67637ff4d51afd2c3c947ba8

ChatGLM3 模型部署教程

发布时间：2024-12-19 10:07:48

一、大模型 ChatGLM3 简介

ChatGLM3 是智谱 AI 和清华大学 KEG 实验室联合发布的对话预训练模型。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。在语义、数学、推理、代码、知识等不同角度的数据集上测评显示，* ChatGLM3-6B-Base 具有在 10B 以下的基础模型中最强的性能 *。
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 和进一步强化了对于长文本理解能力的 ChatGLM3-6B-128K。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 。

二、大模型 ChatGLM3 一键拉取镜像

基础环境最低要求说明：

环境名称	版本信息 1
Ubuntu	22.04.4 LTS
Cuda	V12.1.105
Python	3.10.8
NVIDIA Corporation	RTX 3090

1. 根据需求选择主机和镜像，进行一键创建实例

租用实例 --》一键使用 --》进入“应用社区”--》搜索并选择“ChatGLM3” 大模型 --》选择 RTX 3090 GPU ，即可在平台进行实例创建。

2. 进入网页端命令行

项目实例 --》点击“WebSSH”--》执行“启动 web 页面”的相关命令

3. 启动 web_demo.py 文件

# 切换到项目工作目录
cd /ChatGLM3/basic_demo

# 激活 ChatGLM3 虚拟环境
conda activate ChatGLM3

# 运行 web_demo_gradio.py 文件
python web_demo_gradio.py

4. 获取端口号

5. 进入 web 页面

将获取到的链接复制到本地浏览器：

# 比如当前获取的地址如下：
http://hn-a.suanjiayun.com:31505

三、大模型 ChatGLM3 微调步骤

1. 结束当前运行（按键盘上的 Ctrl + C）

2. 安装模型依赖库

切换到项目目录、激活 ChatGLM3 虚拟环境、安装 requirements.txt 依赖

# 切换到 ChatGLM3 项目工作目录
cd /ChatGLM3/finetune_demo

# 激活 ChatGLM3 虚拟环境
conda activate ChatGLM3

# 在 ChatGLM3 环境中安装 requirements.txt 依赖
pip install -r requirements.txt

出现以上报错，需要修改 requirements.txt 文件

vim requirements.txt

鼠标往下滑，找到最后一行双击键盘上的 d 键，即可快速删除

继续执行依赖安装命令

# 在 ChatGLM3 环境中安装 requirements.txt 依赖
pip install -r requirements.txt

3. 准备数据集

3.1 创建文件夹 data 以及子文件夹 AdvertiseGen

创建 data 文件夹

同样的方式创建 AdvertiseGen 子文件夹

3.2 上传数据集

我们使用 AdvertiseGen 数据集来进行微调。从 Google Drive 或者 Tsinghua Cloud 下载处理好的 AdvertiseGen 数据集，将解压后的 AdvertiseGen 目录放到本目录的 /data/ 下, 例如。/ChatGLM3/finetune_demo/data/AdvertiseGen

3.3 解压数据集

cd data/AdvertiseGen
tar -xzvf AdvertiseGen.tar.gz

这里的选项解释如下：

x 代表解压。
z 代表 gzip 压缩（.gz）。
v 代表在解压时显示过程（verbose 模式）。
f 代表后面跟着的是文件名。

3.4 转换数据格式

创建 AdvertiseGen_fix.py 文件

# 切换到 ChatGLM3 项目工作目录
cd /ChatGLM3/finetune_demo

# 创建 AdvertiseGen_fix.py 文件
vim AdvertiseGen_fix.py

插入以下代码

import json
from typing import Union
from pathlib import Path


def _resolve_path(path: Union[str, Path]) -> Path:
    return Path(path).expanduser().resolve()


def _mkdir(dir_name: Union[str, Path]):
    dir_name = _resolve_path(dir_name)
    if not dir_name.is_dir():
        dir_name.mkdir(parents=True, exist_ok=False)


def convert_adgen(data_dir: Union[str, Path], save_dir: Union[str, Path]):
    def _convert(in_file: Path, out_file: Path):
        _mkdir(out_file.parent)
        with open(in_file, encoding='utf-8') as fin:
            with open(out_file, 'wt', encoding='utf-8') as fout:
                for line in fin:
                    dct = json.loads(line)
                    sample = {'conversations': [{'role': 'user', 'content': dct['content']},
                                                {'role': 'assistant', 'content': dct['summary']}]}
                    fout.write(json.dumps(sample, ensure_ascii=False) + '\n')

    data_dir = _resolve_path(data_dir)
    save_dir = _resolve_path(save_dir)

    train_file = data_dir / 'train.json'
    if train_file.is_file():
        out_file = save_dir / train_file.relative_to(data_dir)
        _convert(train_file, out_file)

    dev_file = data_dir / 'dev.json'
    if dev_file.is_file():
        out_file = save_dir / dev_file.relative_to(data_dir)
        _convert(dev_file, out_file)


convert_adgen('data/AdvertiseGen/AdvertiseGen', 'data/AdvertiseGen_fix')

运行 AdvertiseGen_fix.py 文件

# 运行 AdvertiseGen_fix.py 文件
python AdvertiseGen_fix.py

4. 使用命令行开始微调,我们使用 lora 进行微调

接着，我们仅需要将配置好的参数以命令行的形式传参给程序，就可以使用命令行进行高效微调。

python finetune_hf.py  /ChatGLM3/finetune_demo/data/AdvertiseGen_fix  /ChatGLM3/basic_demo/THUDM/ZhipuAI/chatglm3-6b  configs/lora.yaml

出现以上问题，需要安装 nltk 依赖

# 安装 nltk 依赖
pip install nltk

再次执行微调命令

python finetune_hf.py  /ChatGLM3/finetune_demo/data/AdvertiseGen_fix  /ChatGLM3/basic_demo/THUDM/ZhipuAI/chatglm3-6b  configs/lora.yaml

微调完成

5. 微调验证以及推理

找到模型保存点路径

执行推理命令

python inference_hf.py output/checkpoint-500/ --prompt "类型#裙*版型#显瘦*材质#网纱*风格#性感*裙型#百褶*裙下摆#压褶*裙长#连衣裙*裙衣门襟#拉链*裙衣门襟#套头*裙款式#拼接*裙款式#拉链*裙款式#木耳边*裙款式#抽褶*裙款式#不规则"