基于P-Tuning v2微调ChatGLM2-6B的操作步骤（环境已设置好）

1.P-Tuning v2结

2.具体操作步骤如下：

步骤1.

source activate
（conda env list）
conda activate torch1.13
pip install rouge_chinese nltk jieba datasets
conda activate chatglm2-6b

---

步骤2.

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

---

步骤3.

cd ChatGLM2-6B

---

步骤4.

cd ptuning

---

步骤5.

mkdir AdvertiseGen

---

步骤6.

到 https://drive.google.com/file/d/13_vf0xRTQsyneRKdD1bZIr93vBGOczrk/view 下载数据

---

步骤7.

在本地执行命令行，不要在服务器内上传
传入AdvertiseGen 数据集

---

步骤8.

vi train.sh
修改train.sh文件:去掉最后的 --quantization_bit 4。、model_name为自己的文件路径 ：/data/sim_chatgpt/chatglm2-6b

最后修改文件内容如下：
PRE_SEQ_LEN=8
LR=1e-2

CUDA_VISIBLE_DEVICES=0 nohup python -u main.py \
    --do_train \
    --train_file AdvertiseGen/train.json \
    --validation_file AdvertiseGen/dev.json \
    --prompt_column content \
    --response_column summary \
    --overwrite_cache \
    --model_name_or_path /data/sim_chatgpt/chatglm2-6b \
    --output_dir output/adgen-chatglm-6b-pt-$PRE_SEQ_LEN-$LR \
    --overwrite_output_dir \
    --max_source_length 64 \
    --max_target_length 64 \
    --per_device_train_batch_size 1 \
    --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 \
    >> log.out 2>&1 &

---

步骤9.

bash train.sh