ChatGLM2-6B的P-Tuning微调

1. ChatGLM2-6B的P-Tuning微调

ChatGLM2-6B：https://github.com/THUDM/ChatGLM2-6B
模型地址：https://huggingface.co/THUDM/chatglm2-6b

详细步骤同：ChatGLM-6B的P-Tuning微调详细步骤及结果验证

注：ChatGLM2-6B官网给的环境P-Tuning微调报错 (python3.8.10/3.10.6 + torch 2.0.1 + transformers 4.30.2)，

AttributeError: ‘Seq2SeqTrainer’ object has no attribute 'is_deepspeed_enabl
torch.distributed.elastic.multiprocessing.errors.ChildFailedError:

应该是transformers版本太高了，用ChatGLM-6B环境（ChatGLM-6B部署教程）即可，即

Python 3.8.10
CUDA Version: 12.0
torch                2.0.1
transformers         4.27.1

2. 模型微调情况

2.1 数据集&调参

训练集：412条
验证集：83条
max_source_length：3500
max_target_length：180

问题长度：

2.2 模型训练

A100 80G 2块，占用率16%，3000轮训练时间21h

2.3 模型预测

from transformers import AutoConfig, AutoModel, AutoTokenizer
import torch
import os

tokenizer = AutoTokenizer.from_pretrained("../THUDM-model", trust_remote_code=True)
CHECKPOINT_PATH = './output/adgen-chatglm2-6b-pt-64-2e-2/checkpoint-3000'
PRE_SEQ_LEN = 64

config = AutoConfig.from_pretrained("../THUDM-model", trust_remote_code=True, pre_seq_len=PRE_SEQ_LEN)
model = AutoModel.from_pretrained("../THUDM-model", config=config, trust_remote_code=True).half().cuda()
prefix_state_dict = torch.load(os.path.join(CHECKPOINT_PATH, "pytorch_model.bin"))
new_prefix_state_dict = {}
for k, v in prefix_state_dict.items():
    if k.startswith("transformer.prefix_encoder."):
        new_prefix_state_dict[k[len("transformer.prefix_encoder."):]] = v
model.transformer.prefix_encoder.load_state_dict(new_prefix_state_dict)

#model = AutoModel.from_pretrained(CHECKPOINT_PATH, trust_remote_code=True)
model = model.eval()

response, history = model.chat(tokenizer, "你好", history=[])
print(response)

参照p-tuning readme，需注意：
(1) 注意可能需要将 pre_seq_len 改成训练时的实际值。
(2) 如果是从本地加载模型的话，需要将 THUDM/chatglm2-6b 改成本地的模型路径（注意不是checkpoint路径）; CHECKPOINT_PATH路径需要修改。
(3) 报错”RuntimeError: “addmm_impl_cpu_” not implemented for ‘Half’“
需要在model = AutoModel.from_pretrained(“…/THUDM-model”, config=config, trust_remote_code=True) 后加 .half().cuda()

495条数据，无history，单轮，模型加载+预测时间3min