KO
|
EN
gitlite — search
Search
#typescript
#ai-agents
#ai
#dsh-plugin
#deepseek-harness
#open-source
#cli
#claude-code
#codex
#developer-tools
#react
#windows
InstructGLM
★ 649
Open GitHub ↗
ChatGLM-6B 指令学习|指令数据|Instruct
Download README (.md)
Explore Similar Repositories
page-object
:
Gem to implement PageObject pattern in watir-webdriver and selenium-webdriver
SwiftyPickerPopover
:
A more convenient way to display a popover with a built-in picker, on iPhone/iPad of iOS9+.
kcli
:
Management tool for virtualization and kubernetes platforms
LiipFunctionalTestBundle
:
Some helper classes for writing functional tests in Symfony
base16-nvim
:
Neovim plugin for building a sync base16 colorscheme. Includes support for Treesitter and LSP highlight groups.
// repository documentation
Was this content helpful?
★ 0
(0 ratings)
Select Rating:
★
★
★
★
★
Submit Feedback
Recent Feedback
×
Download README
Do you want to download the
README.md
file for
InstructGLM
?
Download (.md)
# InstructGLM > 基于ChatGLM-6B+LoRA在指令数据集上进行微调 > > **本项目主要内容：** - 🚀 2023/4/9 发布了基于[100万条由BELLE项目生成的中文指令数据](https://huggingface.co/datasets/BelleGroup/train_1M_CN)的Lora权重，具体可见`output/belle/chatglm-lora.pt` - 🚀 2023/4/8 基于deepspeed支持多卡微调，速度相比单卡提升8-9倍具体设置可见 [微调3 基于DeepSpeed进行Lora微调](#微调3:基于DeepSpeed进行Lora微调) - 🚀 2023/3/28 开源了基于alpaca和belle数据指令微调后的lora权重，详情可见[output](https://github.com/yanqiangmiffy/InstructGLM/tree/master/output) - 🚀 2023/3/25 针对ChatGLM-6B模型基于LoRA技术进行微调 - 🚀 2023/3/23 基于gradio的demo完善 ## Todo * [x] deepspeed支持 * [ ] 模型评估,如何评估微调后的模型效果 ## 开源指令数据集 - [斯坦福52k英文指令数据](https://github.com/tatsu-lab/stanford_alpaca) > instruction:52K 条指令中的每一条都是唯一的,答案由text-davinci-003模型生成得到的 - [BELLE项目生成的中文指令数据：0.5m&1m](https://huggingface.co/datasets/BelleGroup/generated_train_0.5M_CN) > 1百万数据：https://huggingface.co/datasets/BelleGroup/generated_train_1M_CN > 生成方式基于种子prompt，调用openai的api生成中文指令 - [GuanacoDataset 多语言指令数据集](https://huggingface.co/datasets/JosephusCheung/GuanacoDataset) > Guanaco 是在 Meta 的 LLaMA 7B 模型上训练的指令跟随语言模型。在 Alpaca 模型原始 52K 数据的基础上，我们添加了额外的 98,369 个条目，涵盖英语、简体中文、繁体中文（台湾）、繁体中文（香港）、日语、德语以及各种语言和语法任务。通过使用这些丰富的数据重新训练和优化模型，Guanaco 在多语言环境中展示了出色的性能和潜力。项目链接可以查看 > https://guanaco-model.github.io/ - [alpaca中文指令微调数据集](https://github.com/carbonz0/alpaca-chinese-dataset) > 与原始alpaca数据json格式相同,数据生成的方法是机器翻译和self-instruct - [人工精调的中文对话数据集](https://github.com/hikariming/alpaca_chinese_dataset) >加入除了alpaca之外的其他中文聊天对话 人工微调，部分并不中文化的问题，我们将重新询问chatgpt或文心一言，重新获取回答并覆盖掉alpaca的回答 - [firefly-train-1.1M](https://huggingface.co/datasets/YeungNLP/firefly-train-1.1M) ， 一份高质量的包含1.1M中文多任务指令微调数据集，包含23种常见的中文NLP任务的指令数据。对于每个任务，由人工书写若干指令模板，保证数据的高质量与丰富度。 ## 微调1：alpaca英文指令数据 斯坦福羊驼52k数据，原始数据格式如下： ```text { "instruction": "Evaluate this sentence for spelling and grammar mistakes", "input": "He finnished his meal and left the resturant", "output": "He finished his meal and left the restaurant." } ``` > 数据集地址：https://github.com/tatsu-lab/stanford_alpaca ### 1.数据预处理 转化alpaca数据集为jsonl,这一步可以执行设置数据转换后格式，比如： ```text ###Instruction:xxx###Input:xxxx###Response:xxx ``` ```shell python cover_alpaca2jsonl.py \ --data_path data/alpaca_data.json \ --save_path data/alpaca_data.jsonl ``` 对文本进行tokenize,加快训练速度，文本长度可根据运行资源自行设置 ```shell python tokenize_dataset_rows.py \ --jsonl_path data/alpaca_data.jsonl \ --save_path data/alpaca \ --max_seq_length 320 ``` ### 2. 模型训练 ```shell python train_lora.py \ --dataset_path data/alpaca \ --lora_rank 8 \ --per_device_train_batch_size 2 \ --gradient_accumulation_steps 1 \ --max_steps 52000 \ --save_steps 1000 \ --save_total_limit 2 \ --learning_rate 2e-5 \ --fp16 \ --remove_unused_columns false \ --logging_steps 50 \ --output_dir output ``` ## 微调2:BELLE中文指令数据 包含543314条由BELLE项目生成的中文指令数据,数据格式如下： |input| target | |----|----| |用一句话描述地球为什么是独一无二的。\n | 地球上有适宜生命存在的条件和多样化的生命形式| > 数据集地址：https://huggingface.co/datasets/BelleGroup/generated_train_0.5M_CN ### 1.数据预处理 转化bell数据集为jsonl ```shell python cover_alpaca2jsonl.py \ --dataset_name BelleGroup/generated_train_0.5M_CN \ --save_path data/belle_data.jsonl ``` 文本长度统计 ```text count 543314.000000 mean 83.536944 std 95.665178 min 4.000000 25% 33.000000 50% 51.000000 75% 88.000000 90% 194.000000 max 4410.000000 Name: input_len, dtype: float64 count 543314.000000 mean 121.079030 std 165.472722 min 1.000000 25% 27.000000 50% 67.000000 75% 151.000000 90% 296.000000 max 9463.000000 Name: target_len, dtype: float64 ``` 分词处理 ```shell python tokenize_dataset_rows.py \ --jsonl_path data/belle_data.jsonl \ --save_path data/belle \ --max_seq_length 320 ``` 转换后的数据： ```text input_ids seq_len 0 [20005, 92863, 20012, 20005, 83864, 87784, 871... 20 1 [20005, 92863, 20012, 20005, 91432, 86523, 885... 80 2 [20005, 92863, 20012, 104069, 85056, 86334, 89... 61 3 [20005, 92863, 20012, 91492, 89122, 83866, 852... 24 4 [20005, 92863, 20012, 20005, 83834, 99899, 927... 24 ``` ### 2. 模型训练 - 基于原始chatglm-6b训练 ```shell python train_lora.py \ --dataset_path data/belle \ --lora_rank 8 \ --per_device_train_batch_size 2 \ --gradient_accumulation_steps 1 \ --max_steps 52000 \ --save_steps 1000 \ --save_total_limit 2 \ --learning_rate 2e-5 \ --fp16 \ --remove_unused_columns false \ --logging_steps 50 \ --output_dir output ``` - 基于alpaca的lora继续微调 ```shell python train_lora.py \ --dataset_path data/belle \ --lora_rank 8 \ --per_device_train_batch_size 8 \ --gradient_accumulation_steps 1 \ --max_steps 52000 \ --save_steps 10000 \ --save_total_limit 2 \ --learning_rate 2e-5 \ --fp16 \ --remove_unused_columns false \ --logging_steps 50 \ --output_dir output/belle \ --is_resume True \ --resume_path output/alpaca/chatglm-lora.pt ``` ## 微调3:基于DeepSpeed进行Lora微调 支持多卡+zero方案，训练速度可提高8倍左右 ```shell accelerate launch --config_file config/default_config.yaml train_deepspeed.py ``` ## 实验环境 - 安装所需要的包：pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple - 显卡：2xA100 80G ## 实验结果 - 训练好的lora权重 ```text └─output ├─alpaca:基于52k微调的lora权重 ├─belle：:基于52k微调的lora权重+belle微调的权重52000steps └─belle_raw：belle微调的权重104000steps ``` ``` 链接：https://pan.baidu.com/s/1c-zRSEUn4151YLoowPN4YA?pwd=hxbr 提取码：hxbr --来自百度网盘超级会员V3的分享 ``` - alpaca数据微调效果  - belle数据微调效果  ## Reference > 非常感谢以下作者的无私开源 - https://github.com/mymusise/ChatGLM-Tuning - https://huggingface.co/BelleGroup/BELLE-7B-2M - https://github.com/LianjiaTech/BELLE - https://huggingface.co/datasets/BelleGroup/generated_train_0.5M_CN - https://huggingface.co/datasets/JosephusCheung/GuanacoDataset - https://guanaco-model.github.io/ - https://github.com/carbonz0/alpaca-chinese-dataset - https://github.com/THUDM/ChatGLM-6B - https://huggingface.co/THUDM/chatglm-6b - https://github.com/lich99/ChatGLM-finetune-LoRA ## Bugs - gcc版本升级 ``` yum install centos-release-scl -y yum install devtoolset-9 -y #临时覆盖系统原有的gcc引用 scl enable devtoolset-9 bash # 查看gcc版本 gcc -v ```
