【ChatGLM3-6B】Docker下部署及微调

注意：Docker基于镜像中网盘上上传的有已经做好的镜像，想要便捷使用的可以直接从Docker基于镜像安装看

Docker从0安装

前提

• 安装好了docker
• 安装好了NVIDIA
• 显卡16G

下载

• 新建一个文件夹，用来存放下载下来的ChatGLM3代码和模型

• 右键，打开一个git窗口，拉取模型（会很慢，耐心等待）

  • 地址： https://modelscope.cn/models/ZhipuAI/chatglm3-6b/summary

  git clone https://www.modelscope.cn/ZhipuAI/chatglm3-6b.git
  

  

• 右键，打开一个git窗口，拉取源代码

  • 地址：https://github.com/THUDM/ChatGLM3

  git clone https://github.com/THUDM/ChatGLM3
  

  或

  git clone https://ghproxy.com/https://github.com/THUDM/ChatGLM3
  

• 注意：将下载好的模型（chatglm3-6b-models）和代码放到一个目录里面，并上传到服务器上

启动

docker run -itd --name chatglm3 -v `pwd`/ChatGLM3:/data \
--gpus=all -e NVIDIA_DRIVER_CAPABILITIES=compute,utility -e NVIDIA_VISIBLE_DEVICES=all \
-p 8501:8501 pytorch/pytorch:2.0.1-cuda11.7-cudnn8-devel
# 进入启动好的容器
docker exec -it chatglm3 bash# 设置pip3下载路径为国内镜像
cd /data
pip3 config set global.index-url https://mirrors.aliyun.com/pypi/simple 
pip3 config set install.trusted-host mirrors.aliyun.com# 安装基础依赖
pip3  install -r requirements.txt

修改模型路径

启动

streamlit run basic_demo/web_demo2.py

访问

http://10.22.2.18:8501/

Docker基于镜像安装

容器打包操作（生成镜像时使用的命令）

• 将安装好、启动好的容器打包成镜像

  docker commit -m='glm3 commit' -a='zhangzh' chatglm3 chatglm3-6b:1.1
  

• 将镜像，打成可以传到其他地方的tar包

  docker save -o chatglm3-6b.tar chatglm3-6b:1.1
  

安装时命令

• 网盘地址

  ​ 这里因为网盘上传文件有大小限制，所以使用了分卷压缩的方式进行了上传，全部下载下来就可以。

  链接：https://pan.baidu.com/s/1wY3QqaWrMyBR39d2ZhN_Kg?pwd=9zdd 
  提取码：9zdd
  

  

• 将下载好的镜像文件和代码模型文件上传到服务器上，并进行解压，然后在该目录进行操作。

• 在其他的docker服务器加载镜像

  docker load -i chatglm3-6b.tar
  

• 启动

  docker run -itd --name chatglm3 -v `pwd`/ChatGLM3:/data \
  --gpus=all -e NVIDIA_DRIVER_CAPABILITIES=compute,utility -e NVIDIA_VISIBLE_DEVICES=all \
  -p 8501:8501 -p 8000:8000 chatglm3-6b:1.1
  

• 进入容器

  docker exec -it chatglm3 bash
  

• 启动

  cd /data 
  streamlit run basic_demo/web_demo2.py
  

• 访问：http://10.22.2.18:8501/

微调

微调操作直接在docker内进行

 docker exec -it chatglm3 bash

前提

运行示例需要 python>=3.9，除基础的 torch 依赖外，示例代码运行还需要依赖

pip install transformers==4.30.2 accelerate sentencepiece astunparse deepspeed

微调和验证文件准备

微调参数文件为.json文件，先将你的微调数据和验证数据处理成如下格式：

{"content": "类型#裤*版型#宽松*风格#性感*图案#线条*裤型#阔腿裤", "summary": "宽松的阔腿裤这两年真的吸粉不少，明星时尚达人的心头爱。毕竟好穿时尚，谁都能穿出腿长2米的效果宽松的裤腿，当然是遮肉小能手啊。上身随性自然不拘束，面料亲肤舒适贴身体验感棒棒哒。系带部分增加设计看点，还让单品的设计感更强。腿部线条若隐若现的，性感撩人。颜色敲温柔的，与裤子本身所呈现的风格有点反差萌。"}
{"content": "类型#裙*风格#简约*图案#条纹*图案#线条*图案#撞色*裙型#鱼尾裙*裙袖长#无袖", "summary": "圆形领口修饰脖颈线条，适合各种脸型，耐看有气质。无袖设计，尤显清凉，简约横条纹装饰，使得整身人鱼造型更为生动立体。加之撞色的鱼尾下摆，深邃富有诗意。收腰包臀,修饰女性身体曲线，结合别出心裁的鱼尾裙摆设计，勾勒出自然流畅的身体轮廓，展现了婀娜多姿的迷人姿态。"}
{"content": "类型#上衣*版型#宽松*颜色#粉红色*图案#字母*图案#文字*图案#线条*衣样式#卫衣*衣款式#不规则", "summary": "宽松的卫衣版型包裹着整个身材，宽大的衣身与身材形成鲜明的对比描绘出纤瘦的身形。下摆与袖口的不规则剪裁设计，彰显出时尚前卫的形态。被剪裁过的样式呈现出布条状自然地垂坠下来，别具有一番设计感。线条分明的字母样式有着花式的外观，棱角分明加上具有少女元气的枣红色十分有年轻活力感。粉红色的衣身把肌肤衬托得很白嫩又健康。"}
{"content": "类型#裙*版型#宽松*材质#雪纺*风格#清新*裙型#a字*裙长#连衣裙", "summary": "踩着轻盈的步伐享受在午后的和煦风中，让放松与惬意感为你免去一身的压力与束缚，仿佛要将灵魂也寄托在随风摇曳的雪纺连衣裙上，吐露出<UNK>微妙而又浪漫的清新之意。宽松的a字版型除了能够带来足够的空间，也能以上窄下宽的方式强化立体层次，携带出自然优雅的曼妙体验。"}

其中content是向模型输入的内容，summary为模型应该输出的内容。

其中微调数据是通过本批数据对模型进行调试（文件是train.json），验证数据是通过这些数据验证调试的结果（文件是dev.json）。

微调和验证文件格式转换

1、在项目代码的finetune_demo目录下新建一个AdvertiseGen目录，并将你的文件上传上去。

2、然后回到finetune_demo目录，执行以下脚本进行转换，转换后的文件放在formatted_data目录下。

python ./scripts/format_advertise_gen.py --path "AdvertiseGen/train.json"

修改微调脚本

本方法使用的微调脚本是finetune_demo/scripts/finetune_pt.sh，修改各个参数为自己的环境，其中：

PRE_SEQ_LEN： 模型长度，后续使用微调结果加载时要保持一直
MAX_SOURCE_LEN：模型输入文本的长度，超过该长度会截取，会影响占用GPU，我这里GPU为16G基本吃满
MAX_TARGET_LEN：模型输出文本的最大长度，会影响占用GPU，我这里GPU为16G基本吃满
BASE_MODEL_PATH：原模型的地址
DATASET_PATH：模型微调参数文件的地址
OUTPUT_DIR：模型微调结果存放的地址
MAX_STEP：调试的步数，主要跟微调需要的时间有关，越小则时间越短，但微调的准确度（影响度）越小
SAVE_INTERVAL：多少步保存一个微调结果

脚本如下：

#! /usr/bin/env bashset -exPRE_SEQ_LEN=128
LR=2e-2
NUM_GPUS=1
MAX_SOURCE_LEN=512
MAX_TARGET_LEN=64
DEV_BATCH_SIZE=1
GRAD_ACCUMULARION_STEPS=32
MAX_STEP=1500
SAVE_INTERVAL=500DATESTR=`date +%Y%m%d-%H%M%S`
RUN_NAME=advertise_gen_ptBASE_MODEL_PATH=/data/chatglm3-6b-models
DATASET_PATH=formatted_data/advertise_gen.jsonl
OUTPUT_DIR=output/${RUN_NAME}-${DATESTR}-${PRE_SEQ_LEN}-${LR}mkdir -p $OUTPUT_DIRtorchrun --standalone --nnodes=1 --nproc_per_node=$NUM_GPUS finetune.py \--train_format input-output \--train_file $DATASET_PATH \--preprocessing_num_workers 1 \--model_name_or_path $BASE_MODEL_PATH \--output_dir $OUTPUT_DIR \--max_source_length $MAX_SOURCE_LEN \--max_target_length $MAX_TARGET_LEN \--per_device_train_batch_size $DEV_BATCH_SIZE \--gradient_accumulation_steps $GRAD_ACCUMULARION_STEPS \--max_steps $MAX_STEP \--logging_steps 1 \--save_steps $SAVE_INTERVAL \--learning_rate $LR \--pre_seq_len $PRE_SEQ_LEN 2>&1 | tee ${OUTPUT_DIR}/train.log

执行微调

先给脚本执行权限

chmod -R 777 ./scripts/finetune_pt.sh

执行脚本

./scripts/finetune_ds.sh  # 全量微调
./scripts/finetune_pt.sh  # P-Tuning v2 微调

微调完成

结果推理验证

python inference.py \--pt-checkpoint "/data/finetune_demo/output/advertise_gen_pt-20231123-022517-128-2e-2/checkpoint-1500" \--model /data/chatglm3-6b-models

报错解决

出现了$‘\r’: command not found错误

可能因为该Shell脚本是在Windows系统编写时，每行结尾是\r\n
而在Linux系统中行每行结尾是\n
在Linux系统中运行脚本时，会认为\r是一个字符，导致运行错误

使用dos2unix 转换一下就可以了

dos2unix <文件名># dos2unix: converting file one-more.sh to Unix format ...

-bash: dos2unix: command not found

就是还没安装，安装一下就可以了

apt install dos2unix

加载微调模型

cd ../composite_demo
MODEL_PATH="/data/chatglm3-6b-models" PT_PATH="/data/finetune_demo/output/advertise_gen_pt-20231123-022517-128-2e-2/checkpoint-1500" streamlit run main.py

重新访问页面，即可啦~

API接口调用

• 下载依赖

  pip install openai==1.3.0
  pip install pydantic==2.5.1
  

• 进入openai_api_demo目录

• 修改脚本

• 启动脚本

  python openai_api_wt.py
  

• 访问SwaggerUI地址

  http://10.22.2.18:8000/docs#/default/list_models_v1_models_get

  接口：http://10.22.2.18:8000/v1/chat/completions

  参数：

  {"model": "chatglm3-6b","messages": [{"role": "user","content": "你好，给我讲一个故事，大概100字"  # 这里是请求的参数}],"stream": false,"max_tokens": 100,"temperature": 0.8,"top_p": 0.8
  }