超级AI助手：全新提升！中文NLP训练框架，快速上手，海量训练数据

“超级AI助手：全新提升！中文NLP训练框架，快速上手，海量训练数据，ChatGLM-v2、中文Bloom、Dolly_v2_3b助您实现更智能的应用！”

1.简介

1. 目标：基于pytorch、transformers做中文领域的nlp开箱即用的训练框架，提供全套的训练、微调模型（包括大模型、文本转向量、文本生成、多模态等模型）的解决方案；
2. 数据：
   • 从开源社区，整理了海量的训练数据，帮助用户可以快速上手；
   • 同时也开放训练数据模版，可以快速处理垂直领域数据；
   • 结合多线程、内存映射等更高效的数据处理方式，即使需要处理百GB规模的数据，也是轻而易举；
3. 流程：每一个项目有完整的模型训练步骤，如：数据清洗、数据处理、模型构建、模型训练、模型部署、模型图解；
4. 模型：当前已经支持gpt2、clip、gpt-neox、dolly、llama、chatglm-6b、VisionEncoderDecoderModel等多模态大模型；
5. 多卡串联
   
   ：当前，多数的大模型的尺寸已经远远大于单个消费级显卡的显存，需要将多个显卡串联，才能训练大模型、才能部署大模型。因此对部分模型结构进行修改，实现了训练时、推理时
   
   的多卡串联功能。

• 模型训练

中文名称	文件夹名称	数据	数据清洗	大模型	模型部署	图解
中文文本分类	chinese_classifier
中文gpt2	chinese_gpt2
中文clip	chinese_clip
图像生成中文文本	VisionEncoderDecoderModel
vit核心源码介绍	vit model
Thu-ChatGlm-6b(v1)	simple_thu_chatglm6b
chatglm-v2-6b	chatglm_v2_6b_lora
中文dolly_v2_3b	dolly_v2_3b
中文llama	chinese_llama
中文bloom	chinese_bloom
中文falcon(注意：falcon模型和bloom结构类似)	chinese_bloom
中文预训练代码	model_clm
百川大模型	model_baichuan
模型修剪️	model_modify
llama2 流水线并行	pipeline

2.thu-chatglm-6b模型教程

1. 本文件夹只能进行单机单卡训练，如果想要使用单机多卡，请查看文件夹Chatglm6b_ModelParallel_ptuning。

介绍	路径	状态
使用lora训练chatglm6b	就是本文件夹
使用ptuning-v2模型并行训练chatglm6b	https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/Chatglm6b_ModelParallel_ptuning

在文件code02_训练模型全部流程.ipynb的cell-5代码的前面，创建一个新的cell，然后把下面的代码放到这个cell里面

q1 = '''您叫什么名字?
您是谁?
您叫什么名字?这个问题的答案可能会提示出您的名字。
您叫这个名字吗?
您有几个名字?
您最喜欢的名字是什么?
您的名字听起来很好听。
您的名字和某个历史人物有关吗?
您的名字和某个神话传说有关吗?
您的名字和某个地方有关吗?
您的名字和某个运动队有关吗?
您的名字和某个电影或电视剧有关吗?
您的名字和某个作家有关吗?
您的名字和某个动漫角色有关吗?
您的名字和某个节日有关吗?
您的名字和某个动物有关吗?
您的名字和某个历史时期有关吗?
您的名字和某个地理区域有关吗?
您的名字和某个物品有关吗?比如,如果您的名字和铅笔有关,就可以问“您叫什么名字?您是不是用铅笔的人?”
您的名字和某个梦想或目标有关吗?
您的名字和某个文化或传统有关吗?
您的名字和某个电影或电视节目的情节有关吗?
您的名字和某个流行歌手或演员有关吗?
您的名字和某个体育运动员有关吗?
您的名字和某个国际组织有关吗?
您的名字和某个地方的气候或环境有关吗?比如,如果您的名字和春天有关,就可以问“您叫什么名字?春天是不是一种温暖的季节?”
您的名字和某个电影或电视节目的主题有关吗?
您的名字和某个电视节目或电影的角色有关吗?
您的名字和某个歌曲或音乐有关吗?
您叫什么名字?
谁创造了你
'''
q1 = q1.split('\n')
a1 = ["我是良睦路程序员开发的一个人工智能助手", "我是良睦路程序员再2023年开发的AI人工智能助手"]
import random

target_len__ = 6000

d1 = pd.DataFrame({'instruction':[random.choice(q1) for i in range(target_len__)]}).pipe(
    lambda x: x.assign(**{
    'input':'',
    'output':[random.choice(a1) for i in range(target_len__)]
    })
)
d1
alldata = d1.copy()

注意：

1. 如果想要覆盖模型老知识，你数据需要重复很多次才行～
2. 文件不要搞错了，使用我最新的代码文件

只是对transofrmers包的Trainer类做了修改，对modeling_chatglm.py代码也做了修改。

这么做，可以让你在拥有22G显存的情况下，可以训练thu-chatglm-6b模型。

那么，基于Trainer的丰富方法，你可以做很多事情。而且使用peft包https://github.com/huggingface/peft的lora算法，让你在一个消费级别的显卡上，就可以训练thu-chatglm-6b模型。

• 安装

上面是文件工程，这里开始说安装包，直接使用pip安装

pip install protobuf==3.20.0 transformers icetk cpm_kernels peft

就这么简单，不需要安装别的东西了

• 训练部分

• 在最新的版本中，只需要查看code02_训练模型全部流程.ipynb文件就行了

• 推理部分

1. 推理部分，直接看infer.ipynb代码
2. 能到这里，也是恭喜你，微调模型已经成功了。这个时候，在这个文件夹下，肯定有一个文件夹叫test003（就是上面output_dir="test003"对应的文件夹）
3. 在这个文件夹下，你肯定可以看到很多checkpoint-xxx，选择一个你喜欢的（当然，肯定是最好选择最新的）。

3.chatglm_v2_6b_lora

添加了上面的参数，确实可以进行模型并行，但是，这是在chatglm模型代码没有bug的情况下，目前已经定位到bug，并且修复了bug，我也提交PR给chatglm团队，可以点击这个链接查看https://huggingface.co/THUDM/chatglm2-6b/discussions/54#64b542b05c1ffb087056001c

考虑到他们团队效率问题，如果他们还没有修改这个bug，那你们可以自己修改，主要是这么做：

在modeling_chatglm.py的第955行代码附近（也就是modeling_chatglm.py/ChatGLMForConditionalGeneration.forward的loss部分）：

原始代码:

        loss = None
        if labels is not None:
            lm_logits = lm_logits.to(torch.float32)

            # Shift so that tokens < n predict n
            shift_logits = lm_logits[..., :-1, :].contiguous()
            shift_labels = labels[..., 1:].contiguous() #<<<------------------看这里
            # Flatten the tokens
            loss_fct = CrossEntropyLoss(ignore_index=-100)
            loss = loss_fct(shift_logits.view(-1, shift_logits.size(-1)), shift_labels.view(-1))

            lm_logits = lm_logits.to(hidden_states.dtype)
            loss = loss.to(hidden_states.dtype)

        if not return_dict:
            output = (lm_logits,) + transformer_outputs[1:]
            return ((loss,) + output) if loss is not None else output

        return CausalLMOutputWithPast(
            loss=loss,
            logits=lm_logits,
            past_key_values=transformer_outputs.past_key_values,
            hidden_states=transformer_outputs.hidden_states,
            attentions=transformer_outputs.attentions,
        )

修改为:

        loss = None
        if labels is not None:
            lm_logits = lm_logits.to(torch.float32)

            # Shift so that tokens < n predict n
            shift_logits = lm_logits[..., :-1, :].contiguous()
            shift_labels = labels[..., 1:].contiguous().to(shift_logits.device) #<<<--------------------看这里
            # Flatten the tokens
            loss_fct = CrossEntropyLoss(ignore_index=-100)
            loss = loss_fct(shift_logits.view(-1, shift_logits.size(-1)), shift_labels.view(-1))

            lm_logits = lm_logits.to(hidden_states.dtype)
            loss = loss.to(hidden_states.dtype)

        if not return_dict:
            output = (lm_logits,) + transformer_outputs[1:]
            return ((loss,) + output) if loss is not None else output

        return CausalLMOutputWithPast(
            loss=loss,
            logits=lm_logits,
            past_key_values=transformer_outputs.past_key_values,
            hidden_states=transformer_outputs.hidden_states,
            attentions=transformer_outputs.attentions,
        )

是的，就修改那一行即可

然后就可以正常跑起来了～

• 下载数据集

ADGEN 数据集任务为根据输入（content）生成一段广告词（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。"
}

从 Google Drive

或者 Tsinghua Cloud 下载处理好的 ADGEN

数据集，将解压后的 AdvertiseGen 目录放到本目录下。

• 硬件要求

1. 有个3090显卡即可（24G显存左右）
2. 在下面这个参数下，显存只需要14G

    --max_source_length 64 \
    --max_target_length 128 \
    --per_device_train_batch_size 1 \
    --per_device_eval_batch_size 1 \
    --lora_r 32

• 训练脚本

1. 使用vscode调试，就在.vscode/launch.json里面；
2. 直接使用sh，sh train.sh

• 推理

1. 使用文件：infer_lora.ipynb

• 使用lora推理

from transformers import AutoTokenizer, AutoModel
from peft import PeftModel, PeftConfig
import torch
import os

os.environ['CUDA_VISIBLE_DEVICES'] = '1'

#原始的模型路径
model_name_or_path = "/media/yuanz/新加卷/训练代码/chatglm6b_v2_0716/chatglm2-6b_model"

#训练后的lora保存的路径
peft_model_id = "output/adgen-chatglm2-6b-lora_version/checkpoint-880"

tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, trust_remote_code=True)
model = AutoModel.from_pretrained(model_name_or_path, trust_remote_code=True, device_map='auto',
                                  torch_dtype=torch.bfloat16)  # .half().cuda()

model = PeftModel.from_pretrained(model, peft_model_id)
model = model.eval()

response, history = model.chat(tokenizer, "类型#上衣*材质#牛仔布*颜色#白色*风格#简约*图案#刺绣*衣样式#外套*衣款式#破洞",
                               history=[])
print(response)

• 血的教训

1. 一定要从huggingface上把chatglm-v2-6b的所有文件都下载下来，放在一个文件夹下；这样即使他更新了，也不会影响到你。如果你不下载，你会很被动

• 相关的BUG

很多人在跑多卡的时候，会遇到一些莫名其妙的错误，建议您按照下面两个步骤进行排查：

1. 一定要看我上面折叠的那一块东西，就是注意部分。
2. 检查transformers的版本，如果太低，就更新一下，建议更新：pip install transformers -U

4.中文的dolly_v2_3b模型

• 训练中文的dolly_v2_3b模型

  1. dolly_v2_3b模型本质上就是使用的gpt_neox模型框架，可以商用,而且也都出来很多年了。
  2. 当前有很多人基于llama、gptj、chatglm-6b等模型，做了很多微调，有些也都做过了，有些不能商用，有些还要申请，实在是太可惜了，太麻烦了。
  3. 既然dolly_v2_3b可以商用，那我们就主打一个随意，稍微动动手就可以训练一个属于我们的模型。
  4. 本仓库用到的代码，来源于databrickslabs/dolly，对代码做了部分调整和融合。反正就是复制粘贴、懂得都懂～
  5. 模型叫什么名字：小黑子 ，已将模型放在https://huggingface.co/yuanzhoulvpi/xiaoheizi-3b
• 1. 支持多卡模型并行：也不知道databrickslabs/dolly为啥要使用gpt_neox模型，这个模型transformers对他支持的其实一般，于是我把代码魔改了一部分，增加了多卡并行计算功能(主要是是模型并行).
  2. 虽然代码是从databrickslabs/dolly复制的，但是简化了很多不必要的代码，更简单一点，我不喜欢复杂的代码，越简单越好。
  3. 支持bp16：我原本的打算是说支持fp16的，但是发现fp16怎么搞都不行，但是bp16倒是可以。

  下一步优化方向

  1. 添加lora等微调训练代码，这个简单，等后面都训练好了，我添加一下。

• 模型训练情况

  1. 训练数据：BelleGroup/train_1M_CN
  2. 训练时间：280小时左右
  3. 训练设备：4台3090

• 更多
  1. 当前的模型参数是3b，但是当你把整个流程跑通之后，可以很轻松的将3b模型换成7b模型或者更大的gpt_neox模型。而你只需要将硬件进行提升即可，无需调整代码～
  2. 当前的3b模型是否满足你的需求还不确定，后面你可以试一试。（当前还没发布）
  3. 到底是大模型好还是小模型好，可以看看这句话:吴恩达：有多少应用程序需要用到像GPT-4这样的最大型模型，而不是云提供商提供的更小（更便宜）的模型，甚至是本地托管的模型（比如运行在桌面上的gpt4all）还有待观察
  4. 对于个人或者小企业，强调的的就是在垂直领域做快速迭代，希望3b模型可以帮助到你！

5.chinese_bloom

1. 支持对falcon模型做sft～

2. 基于stanford_alpaca项目，使用sft格式数据对bloom、falcon模型微调；

3. 支持deepspeed-zero2、deepspeed-zero3；

4. 支持自定义数据，支持大数据训练；

5. 得益于bloom本身的能力，微调后的模型支持中文、英文、代码、法语、西班牙语等；

6. 微调后的模型，中文能力显著提升；

7. 支持不同尺寸bloom模型，如560m、3b、7b、13b；

8. 支持falcon模型，如https://huggingface.co/tiiuae/falcon-7b;

• 体验

• bloom-560m_chat: 想要体验一个轻量的，那就直接体验5.6亿参数https://huggingface.co/yuanzhoulvpi/chinese_bloom_560m
• bloom-7b_chat: 想要体验一个更大的，那就可以试一试70亿参数https://huggingface.co/yuanzhoulvpi/chinese_bloom_7b_chat

1. 在hugginface上部署了一个cpu版本的（有点慢，毕竟是）https://huggingface.co/spaces/yuanzhoulvpi/chinese_bloom_560_chat

• 模型

1. bloom模型支持中文、英文、代码、法语、西班牙语。

2. bloom-3b: https://huggingface.co/bigscience/bloom-3b

3. bloom-系列模型: https://huggingface.co/bigscience

• 数据

1. 数据来源于BelleGroup，主要是用到这几个数据集:['BelleGroup/generated_chat_0.4M', 'BelleGroup/school_math_0.25M', 'BelleGroup/train_2M_CN', 'BelleGroup/train_1M_CN', 'BelleGroup/train_0.5M_CN', 'BelleGroup/multiturn_chat_0.8M']；
2. 可以基于这些数据样式，制作自己的数据，并训练；

• 步骤

• 数据部分

  1. 运行data_proj/process_data.ipynb代码；或者模仿结果，制作自己的数据集；
  2. 运行结束之后，有一个文件夹data_proj/opendata。文件夹下有若干个json格式的文件。

• 运行模型

1. 基础运行策略

sh base_run.sh

1. deepspeed运行策略

sh ds_all.sh

• 推理代码

1. infer.ipynb文件
2. gradio交互界面：https://huggingface.co/spaces/yuanzhoulvpi/chinese_bloom_560_chat 因为是使用的huggingface的免费的cpu版本，所以推理速度比较慢。

• 效果
  
  不管是写代码还是写文案，bloom-7b在中文领域有极大的潜力

• 体验
  1. chinese_bloom_560m模型，可以在这里体验https://huggingface.co/spaces/yuanzhoulvpi/chinese_bloom_560_chat
  2. chinese_bloom_7b模型，可以在这里体验http://101.68.79.42:7861

项目链接：https://github.com/yuanzhoulvpi2017/zero_nlp

更多优质内容请关注公号：汀丶人工智能；会提供一些相关的资源和优质文章，免费获取阅读。