声明如下：
1.没有开源就没有任何行业的进步，那些开源项目的作者值得被每个人尊重
2.本文没有贬低作者的意思,作为布道者应该尽可能减少学习者的误区操作成本
在这个“开源为王，数据为王，模型为王”的大时代。持续的学习能力才不会有35岁的危机。
看到一个ChatGLM-6B采用LoRA的开源项目帮你快速在ChatGLM-6B上实现自己私有对话机器人。下面学习解读下：
1.数据准备阶段(数据才是最重要的)
cover_alpaca2jsonl.py
直接将斯坦福大羊驼的数据进行格式转化换成自己的格式，核心代码功能：instruction-->Instruction;input-->Input;+Answer:output-->target
def format_example(example: dict) -> dict:
context = f"Instruction: {example['instruction']}\n"
if example.get("input"):
context += f"Input: {example['input']}\n"
context += "Answer: "
target = example["output"]
return {"context": context, "target": target}
斯坦福大羊驼的数据格式样例：
{
"instruction": "Give three tips for staying healthy.",
"input": "",
"output": "1.Eat a balanced diet and make sure to include plenty of fruits and vegetables. \n2. Exercise regularly to keep your body active and strong. \n3. Get enough sleep and maintain a consist
ent sleep schedule."
}
这个cover_alpaca2jsonl.py转换后的数据格式样例：请注意：一定要看源代码!!!!,不知道是作者的疏忽还是其他原因，git代码生成数据jsonl上是“”“Response:”“”，代码是“”“Answer: ”“”
{
"context":"Instruction: Give three tips for staying healthy.\nAnswer: ",
"target":"1.Eat a balanced diet and make sure to include plenty of fruits and vegetables. \n2. Exercise regularly to keep your body active and strong. \n3. Get enough sleep and maintain a consistent sleep schedule."
}
2.tokenize_dataset_rows.py
#备注文档写法错误
如果是代码里的实现文档使用应该是这么写：
--skip_overlength true/false
或者代码改成这样才ok
parser.add_argument("--skip_overlength", type=bool,action="store_true", default=False)
3.微调finetune.py
请根据实际硬件跟代码要求注意选择不同的数据类型,例如fp32,fp16,half,int8等，需要根据实际情况调整
假设出现RuntimeError: expected scalar type Half but found Float，直接将--fp16去掉即可
python finetune.py \
--dataset_path data/alpaca \
--lora_rank 8 \
--per_device_train_batch_size 6 \
--gradient_accumulation_steps 1 \
--max_steps 52000 \
--save_steps 1000 \
--save_total_limit 2 \
--learning_rate 1e-4 \
--fp16 \
--remove_unused_columns false \
--logging_steps 50 \
--output_dir output
最后赶紧在单机单卡,一机多卡，多机多卡上训练自己的大模型吧。
项目git地址：
https://github.com/mymusise/ChatGLM-Tuning.git