大语言模型-中文chatGLM-LLAMA微调

微调
大语言模型-ChatGLM-Tuning
大语言模型-微调chatglm6b
大语言模型-中文chatGLM-LLAMA微调
大语言模型-alpaca-lora
本地知识库
大语言模型2-document ai解读
大语言模型-DocumentSearch解读
大语言模型-中文Langchain

本文解读代码的地址：
https://github.com/27182812/ChatGLM-LLaMA-chinese-insturct

中文instruct在chatGLM, LLAMA上的表现

数据

json的预处理

instruction
tokenizer

相比大语言模型-ChatGLM-Tuning中，是两个函数都放在了dataprocess的一个类中进行，初步看起来需要改变的几乎相同

微调

对chatGLM，finetune.sh
对LLAMA，test_llama1.py

对于chatGLM和之前文章几乎相同，这里主要关注一下LLAMA

数据

def generate_prompt(data_point):# sorry about the formatting disaster gotta move fastif data_point["input"]:return f"""Below is an instruction that describes a task, paired with an input that provides further context. Write a response that appropriately completes the request.
### Instruction:
{data_point["instruction"]}
### Input:
{data_point["input"]}
### Response:
{data_point["output"]}"""else:return f"""Below is an instruction that describes a task. Write a response that appropriately completes the request.
### Instruction:
{data_point["instruction"]}
### Response:
{data_point["output"]}"""def tokenize(prompt):# there's probably a way to do this with the tokenizer settings# but again, gotta move fastresult = tokenizer(prompt,truncation=True,max_length=CUTOFF_LEN + 1,padding="max_length",)return {"input_ids": result["input_ids"][:-1],"attention_mask": result["attention_mask"][:-1],}

模型

model = LlamaForCausalLM.from_pretrained("decapoda-research/llama-7b-hf",load_in_8bit=True,device_map="auto",
)
tokenizer = LlamaTokenizer.from_pretrained("decapoda-research/llama-7b-hf", add_eos_token=True
)model = prepare_model_for_int8_training(model)config = LoraConfig(r=LORA_R,lora_alpha=LORA_ALPHA,target_modules=["q_proj", "v_proj"],lora_dropout=LORA_DROPOUT,bias="none",task_type="CAUSAL_LM",
)
model = get_peft_model(model, config)
tokenizer.pad_token_id = 0  # unk. we want this to be different from the eos token

微调

data = data.shuffle().map(lambda x: tokenize(generate_prompt(x)))trainer = transformers.Trainer(model=model,train_dataset=data["train"],args=transformers.TrainingArguments(per_device_train_batch_size=MICRO_BATCH_SIZE,gradient_accumulation_steps=GRADIENT_ACCUMULATION_STEPS,warmup_steps=100,num_train_epochs=EPOCHS,learning_rate=LEARNING_RATE,fp16=True,logging_steps=20,output_dir="qys-alpaca-chinese",save_total_limit=3,),data_collator=transformers.DataCollatorForLanguageModeling(tokenizer, mlm=False),
)
model.config.use_cache = False
trainer.train(resume_from_checkpoint=False)
# trainer.train()model.save_pretrained("qys-alpaca-chinese")

推理

对chatGLM，infer.py
对LLAMA，generate_llama1.py

推理代码

tokenizer = LlamaTokenizer.from_pretrained("decapoda-research/llama-7b-hf")model = LlamaForCausalLM.from_pretrained("decapoda-research/llama-7b-hf",load_in_8bit=True,torch_dtype=torch.float16,device_map="auto",
)model = PeftModel.from_pretrained( model, "./qys-alpaca-chinese", torch_dtype=torch.float16
)def generate_prompt(instruction, input=None):if input:return f"""Below is an instruction that describes a task, paired with an input that provides further context. Write a response that appropriately completes the request.
### Instruction:
{instruction}
### Input:
{input}
### Response:"""else:return f"""Below is an instruction that describes a task. Write a response that appropriately completes the request.
### Instruction:
{instruction}
### Response:"""instructions = json.load(open("data/zh-data01.json"))answers = []with torch.no_grad():for idx, item in enumerate(instructions[12:18]):feature = format_example(item)input_text = feature['context']print(input_text)inputs = tokenizer(input_text, return_tensors="pt")input_ids = inputs["input_ids"].cuda()generation_config = GenerationConfig(temperature=0.1,top_p=0.75,top_k=40,num_beams=4,)generation_output = model.generate(input_ids=input_ids,generation_config=generation_config,return_dict_in_generate=True,output_scores=True,max_new_tokens=256,)s = generation_output.sequences[0]output = tokenizer.decode(s)print(output.strip())print("--------------------------------------------")

大语言模型-中文chatGLM-LLAMA微调相关推荐

大语言模型-中文Langchain
微调大语言模型-ChatGLM-Tuning 大语言模型-微调chatglm6b 大语言模型-中文chatGLM-LLAMA微调大语言模型-alpaca-lora 本地知识库大语言模型2-doc ...
中文LLaMa和Alpaca大语言模型开源方案 | 扩充中文词表针对中文语料进行高效编码
欢迎关注『CVHub』官方微信公众号! Title: Efficient and Effective Text Encoding for Chinese Llama and Alpaca PDF: h ...
Firefly(流萤): 中文对话式大语言模型
来自:YeungNLP 在本文中,笔者将介绍关于Firefly(流萤)模型的工作,一个中文对话式大语言模型.我们使用较小的模型参数量,如1.4B和2.6B,实现了不错的生成效果. 项目地址: http ...
生成式大语言模型微调训练快速手册
ChatGPT的流行让大语言模型走入了大家的视线,怎么打造自己的大语言模型成为了一个急需解决的问题. 目录大语言模型的获取方法有以下三种: 目前可以Play 的大语言基础模型列表: 相关项目大语言 ...
大语言模型排行榜来啦！Vicuna夺冠，清华ChatGLM进前5
源 | 新智元大家好,这里是 ‍NewBeeNLP.万万没想到,现在大语言模型们也要像王者荣耀/LoL/Dota这些游戏里的玩家一样打排位赛了!据说,那些闭源模型们很快也会被拉出来溜溜. 最近,来自 ...
UC伯克利发布大语言模型排行榜！Vicuna夺冠，清华ChatGLM进前5
[导读]万万没想到,现在大语言模型们也要像王者荣耀/LoL/Dota这些游戏里的玩家一样打排位赛了!据说,那些闭源模型们很快也会被拉出来溜溜. 最近,来自LMSYS Org(UC伯克利主导)的研究人员 ...
本地化部署大语言模型 ChatGLM
本地化部署大语言模型 ChatGLM 本地化部署大语言模型 ChatGLM 前期筹备 GitHub 基础包语言模型文件基础配置显存查看方法 Anaconda 模块 ChatGLM-6B 网页部署 ...
“超越”(MMCU)中文通用大语言模型测试集预发布
近期,中文大语言模型蓬勃发展,但却一直没有出现可应用于评测大模型能力的测试.甲骨易AI研究院提出一种衡量中文大模型处理多任务准确度的测试,并在此基础上制作了一套适配测试中文大模型的数据集,并将其命名为 ...
讯飞星火 VS 文心一言：谁是中文大语言模型的TOP1？
在百度发布文心一言一个多月后,科大讯飞也发布了自己的大模型"讯飞星火大模型".本篇博客就测评一下这两个在中文圈最受好评的大语言模型,顺便辅以ChatGPT为参考.大家一起来看看到底 ...

大语言模型-中文chatGLM-LLAMA微调

数据

微调

推理

大语言模型-中文chatGLM-LLAMA微调相关推荐

最新文章

热门文章