GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(一)

GPT实战系列-如何使用P-Tuning本地化训练ChatGLM2等LLM模型？

P-Tuning v2 将 ChatGLM2-6B 模型需要微调的参数量，减少到原来的 0.1%，再通过模型量化、Gradient Checkpoint 等方法，最低只需要 7GB 显存即可运行。

本文试图分析程序结构和代码，解释序列转换生成模型的微调训练。为了篇幅不要过长，下期解读训练代码。

P-Tuning微调训练概述

训练过程函数分为五个部分：训练参数配置，训练数据预处理，训练数据加载，执行迭代训练，训练评估与测试。

把训练任务参数配置传递给Trainer：

1、预训练模型或者是torch模型

from transformers import AutoModelForSequenceClassification
model = AutoModelForSequenceClassification.from_pretrained("distilbert-base-uncased")
1
2

2、训练器的超参数

TrainingArguments包含可以更改的模型超参数，如学习率、批大小和要训练的epoch数量。如果不指定任何训练参数，则使用默认值：

from transformers import TrainingArguments
training_args = TrainingArguments(
    output_dir="path/to/save/folder/",
    learning_rate=2e-5,
    per_device_train_batch_size=8,
    per_device_eval_batch_size=8,
    num_train_epochs=2,
)
1
2
3
4
5
6
7
8

3、数据预处理工具

如分词器、图像处理器、特征提取器或处理器：

from transformers import AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained("distilbert-base-uncased")
1
2

4、加载数据

from datasets import load_dataset
dataset = load_dataset("rotten_tomatoes")  # doctest: +IGNORE_RESULT
1
2

5、分词处理

创建一个函数对数据集进行分词，并使用map将其应用到整个数据集上：

def tokenize_dataset(dataset):
    return tokenizer(dataset["text"])
dataset = dataset.map(tokenize_dataset, batched=True)
1
2
3

6、数据预处理，如填充，前后缀

使用DataCollatorWithPadding从数据集中创建一批示例：

from transformers import DataCollatorWithPadding
data_collator = DataCollatorWithPadding(tokenizer=tokenizer)
1
2

7、训练参数配置

在Trainer中使用所有这些类：

from transformers import Trainer
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=dataset["train"],
    eval_dataset=dataset["test"],
    tokenizer=tokenizer,
    data_collator=data_collator,
)  # doctest: +SKIP
1
2
3
4
5
6
7
8
9

8、执行训练

调用train()开始训练：

trainer.train()
1

对于使用序列到序列模型的任务（如翻译或摘要），请使用Seq2SeqTrainer和Seq2SeqTrainingArguments类。

可以通过继承Trainer中的方法来自定义训练循环。允许自定义特性，如损失函数、优化器和调度器（scheduler）。请查看 Trainer参考文档，了解哪些方法可以被子类化。

软件依赖

需要pip安装中文分词器，中文评价指标，数据集管理

pip install rouge_chinese nltk jieba datasets
1

数据处理

训练数据形式的转换，本训练测试以广告数据集作为样例讲解。

ADGEN数据集任务的数据形式，输入（content），生成输出（summary）

{
    "content": "类型#上衣*版型#宽松*版型#显瘦*图案#线条*衣样式#衬衫*衣袖型#泡泡袖*衣款式#抽绳",
    "summary": "这件衬衫的款式非常的宽松，利落的线条可以很好的隐藏身材上的小缺点，穿在身上有着很好的显瘦效果。领口装饰了一个可爱的抽绳，漂亮的绳结展现出了十足的个性，配合时尚的泡泡袖型，尽显女性甜美可爱的气息。"
}
1
2
3
4

End

---

​
GPT专栏文章：

GPT实战系列-ChatGLM3本地部署CUDA11+1080Ti+显卡24G实战方案

GPT实战系列-ChatGLM2模型的微调训练参数解读

GPT实战系列-如何用自己数据微调ChatGLM2模型训练

GPT实战系列-ChatGLM2部署Ubuntu+Cuda11+显存24G实战方案

GPT实战系列-Baichuan2本地化部署实战方案

决策引擎：
Falcon构建轻量级的REST API服务

决策引擎-利用Drools实现简单防火墙策略

​