ChatGLM2-6B 部署

引言

这是ChatGLM2-6B 部署的阅读笔记，主要介绍了ChatGLM2-6B模型的部署和一些原理的简单解释。

ChatGLM-6B

它是单卡开源的对话模型。

• 充分的中英双语预训练

• 较低的部署门槛

  • FP16半精度下，需要至少13G的显存进行推理，甚至可以进一步降低到10G(INT8)和6G(INT4)

• 更长的序列长度 ChatGLM-6B 序列长度达2048；ChatGLM2-6B达8192；

• 人类意图对齐训练 使用了监督微调、反馈自助、人类反馈强化学习等方式

ChatGLM-6B本地部署

1.克隆ChatGLM2-6B

git clone https://github.com/THUDM/ChatGLM2-6B

2.CD进去之后，安装依赖包

pip install -r requirements.txt 

它会安装以下依赖：

protobuf
transformers==4.30.2
cpm_kernels
torch>=2.0
gradio
mdtex2html
sentencepiece
accelerate
sse-starlette

3.下载模型权重

有两种方法，第一种就是利用transformers包去加载：

from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm2-6b", trust_remote_code=True)

Downloading (…)enization_chatglm.py: 100%|████████████████████████████████████████████████████████████████████| 10.1k/10.1k [00:00<00:00, 1.61MB/s]
A new version of the following files was downloaded from https://huggingface.co/THUDM/chatglm2-6b:
- tokenization_chatglm.py
. Make sure to double-check they do not contain any added malicious code. To avoid downloading new versions of the code file, you can pin a revision.
Downloading tokenizer.model: 100%|████████████████████████████████████████████████████████████████████████████| 1.02M/1.02M [00:00<00:00, 2.22MB/s]

model = AutoModel.from_pretrained("THUDM/chatglm2-6b", trust_remote_code=True, device="cuda")

Loading checkpoint shards: 100%|█████████████████████████████████████████████████████████████████████████████████████| 7/7 [00:16<00:00,  2.41s/it]

由于博主已经下载过了，这里直接加载就好了，当然前提是你的显存和内存足够。

这样模型就下载好了，下面我们来体验以下：

model = model.eval()
# 传入tokenizer, 消息 和 历史
response, history = model.chat(tokenizer, "你好", history=[])
print(response)

你好！我是人工智能助手 ChatGLM2-6B，很高兴见到你，欢迎问我任何问题。

response, history =  model.chat(tokenizer, "如何学习大模型？", history)
print(response)

大模型学习通常需要大量的计算资源和数据集，以及高超的技术和经验。以下是一些学习大模型的步骤:

1. 选择合适的大模型：选择适合你应用领域的大模型，例如自然语言处理 (NLP) 中的 BERT、RoBERTa 等。

2. 准备数据集：获取大量高质量的训练数据集，这些数据集通常包括文本数据、图像数据等。

3. 选择训练方式：选择合适的训练方式，例如数据增强、迁移学习等。

4. 搭建训练环境：搭建一个适合大模型的训练环境，包括分布式计算、数据增强等。

5. 训练模型：使用训练工具对模型进行训练，常见的训练工具包括 PyTorch、TensorFlow 等。

6. 评估模型：使用评估工具对模型的性能进行评估，常见的评估指标包括 accuracy、召回率、F1-score 等。

7. 部署模型：将训练好的模型部署到生产环境中，以实时处理数据。

大模型学习需要大量的计算资源和数据集，以及高超的技术和经验。因此，建议在实践中根据自己的需求和能力选择适合自己的大模型，并逐步提高自己的技术水平。

如果这种方式下载模型很慢的话，还可以从云盘直接下载模型权重。

首先需要下载模型代码实现：

GIT_LFS_SKIP_SMUDGE=1 git clone https://huggingface.co/THUDM/chatglm2-6b

然后丛云盘中下载模型权重文件，放到本地目录，比如是chatglm2-6b下。

接着将模型加载路径替换成刚才这个本地目录chatglm2-6b：

tokenizer = AutoTokenizer.from_pretrained("chatglm2-6b", trust_remote_code=True)
model = AutoModel.from_pretrained("chatglm2-6b", trust_remote_code=True).cuda()

注意这里chatglm2-6b是保持下载好的权重的路径，可以放在项目的根目录下。

如果你手头上有一台Mac，那么可以参照以下方式部署(未验证)：

对于搭载了 Apple Silicon 或者 AMD GPU 的 Mac，可以使用 MPS 后端来在 GPU 上运行 ChatGLM2-6B。需要参考 Apple 的 官方说明 安装 PyTorch-Nightly（正确的版本号应该是2.x.x.dev2023xxxx，而不是 2.x.x）。

目前在 MacOS 上只支持从本地加载模型。将代码中的模型加载改为从本地加载，并使用 mps 后端：

model = AutoModel.from_pretrained("your local path", trust_remote_code=True).to('mps')

加载半精度的 ChatGLM2-6B 模型需要大概 13GB 内存。内存较小的机器（比如 16GB 内存的 MacBook Pro），在空余内存不足的情况下会使用硬盘上的虚拟内存，导致推理速度严重变慢。 此时可以使用量化后的模型 chatglm2-6b-int4。因为 GPU 上量化的 kernel 是使用 CUDA 编写的，因此无法在 MacOS 上使用，只能使用 CPU 进行推理。 为了充分使用 CPU 并行，还需要单独安装 OpenMP。

在 Mac 上进行推理也可以使用 ChatGLM.cpp

以上内容来自官方文档。

本地Web-Demo

除了通过代码的方式去和ChatGLM交流，还可以通过本地web-demo来进行。

在ChatGLM2-6B目录下，执行：

python web_demo.py

右下角有三个参数，分别是max length, top p和temperature。

• Max length 最大输出长度
• Top P nucleus采样阈值[0,1]之间，给定这个阈值，它会从解码器中挑选一个累计概率大于阈值的最小单词集合，然后把该集合中单词的概率重新进行归一化，然后从中采样。推荐0.7。
• Temperature 采样温度[0,1]之间，越大回答多样性越高，但如果想要结果一致性高一点，这个值要设小一点。它根据$P(x_i|x_{1:i-1})=\frac{\exp (u_i/t)}{{\sum }_j\exp (u_j/t)}$计算。

ChatGLM2-6B 量化部署

采用INT4量化，可以把显存需求从13G降到了6G。

ChatGLM-6B 微调

利用新的数据，对已经部署好的大模型进行继续训练就是微调。

首先我们看一下微调的好处

• 增强模型通用性以及和人类对齐的能力
• 使模型更加适用于专业化领域场景

大模型微调范式

第一种是Prompting，即输入提示词来引导模型适应下游任务。

这种方式的优点是简单，但缺点是成本高，难以达到最优。可以从上图看到，不同的提示词得到的准确率相差较大，优化效果不稳定，需要不断尝试。

我们重点来看下更优的方式。可以分为全参数微调和高效参数微调。

假设全参数微调在13G显存的参数上，模型本身就占用了13G显存。此时在训练时需要模型参数的四倍，加上原来的13G，因此大概需要60G内存或显存。所以全量微调成本高，难以实现。

上图右边就是高效参数微调

• Adapter 引入一小部分参数(额外可训练层)，只需要调整新加入的参数，但同时会引入额外的推理开销。
• Prompt/Prefix tuning 效果更优，需要调参。
• LoRA 依靠权重的低秩分解特点，没有额外推理开销。
• 数据量少的话，全参数微调效果更好，不容易过拟合。

这里还没有理解，需要进一步去了解。后续会继续阅读参考中的论文。

P-tuning V2原理

在输入的向量序列前面拼上几个不代表词含义的向量，让模型仅对前面这几个向量进行优化，冻结整个模型的其他60亿(6B)参数，这样来实现高效参数的微调。

这种微调方式的成本只有全参数微调成本的0.1%-0.5%。

同时只需要保持和载入前面的PrefixEncoder，模型保持空间非常小。

下面我们来看如何进行这种高效微调， 在目录ptuning下有：

total 104K
drwxrwxrwx 2 root root 4.0K Sep  6 22:25 .
drwxrwxrwx 8 root root 4.0K Sep  6 23:04 ..
-rw-rw-rw- 1 root root 8.3K Sep  6 22:25 arguments.py
-rw-rw-rw- 1 root root  489 Sep  6 22:25 deepspeed.json
-rw-rw-rw- 1 root root  768 Sep  6 22:25 ds_train_finetune.sh
-rw-rw-rw- 1 root root  603 Sep  6 22:25 evaluate_finetune.sh
-rw-rw-rw- 1 root root  702 Sep  6 22:25 evaluate.sh
-rw-rw-rw- 1 root root  18K Sep  6 22:25 main.py
-rw-rw-rw- 1 root root 9.4K Sep  6 22:25 README.md
-rw-rw-rw- 1 root root  823 Sep  6 22:25 train_chat.sh
-rw-rw-rw- 1 root root 3.1K Sep  6 22:25 trainer.py
-rw-rw-rw- 1 root root  12K Sep  6 22:25 trainer_seq2seq.py
-rw-rw-rw- 1 root root  833 Sep  6 22:25 train.sh
-rw-rw-rw- 1 root root 5.9K Sep  6 22:25 web_demo.py
-rw-rw-rw- 1 root root  219 Sep  6 22:25 web_demo.sh

其中 train.sh可以帮我们进行微调，而evaluate.sh可以验证微调效果。

我们来看下train.sh的内容:

$ cat train.sh
PRE_SEQ_LEN=128
LR=2e-2
NUM_GPUS=1

torchrun --standalone --nnodes=1 --nproc-per-node=$NUM_GPUS main.py \
    --do_train \
    --train_file AdvertiseGen/train.json \ # 数据集位置
    --validation_file AdvertiseGen/dev.json \ # 验证集
    --preprocessing_num_workers 10 \
    --prompt_column content \
    --response_column summary \
    --overwrite_cache \
    --model_name_or_path THUDM/chatglm2-6b \ # 可设为本地模型路径
    --output_dir output/adgen-chatglm2-6b-pt-$PRE_SEQ_LEN-$LR \ # 微调模型保存路径
    --overwrite_output_dir \
    --max_source_length 64 \
    --max_target_length 128 \
    --per_device_train_batch_size 1 \
    --per_device_eval_batch_size 1 \
    --gradient_accumulation_steps 16 \
    --predict_with_generate \
    --max_steps 3000 \ # 总训练步数
    --logging_steps 10 \
    --save_steps 1000 \
    --learning_rate $LR \ # 学习率
    --pre_seq_len $PRE_SEQ_LEN \ # Prompt长度，不设置时全参数微调
    --quantization_bit 4

其中通过以下设置：

quantization_bit=4 per_device_train_batch_size=1 gradient_accumulation_steps=16

可以实现INT4的模型参数被冻结，一次训练迭代会以1的批处理大小进行16次累加的前后向传播(就是计算了16次前向传播后再进行反向传播更新梯度，等同于16的批大小)，此时最低只需要6.7G显存。

全参数微调

如果你资源比较多，满足

比如有4张A100显卡。

那么可以通过ds_train_finetune.sh脚本进行全参数微调，需要安装deepspeed进行多卡微调：

推理

推理通过运行脚本evaluate.sh：

PRE_SEQ_LEN=128
CHECKPOINT=adgen-chatglm2-6b-pt-128-2e-2
STEP=3000
NUM_GPUS=1

torchrun --standalone --nnodes=1 --nproc-per-node=$NUM_GPUS main.py \
    --do_predict \
    --validation_file AdvertiseGen/dev.json \
    --test_file AdvertiseGen/dev.json \
    --overwrite_cache \
    --prompt_column content \
    --response_column summary \
    --model_name_or_path THUDM/chatglm2-6b \
    --ptuning_checkpoint ./output/$CHECKPOINT/checkpoint-$STEP \
    --output_dir ./output/$CHECKPOINT \
    --overwrite_output_dir \
    --max_source_length 64 \
    --max_target_length 64 \
    --per_device_eval_batch_size 1 \
    --predict_with_generate \
    --pre_seq_len $PRE_SEQ_LEN \
    --quantization_bit 4

微调结果

广告生成

这是一个广告文案生成的例子，我们输入衣服的描述，微调前模型只是做了一些简单的解释，用summary中的例子去训练，使得模型学会偏广告风格的描述。

多轮对话数据集

在微调多轮对话数据时，可以提供聊天历史，在训练命令中指定 –history_column。

其实这里只给出了两个微调实例的简单说明，下篇文章我们来看下微调的完整过程是怎样的。

参考

1. Prefix-Tuning: Optimizing Continuous Prompts for Generation
2. P-Tuning: Prompt Tuning Can Be Comparable to Fine-tuning Across Scales and Tasks