token_id而不是token。就会认为生成还没有结束，就继续生成了，直到某一次推理，模型想起来预训练时的记忆，在遇到结尾的时候输出了2的token id(也就是)，transformers库才会认为生成结束，停止生成。

transformers

既然知道了问题的原因，那么就需要解决这个问题，解决的方法也很简单，就是把EOS token_id添加到输入中，而不是字符。具体代码就是按照PTuning的方式，把EOS token_id添加到输入中。

refactor

改完之后重新train一遍LoRA，模型不再疯狂输出了。

尾声
要改这个bug，其实需要挺多tokenization的知识的，最近没有时间好好研究，之后有时间再来补充一下。