在矩池云使用&微调ChatGLM3-6B教程_chatglm3 6b参数镜像

今天给大家介绍下如何在矩池云使用ChatGLM3-6B模型。

1 简介

GitHub：https://github.com/THUDM/ChatGLM3
魔搭：https://modelscope.cn/models/ZhipuAI/chatglm3-6b/

ChatGLM3 是智谱AI和清华大学 KEG 实验室联合发布的新一代对话预训练模型。ChatGLM3-6B 是 ChatGLM3 系列中的开源模型，在保留了前两代模型对话流畅、部署门槛低等众多优秀特性的基础上，ChatGLM3-6B 引入了如下特性：
更强大的基础模型： ChatGLM3-6B 的基础模型 ChatGLM3-6B-Base 采用了更多样的训练数据、更充分的训练步数和更合理的训练策略。
更完整的功能支持： ChatGLM3-6B 采用了全新设计的 Prompt 格式，除正常的多轮对话外，同时原生支持工具调用（Function Call）、代码执行（Code Interpreter）和 Agent 任务等复杂场景。
更全面的开源序列： 除了对话模型 ChatGLM3-6B 外，还开源了基础模型 ChatGLM3-6B-Base、长文本对话模型 ChatGLM3-6B-32K。以上所有权重对学术研究完全开放，在填写问卷进行登记后亦允许免费商业使用。

2 矩池云快速使用ChatGLM3

（1）选用机器

进入矩池云官网https://matpool.com/， 以此点击“产品服务”、“GPU”，如图所示

（2）租用机器

在列表中，选用还是的机器，需要选择显存大于 13G 的机器，比如 V100、A4000、RTX3090、RTX4090等，不然ChatGLM-6B模型会因为显存不够而报错（CUDA out of Memory）

（3）选择镜像

点击租用后，在搜索框中输入“chatglm”以快速查找镜像，在系统镜像中选择“ChatGLM3-6B”后，即可下单租用。

（4）Web UI

镜像启动完成后，机器状态更变为“运行中”，如下所示，打开8501端口对应链接，即可进入ChatGLM3-6B的Web UI

（5）测试

进入Web UI后，即可与模型对话，如下图所示

（6）使用

ChatGLM3 Demo 拥有三种模式，使用案例参考https://github.com/THUDM/ChatGLM3/blob/main/composite_demo/README.md
Chat: 对话模式，在此模式下可以与模型进行对话。
Tool: 工具模式，模型除了对话外，还可以通过工具进行其他操作。
Code Interpreter: 代码解释器模式，模型可以在一个 Jupyter 环境中执行代码并获取结果，以完成复杂任务。

（7）对话模式参数调整

Temperature：从生成模型中抽样包含随机性，因此每次点击“生成”时，相同的提示可能会产生不同的输出。温度是用于调整随机程度的数字。
Top_p: 从top token中挑选的贪心解码策略，该值越高，约有可能选中概率低的token，
repetition_penalty：重复惩罚参数，对先前生成过的token，又重复的生成了该token进行惩罚（降低概率），以减少生成文本中的重复性，越大重复性越小，一般推荐设置 >1
Output length: 输出文本的长度，默认256，该值越大则输出可能的文本长度越长

3 模型微调

微调教程参考https://github.com/THUDM/ChatGLM3/blob/main/finetune_chatmodel_demo/README.md

（1）

进入Jupyter notebook，找到在根目录找到ChatGLM3代码文件，并新建终端

（2）

进入目录 /ChatGLM3/finetune_chatmodel_demo

（3）

# /ChatGLM3/finetune_chatmodel_demo 
pip install -r requirements.txt 
1
2

（4）

进入scripts，新建text file

（5）

填入微调数据

[
  {
    "conversations": [
      {
        "role": "system",
        "content": "矩池云如何租用机器"
      },
      {
        "role": "user",
        "content": "矩池云如何租用机器"
      },
      {
        "role": "assistant",
        "content": "进入矩池云官网后，注册账号，点击产品服务即可选用机器。矩池云是一家专注于人工智能领域的云服务商。提供稳定的人工智能云服务器、人工智能教学实训环境、高速网盘等服务。"
      }, 
      {
        "role": "user",
        "content": "矩池云如何租用机器"
      },
      {
        "role": "assistant",
        "content": "进入矩池云官网后，注册账号，点击产品服务即可选用机器。矩池云是一家专注于人工智能领域的云服务商。提供稳定的人工智能云服务器、人工智能教学实训环境、高速网盘等服务。"
      }
    ]
  },
  
    {
    "conversations": [
      {
        "role": "system",
        "content": "如何使用矩池云"
      },
      {
        "role": "user",
        "content": "如何使用矩池云"
      },
      {
        "role": "assistant",
        "content": "进入矩池云官网后，注册账号，点击产品服务即可选用机器。矩池云是一家专注于人工智能领域的云服务商。提供稳定的人工智能云服务器、人工智能教学实训环境、高速网盘等服务。"
      }, 
      {
        "role": "user",
        "content": "如何使用矩池云器"
      },
      {
        "role": "assistant",
        "content": "进入矩池云官网后，注册账号，点击产品服务即可选用机器。矩池云是一家专注于人工智能领域的云服务商。提供稳定的人工智能云服务器、人工智能教学实训环境、高速网盘等服务。"
      }
    ]
  }

]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52

（6）

Ctrl+S 保存文件，并将文件重命名, 这里的示例是my_data.json，用户可根据自己的喜好更改

（7）

修改微调的数据集路径，修改 /ChatGLM3/finetune_chatmodel_demo/scripts/finetune_pt_multiturn.sh
（如果使用全量微调，则修改 finetune_ds_multiturn.sh）

BASE_MODEL_PATH=/ChatGLM3/chatglm3-6b-32k
DATASET_PATH=/ChatGLM3/finetune_chatmodel_demo/scripts/my_data.json
1
2

（8）

执行微调，有全量微调和P-Tuning v2 微调两种
参考显存用量
P-Tuning V2： PRE_SEQ_LEN=128, DEV_BATCH_SIZE=1, GRAD_ACCUMULARION_STEPS=16, MAX_SEQ_LEN=2048 配置下约需要 21GB 显存。
全量微调：./scripts/finetune_ds_multiturn.sh 中的配置（MAX_SEQ_LEN=2048, DEV_BATCH_SIZE=16, GRAD_ACCUMULARION_STEPS=1）恰好用满 4 * 80GB 显存。

# ./scripts/finetune_ds_multiturn.sh  # 全量微调
# ./scripts/finetune_pt_multiturn.sh # P-Tuning v2 微调

cd /ChatGLM3/finetune_chatmodel_demo
chmod 777 ./scripts/finetune_pt_multiturn.sh 
./scripts/finetune_pt_multiturn.sh 
1
2
3
4
5
6

（9）

启动微调后模型

PT_PATH需要根据自己output下文件夹生成的名称做调整

cd /ChatGLM3/finetune_chatmodel_demo
python inference.py \
    --pt-checkpoint "/ChatGLM3/finetune_chatmodel_demo/output/tool_alpaca_pt-20240103-075859-128-2e-2" \
    --model /ChatGLM3/chatglm3-6b-32k
1
2
3
4

如果是全量微调，则执行下面的指令

python inference.py \
    --tokenizer /ChatGLM3/chatglm3-6b-32k \
    --model "/ChatGLM3/finetune_chatmodel_demo/output/tool_alpaca_pt-20240103-075859-128-2e-2"
1
2
3

（10）

在Web UI中部署
首先我们需要 kill 掉系统开启自启的 ChatGLM3-6B 服务，Jupyterlab 里新建一个 Terminal，然后输入下面指令查看 ChatGLM3 综合 Demo 服务器进程id，该程序通过 streamlit 启动，所以我们可以查下 streamlit 相关进程即可。

ps aux | grep streamlit
1

kill 掉相关进程，从上面运行结果可以看出，streamlit 相关进程id是963，执行下面指令即可 kill 相关进程

# 注意 963 换成你自己租用服务器里查出来的 streamlit 程序的进程id
# 注意 963 换成你自己租用服务器里查出来的 streamlit 程序的进程id
# 注意 963 换成你自己租用服务器里查出来的 streamlit 程序的进程id
kill 963
1
2
3
4

在Web UI中部署
注意，MODEL_PATH和PT_PATH的设置要和 streamlit run main.py在同一行，不能将命令分开输入，否则不会加载我们微调后的模型，和上文一致，PT_PATH需要根据自己output下文件夹生成的名称做调整

cd /ChatGLM3/composite_demo
MODEL_PATH="/ChatGLM3/chatglm3-6b-32k"  PT_PATH="/ChatGLM3/finetune_chatmodel_demo/output/tool_alpaca_pt-20240104-005002-128-2e-2" streamlit run main.py 
1
2