01
前言
🎉Firefly项目支持微调ChatGLM2模型啦，我们实现了一种比ChatGLM2官方更加充分高效的多轮对话训练方法，并且沿袭了官方的数据组织格式。
在此之前，很多同学询问Firefly项目是否支持微调ChatGLM或ChatGLM2模型，而我们迟迟未进行适配的原因主要如下：
此前，Firefly虽然已支持微调Llma2、Llama、Baichuan、InternLM、Ziya、Bloom等开源大模型，但都是在Pretrain模型上进行指令微调，指令数据的组织格式相对自由，可按需自行设计。
ChatGLM不属于严格意义上的Causal Language Model(因果语言模型)，因为它存在prefix attention mask的设计。对于prefix而言，它的attention是双向的，而预测部分的attention是单向的，存在一定的适配成本。但ChatGLM2做出了改变，它的注意力是单向的。
ChatGLM2是一个经过指令微调的chat模型，微调时遵从官方的数据组织格式，才能达到最优效果。
Firefly项目有自己独特的多轮对话训练方式。
对于预训练模型，可以自由设计训练数据的组织格式；对于chat模型，最好遵从官方的数据组织格式。
在适配ChatGLM2的过程中，我们阅读了一些ChatGLM2的官方代码，发现ChatGLM2的多轮对话训练方式存在不足之处，在后续章节中，我们也将从源码对其进行分析。我们也将分享Firefly如何实现对ChatGLM2进行更加充分高效的多轮对话训练，以及训练效果。
此前，我们专门分享过多轮对话的训练方法，结合阅读有助于理解：一文看懂：如何充分高效训练多轮对话大模型。
Firefly项目链接：
https://github.com/yangjianxin1/Firefly
firefly-chatglm2-6b权重：
https://huggingface.co/YeungNLP/firefly-chatglm2-6b
02
微调效果
对话示例1：
对话示例2：
03
ChatGLM2源码解析
-
ChatGLM2如何组织多轮对话训练数据？ -
ChatGLM2采用何种方式训练多轮对话？
[Round 1]问：{input1}答：{target1}[Round 2]问：{input2}答：{target2}[Round 3]问：{input3}答：{target3}</s>
04
Firefly方法
方法概述
Firefly微调ChatGLM2的方法如下图所示，该方法的优势如下：
推理时候，模型不会出现“自问自答”和“不停止”的情况。
训练时，多轮对话中的每个回复都被充分利用。
计算高效，不需要将一条多轮对话数据拆分成多条数据。
在微调ChatGLM2时，Firefly基本上沿袭了ChatGLM2的数据组织格式，仅在每个target后面添加了</s>停止符。对于一条多轮对话数据，所有"{target}</s>"都会并行参与计算loss。并且因为</s>停止符的妙用，在推理时，模型不会遇到“自问自答”和“不停止”的情况。
[Round 1]问：{input1}答：{target1}</s>[Round 2]问：{input2}答：{target2}</s>[Round 3]问：{input2}答：{target2}</s>
为什么这种做法是可行的？详见文章：一文看懂：如何充分高效训练多轮对话大模型。
代码实现
Talk is cheap，Show me the code。接下来将从代码层面介绍我们是如何充分高效地实现多轮对话训练。
微调ChatGLM2时，Firefly将多轮对话拼接成如下格式。
[]问：{input1}答：{target1}</s>[]问：{input2}答：{target2}</s>[]问：{input2}答：{target2}</s>
在生成input_ids的时候，我们还会生成一个target_mask，取值为0或1，用来标记每个token是否属于target部分，即是否参与loss计算。其中“target</s>”部分的target_mask均为1，其他部分均为0。
我们会并行计算每个位置的loss，但只有target_mask=1的部分的loss，才会参与权重更新。这种方式充分利用了模型并行计算的优势，更加高效，并且多轮对话中的每个target部分都参与了训练，更加充分利用了数据。
数据组织格式如下：
class ChatGLM2SFTDataset(SFTDataset):def __getitem__(self, index):"""基本沿袭ChatGLM2的指令微调的格式，做了小修改，多轮对话如下。"""# 每条数据格式为: [Round 1]\n\n问：{input1}\n\n答：{target1}</s>[Round 2]\n\n问：{input2}\n\n答：{target2}</s>...data = self.data_list[index]data = json.loads(data)conversation = data['conversation']input_format = '[Round {}]\n\n问：{}\n\n答：'target_format = '{}'# 收集多轮对话utterances = []for i, x in enumerate(conversation):human = input_format.format(i+1, x['human'])assistant = target_format.format(x['assistant'])utterances += ([human, assistant])utterances_ids = self.tokenizer(utterances, add_special_tokens=False).input_ids# 每条数据格式为: [Round 1]\n\n问：{input1}\n\n答：{target1}</s>[Round 2]\n\n问：{input2}\n\n答：{target2}</s>...input_ids = []target_mask = [] # 用于对input进行mask，只计算target部分的lossfor i, utterances_id in enumerate(utterances_ids):input_ids += utterances_id# input部分if i % 2 == 0:target_mask += [0] * (len(utterances_id))# target部分else:input_ids += [self.eos_token_id]target_mask += [1] * (len(utterances_id) + 1)assert len(input_ids) == len(target_mask)# 对长度进行截断input_ids = input_ids[:self.max_seq_length]target_mask = target_mask[:self.max_seq_length]attention_mask = [1] * len(input_ids)assert len(input_ids) == len(target_mask) == len(attention_mask)inputs = {'input_ids': input_ids,'attention_mask': attention_mask,'target_mask': target_mask}return inputs
loss计算方式如下：
class TargetLMLoss(Loss):def __init__(self, ignore_index):super().__init__()self.ignore_index = ignore_indexself.loss_fn = nn.CrossEntropyLoss(ignore_index=ignore_index)def __call__(self, model, inputs, training_args, return_outputs=False):input_ids = inputs['input_ids']attention_mask = inputs['attention_mask']target_mask = inputs['target_mask']# 模型前馈预测outputs = model(input_ids=input_ids, attention_mask=attention_mask, return_dict=True)logits = outputs["logits"] if isinstance(outputs, dict) else outputs[0]# 将labels中不属于target的部分，设为ignore_index，只计算target部分的losslabels = torch.where(target_mask == 1, input_ids, self.ignore_index)shift_logits = logits[..., :-1, :].contiguous()shift_labels = labels[..., 1:].contiguous()# Flatten the tokensloss = self.loss_fn(shift_logits.view(-1, shift_logits.size(-1)), shift_labels.view(-1))return (loss, outputs) if return_outputs else loss
本文转载自社区供稿内容，不代表官方立场。了解更多，请关注微信公众号"YeungNLP":
https://hf.link/tougao
本文分享自微信公众号 - Hugging Face（gh_504339124f0f）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
