ChatGLM3¶
模型描述¶
ChatGLM3 是智谱AI和清华大学 KEG 实验室联合发布的新一代对话预训练模型。ChatGLM3-6B 是 ChatGLM3 系列中的开源模型,在保留了前两代模型对话流畅、部署门槛低等众多优秀特性的基础上,ChatGLM3-6B 引入了如下特性:更强大的基础模型,更完整的功能支持,更全面的开源序列
@article{zeng2022glm,
title={Glm-130b: An open bilingual pre-trained model},
author={Zeng, Aohan and Liu, Xiao and Du, Zhengxiao and Wang, Zihan and Lai, Hanyu and Ding, Ming and Yang, Zhuoyi and Xu, Yifan and Zheng, Wendi and Xia, Xiao and others},
journal={arXiv preprint arXiv:2210.02414},
year={2022}
}
仓库介绍¶
chatGLM3-6B
基于 mindformers
实现,主要涉及的文件有:
模型具体实现:
mindformers/models/glm3 ├── __init__.py └── glm3_tokenizer.py # tokenizer
glm3的模型结构和config同glm2
模型配置:
configs/glm3 ├── predict_glm3_6b.yaml # 在线推理配置文件 ├── run_glm3_6b_finetune_2k_800T_A2_64G.yaml # Atlas 800T A2 最佳性能全量微调启动配置 ├── run_glm3_6b_finetune_800T_A2_64G.yaml # Atlas 800T A2 ADGEN 全量微调启动配置 ├── run_glm3_6b_multiturn_finetune_800T_A2_64G.yaml # Atlas 800T A2 多轮对话全量微调启动配置 └── run_glm3_6b.yaml # ChatGLM3配置模板
前期准备¶
生成RANK_TABLE_FILE¶
运行mindformers/tools/hccl_tools.py生成RANK_TABLE_FILE的json文件
# 运行如下命令,生成当前机器的RANK_TABLE_FILE的json文件
python ./mindformers/tools/hccl_tools.py --device_num "[0,8)"
注:若使用ModelArts的notebook环境,可从 /user/config/jobstart_hccl.json
路径下直接获取rank table,无需手动生成
RANK_TABLE_FILE 单机8卡参考样例:
{
"version": "1.0",
"server_count": "1",
"server_list": [
{
"server_id": "xx.xx.xx.xx",
"device": [
{"device_id": "0","device_ip": "192.1.27.6","rank_id": "0"},
{"device_id": "1","device_ip": "192.2.27.6","rank_id": "1"},
{"device_id": "2","device_ip": "192.3.27.6","rank_id": "2"},
{"device_id": "3","device_ip": "192.4.27.6","rank_id": "3"},
{"device_id": "4","device_ip": "192.1.27.7","rank_id": "4"},
{"device_id": "5","device_ip": "192.2.27.7","rank_id": "5"},
{"device_id": "6","device_ip": "192.3.27.7","rank_id": "6"},
{"device_id": "7","device_ip": "192.4.27.7","rank_id": "7"}],
"host_nic_ip": "reserve"
}
],
"status": "completed"
}
多机RANK_TABLE_FILE合并¶
step 1. 首先根据上章节内容,在每个机器上生成各自的
RANK_TABLE_FILE
文件,然后将不同机器上生成的RANK_TABLE_FILE
文件全部拷贝到同一台机器上。
# 运行如下命令,生成当前机器的RANK_TABLE_FILE的json文件
python ./mindformers/tools/hccl_tools.py --device_num "[0,8)" --server_ip xx.xx.xx.xx
注:需要根据机器的ip地址指定 –server_ip,避免由于不同机器server_ip不同,导致多节点间通信失败。
step 2. 运行mindformers/tools/merge_hccl.py将不同机器上生成的
RANK_TABLE_FILE
文件合并
# 运行如下命令,合并每个机器上的RANK_TABLE_FILE的json文件。
python ./mindformers/tools/merge_hccl.py hccl*.json
step 3. 将合并后的
RANK_TABLE_FILE
文件拷贝到所有机器中,保证不同机器上的RANK_TABLE_FILE
相同。
RANK_TABLE_FILE 双机16卡参考样例:
{
"version": "1.0",
"server_count": "2",
"server_list": [
{
"server_id": "xx.xx.xx.xx",
"device": [
{
"device_id": "0", "device_ip": "192.168.0.0", "rank_id": "0"
},
{
"device_id": "1", "device_ip": "192.168.1.0", "rank_id": "1"
},
{
"device_id": "2", "device_ip": "192.168.2.0", "rank_id": "2"
},
{
"device_id": "3", "device_ip": "192.168.3.0", "rank_id": "3"
},
{
"device_id": "4", "device_ip": "192.168.0.1", "rank_id": "4"
},
{
"device_id": "5", "device_ip": "192.168.1.1", "rank_id": "5"
},
{
"device_id": "6", "device_ip": "192.168.2.1", "rank_id": "6"
},
{
"device_id": "7", "device_ip": "192.168.3.1", "rank_id": "7"
}
],
"host_nic_ip": "reserve"
},
{
"server_id": "xx.xx.xx.xx",
"device": [
{
"device_id": "0", "device_ip": "192.168.0.1", "rank_id": "8"
},
{
"device_id": "1", "device_ip": "192.168.1.1", "rank_id": "9"
},
{
"device_id": "2", "device_ip": "192.168.2.1", "rank_id": "10"
},
{
"device_id": "3", "device_ip": "192.168.3.1", "rank_id": "11"
},
{
"device_id": "4", "device_ip": "192.168.0.2", "rank_id": "12"
},
{
"device_id": "5", "device_ip": "192.168.1.2", "rank_id": "13"
},
{
"device_id": "6", "device_ip": "192.168.2.2", "rank_id": "14"
},
{
"device_id": "7", "device_ip": "192.168.3.2", "rank_id": "15"
}
],
"host_nic_ip": "reserve"
}
],
"status": "completed"
}
模型权重下载与转换¶
开发者可以下载获取官方权重后,通过下面提供的权重转换脚本,将官方权重转换为MindSpore权重;或直接使用MindFormers提供的已转换权重
使用官方权重进行转换
克隆glm3-6b代码仓,下载分布式的模型文件。
git lfs install git clone https://huggingface.co/THUDM/chatglm3-6b
执行 python 脚本,合并模型权重。
from transformers import AutoTokenizer, AutoModel import torch tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm3-6b", trust_remote_code=True) model = AutoModel.from_pretrained("THUDM/chatglm3-6b", trust_remote_code=True) with open("pt_model_arch.txt", "w") as fp: print(model, file=fp, flush=True) with open("pt_ckpt.txt", "w") as fp: for name, param in model.named_parameters(): fp.write(f"{name} {param.shape} {param.dtype}\n") torch.save(model.state_dict(), "glm3_6b.pth")
执行转换脚本,得到转换后的输出文件
glm3_6b.ckpt
。import mindspore as ms import torch as pt from tqdm import tqdm pt_ckpt_path = "glm3_6b.pth" pt_param = pt.load(pt_ckpt_path) type_map = {"torch.float16": "ms.float16", "torch.float32": "ms.float32"} ms_param = [] with open("check_pt_ckpt.txt", "w") as fp: for k, v in tqdm(pt_param.items()): if "word_embeddings.weight" in k: k = k.replace("word_embeddings.weight", "embedding_table") fp.write(f"{k} {v.shape} {v.dtype}\n") ms_param.append({"name": k, "data": ms.Tensor(v.numpy())}) ms.save_checkpoint(ms_param, "glm3_6b.ckpt")
获取MindFormers提供的已转换权重
可通过from_pretrained接口下载,也可直接从下面的链接获取
分布式训练/微调权重合并¶
分布式训练/微调后所得到的权重文件为根据策略切分后的权重,需要手动将切分权重合一,以用于评估和推理。
涉及到ckpt的单卡,多卡转换,详细教程请参考特性文档模型权重切分与合并
step 1. 获取模型切分策略文件:
在执行微调脚本时,模型完成编译后,将会在output/strategy
路径下生成各卡的切分策略文件,用于权重合并。
注:lora微调时需要确认配置文件
parallel context config
中only_trainable_params
设为False
,以获取所有参数完整策略。
step 2. 运行
mindformers/tools/transform_ckpt.py
脚本进行多卡权重合并:
python transform_ckpt.py \
--src_ckpt_strategy {path}/output/strategy/ \
--src_ckpt_dir {path}/output/checkpoint/ \
--dst_ckpt_dir {path}/target_checkpoint/ \
--prefix glm3_6b
# 参数说明
src_ckpt_strategy: 步骤1中的切分策略文件路径
src_ckpt_dir: 原切分权重文件夹
dst_ckpt_dir: 目标路径
prefix: ckpt文件前缀名
注:
transform_checkpoints
接口当前仅mindspore 2.0以上版本支持,如当前硬件环境只支持2.0以下版本,可以新建conda环境安装mindspore 2.0的cpu版本以执行该脚本
基于API的快速使用¶
基于AutoClass的快速使用¶
可以使用AutoClass接口,通过模型名称获取相应的model/preprocess/tokenizer等实例,并自动下载并加载权重
from_pretrained()
接口会自动从云上下载预训练的模型,存储路径:./checkpoint_download/glm3
import mindspore as ms
from mindformers import AutoConfig, AutoModel, AutoTokenizer, AutoProcessor
# 指定图模式,指定使用训练卡id
ms.set_context(mode=ms.GRAPH_MODE, device_target="Ascend", device_id=0)
# 以下两种tokenizer实例化方式选其一即可
# 1. 在线加载方式
tokenizer = AutoTokenizer.from_pretrained("glm3_6b")
# 2. 本地加载方式
# tokenizer = AutoProcessor.from_pretrained("/path/to/your.yaml").tokenizer
# 以下两种model的实例化方式选其一即可
# 1. 直接根据默认配置实例化
# model = AutoModel.from_pretrained('glm3_6b')
# 2. 自定义修改配置后实例化
config = AutoConfig.from_pretrained('glm3_6b')
config.use_past = True # 此处修改默认配置,开启增量推理能够加速推理性能
config.seq_length = 2048 # 根据需求自定义修改其余模型配置
config.checkpoint_name_or_path = "/path/to/your.ckpt"
model = AutoModel.from_config(config) # 从自定义配置项中实例化模型
role="user"
inputs_list=["你好", "请介绍一下华为", "晚上睡不着应该怎么办", "写一个快排算法"]
for input_item in inputs_list:
history=[]
inputs = tokenizer.build_chat_input(input_item, history=history, role=role)
inputs = inputs['input_ids']
# 首次调用model.generate()进行推理将包含图编译时间,推理性能显示不准确,多次重复调用以获取准确的推理性能
outputs = model.generate(inputs, do_sample=False, top_k=1, max_length=config.seq_length)
for i, output in enumerate(outputs):
output = output[len(inputs[i]):]
response = tokenizer.decode(output)
print(response)
# answer 1:
# 你好👋!我是人工智能助手 ChatGLM3-6B,很高兴见到你,欢迎问我任何问题。
# answer 2:
# 华为是一家总部位于中国深圳的多元化科技公司,成立于1987年,是全球最大的电信设备制造商之一。该公司也在智能手机、电脑、平板电脑、云计算等领域开展业务,其产品和服务覆盖全球170多个国家和地区。
# 华为的主要业务包括电信网络设备、智能手机、电脑和消费电子产品。公司在全球范围内有超过190,000名员工,其中约一半以上从事研发工作。华为以其高品质的产品和服务赢得了全球客户的信任和好评,也曾因其领先技术和创新精神而获得多项国际奖项和认可。
# 然而,华为也面临着来自一些国家政府的安全问题和政治压力,其中包括美国政府对其产品的禁令和限制。华为一直坚称自己的产品是安全的,并采取了一系列措施来确保其产品的安全性和透明度。
# answer 3:
# 晚上睡不着可以尝试以下方法:
# 1. 尝试放松身心,比如深呼吸、冥想、瑜伽等。
# 2. 避免饮用咖啡、茶、可乐等刺激性饮料。
# 3. 避免过度兴奋,比如看惊悚电影、玩刺激游戏等。
# 4. 保持规律的作息时间,尽量每天按时上床睡觉、按时起床。
# 5. 睡前适当运动,比如散步、慢跑等。
# 6. 睡前可以喝一杯温牛奶或者一些助眠的食品。
# 7. 如果长时间睡不着可以考虑咨询医生或心理咨询师。
# answer 4:
# 快速排序(Quick Sort)是一种常用的排序算法,其基本思想是通过一趟排序将待排序的数据分割成独立的两部分,其中一部分的所有数据都比另一部分的所有数据要小,然后再按此方法对这两部分数据分别进行快速排序,整个排序过程可以递归进行,以此达到整个数据变成有序序列。
# 下面是一个用Python实现的快速排序算法:
# ```python
# def quick_sort(arr):
# if len(arr) <= 1:
# return arr
# pivot = arr[len(arr) // 2]
# left = [x for x in arr if x < pivot]
# middle = [x for x in arr if x == pivot]
# right = [x for x in arr if x > pivot]
# return quick_sort(left) + middle + quick_sort(right)
# arr = [3,6,8,10,1,2,1]
# print(quick_sort(arr))
# ```
# 在这个实现中,我们首先判断输入数组的长度是否小于等于1,如果是,则直接返回数组,因为长度为1的数组本身就是有序的。否则,我们选择数组中间的元素作为基准值(pivot)。然后,我们将数组中的元素分成三部分:小于基准值的元素(left)、等于基准值的元素(middle)和大于基准值的元素(right)。接着,我们分别对left和right子数组进行递归调用quick_sort函数进行排序,并将排序后的结果与middle子数组连接起来,得到最终的排序结果。
如果需要加载本地词表,请修改配置文件中以下项:
processor:
tokenizer:
vocab_file: "/path/to/tokenizer.model"
微调¶
下面以 ADGEN (广告生成) 数据集为例介绍代码的使用方法
数据集准备¶
输入输出格式数据集¶
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,目录结构为
AdvertiseGen
├── train.json
└── dev.json
修改配置文件 configs/glm3/run_glm3_6b_finetune*.yaml
中的以下项:
train_dataset: &train_dataset
dataset_dir: "/path/to/AdvertiseGen/train.json"
origin_columns: ["content", "summary"]
tokenizer:
vocab_file: "/path/to/tokenizer.model"
input_columns: ["input_ids", "labels"]
max_source_length: 64
max_target_length: 127
eval_dataset: &eval_dataset
data_loader:
dataset_dir: "/path/to/AdvertiseGen/dev.json"
origin_columns: ["content", "summary"]
tokenizer:
vocab_file: "/path/to/tokenizer.model"
max_source_length: 256
max_target_length: 256
注意:微调时的模型seq_length
需要等于微调数据集的max_source_length + max_target_length + 1
。
yaml文件中默认的seq_length: 192
以及max_source_length: 64
和max_target_length: 127
适用于ADGEN数据集,
其他数据集的seq_length
设置,可以遍历并将数据集转换为token_id,取token_id最大长度,seq_length
太大影响训练性能,
太小影响训练精度,需要做出权衡。
多轮对话格式数据集¶
首先,克隆 ToolAlpaca 数据集,并下载处理脚本 format_tool_alpaca.py,然后执行脚本执行脚本:
python mindformers/tools/format_tool_alpaca.py --path ToolAlpaca/data/train_data.json
脚本会在执行目录下生成 formatted_data/tool_alpaca.jsonl
也可以在这里下载处理好的数据集:
微调时选择配置文件:configs/glm3/run_glm3_6b_multiturn_finetune*.yaml
全参微调¶
全参微调使用 configs/glm3/run_glm3_6b_finetune*.yaml
配置文件,配置文件中定义了微调所需的各配置项
修改数据集/模型权重配置路径:
数据集:修改
configs/glm3/run_glm3_6b_finetune*.yaml
脚本中train_dataset
的dataset_dir
为前文生成的数据集路径。加载预训练模型权重:修改
configs/glm3/run_glm3_6b_finetune*.yaml
脚本中的load_checkpoint
为预训练模型权重路径。
当前模型已支持使用Flash Attention算法进行全参微调,请参考 Flash Attention使用文档
单卡微调¶
由于glm3_6b模型较大,全量微调不支持单卡运行
多卡微调¶
单机多卡
多卡运行需要RANK_FILE_TABLE,请参考前期准备——生成RANK_TABLE_FILE
cd scripts
# Usage Help: bash run_distribute.sh [RANK_TABLE_FILE] [CONFIG_PATH] [DEVICE_RANGE] [RUN_STATUS]
bash run_distribute.sh /path/to/hccl_8p_01234567_127.0.1.1.json ../configs/glm3/run_glm3_6b_finetune*.yaml '[0,8]' finetune
# 将此处rank_table_file替换为实际路径
参数说明
RANK_TABLE_FILE: 由mindformers/tools/hccl_tools.py生成的分布式json文件
CONFIG_PATH: 为configs文件夹下面的glm3/run_glm3_6b_finetune*.yaml配置文件
DEVICE_RANGE: 为单机分布式卡的范围,如 '[0,8]' 为8卡分布式,不包含8本身
RUN_STATUS: 为任务运行状态,支持关键字 train\finetune\eval\predict
训练的log日志路径:mindformers/output/log
checkpoint存储路径:mindformers/output/checkpoint
多机多卡
多机多卡运行需要合并不同机器的RANK_FILE_TABLE,参考前期准备——多机RANK_TABLE_FILE合并
在每台机器上启动bash run_distribute.sh
。
server_count=12
device_num=8*$server_count
# launch ranks in the 0th server
cd scripts
bash run_distribute.sh $RANK_TABLE_FILE path/to/config.yaml [0,8] finetune $device_num
# launch ranks in the 1-11 server via ssh
for idx in {1..11}
do
let rank_start=8*$idx
let rank_end=$rank_start+8
ssh ${IP_LIST[$idx]} "cd scripts; bash run_distribute.sh $RANK_TABLE_FILE path/to/config.yaml [$rank_start,$rank_end] finetune $device_num"
done
其中
RANK_TABLE_FILE
为上一步汇总并分发的总rank table文件;IP_LIST
为12台服务器的IP地址。如192.168.0.[0-11]
IP_LIST=("192.168.0.0", "192.168.0.1", ..., "192.168.0.11")
推理¶
基本介绍¶
MindFormers 定位打造训练->微调->部署的端到端大模型工具套件,为了更好性能地部署已经微调训练好的大模型,我们利用MindSpore打造了全新的训推一体高性能推理引擎,保证训练与推理使用同一套脚本,为用户提供了开箱即用的推理部署方案,为用户提供端到端的大模型解决方案,帮助用户使能大模型业务。
MindSpore 大模型推理大致分两步:设置环境变量 -> 执行推理,接下来分别描述上述两个过程。
设置环境变量¶
export GRAPH_OP_RUN=1
export MS_ENABLE_INTERNAL_KERNELS=on
基于generate的推理¶
下面提供一个模型推理样例脚本 infer.py
import mindspore as ms
from mindformers import AutoConfig, AutoModel, AutoTokenizer, AutoProcessor
# 指定图模式,指定使用训练卡id
ms.set_context(mode=ms.GRAPH_MODE, device_target="Ascend", device_id=0)
# 以下两种tokenizer实例化方式选其一即可
# 1. 在线加载方式
tokenizer = AutoTokenizer.from_pretrained("glm3_6b")
# 2. 本地加载方式
# tokenizer = AutoProcessor.from_pretrained("/path/to/your.yaml").tokenizer
# 以下两种model的实例化方式选其一即可
# 1. 直接根据默认配置实例化
# model = AutoModel.from_pretrained('glm3_6b')
# 2. 自定义修改配置后实例化
config = AutoConfig.from_pretrained('glm3_6b')
config.use_past = True # 此处修改默认配置,开启增量推理能够加速推理性能
config.seq_length = 2048 # 根据需求自定义修改其余模型配置
config.checkpoint_name_or_path = "/path/to/your.ckpt"
model = AutoModel.from_config(config) # 从自定义配置项中实例化模型
role="user"
inputs_list=["你好", "请介绍一下华为"]
for input_item in inputs_list:
history=[]
inputs = tokenizer.build_chat_input(input_item, history=history, role=role)
inputs = inputs['input_ids']
# 首次调用model.generate()进行推理将包含图编译时间,推理性能显示不准确,多次重复调用以获取准确的推理性能
outputs = model.generate(inputs, do_sample=False, top_k=1, max_length=config.seq_length)
response = tokenizer.decode(outputs)
for i, output in enumerate(outputs):
output = output[len(inputs[i]):]
response = tokenizer.decode(output)
print(response)
# answer 1:
# 你好👋!我是人工智能助手 ChatGLM3-6B,很高兴见到你,欢迎问我任何问题。
# answer 2:
# 华为是一家总部位于中国深圳的多元化科技公司,成立于1987年,是全球最大的电信设备制造商之一。该公司也在智能手机、电脑、平板电脑、云计算等领域开展业务,其产品和服务覆盖全球170多个国家和地区。
# 华为的主要业务包括电信网络设备、智能手机、电脑和消费电子产品。公司在全球范围内有超过190,000名员工,其中约一半以上从事研发工作。华为以其高品质的产品和服务赢得了全球客户的信任和好评,也曾因其领先技术和创新精神而获得多项国际奖项和认可。
# 然而,华为也面临着来自一些国家政府的安全问题和政治压力,其中包括美国政府对其产品的禁令和限制。华为一直坚称自己的产品是安全的,并采取了一系列措施来确保其产品的安全性和透明度。
如果需要加载本地词表,请修改配置文件中以下项:
processor:
tokenizer:
vocab_file: "/path/to/tokenizer.model"
基于generate的多角色推理¶
下面提供一个模型推理样例。
from copy import deepcopy
import mindspore as ms
from mindformers import AutoConfig, AutoModel, AutoTokenizer, AutoProcessor
def process_response(output, history):
content = ""
history = deepcopy(history)
for response in output.split("<|assistant|>"):
metadata, content = response.split("\n", maxsplit=1)
if not metadata.strip():
content = content.strip()
history.append({"role": "assistant", "metadata": metadata, "content": content})
content = content.replace("[[训练时间]]", "2023年")
else:
history.append({"role": "assistant", "metadata": metadata, "content": content})
if history[0]["role"] == "system" and "tools" in history[0]:
content = "\n".join(content.split("\n")[1:-1])
def tool_call(**kwargs):
return kwargs
parameters = eval(content)
content = {"name": metadata.strip(), "parameters": parameters}
else:
content = {"name": metadata.strip(), "content": content}
return content, history
# 指定图模式,指定使用训练卡id
ms.set_context(mode=ms.GRAPH_MODE, device_target="Ascend", device_id=0)
# 以下两种tokenizer实例化方式选其一即可
# 1. 在线加载方式
tokenizer = AutoTokenizer.from_pretrained("glm3_6b")
# 2. 本地加载方式
# tokenizer = AutoProcessor.from_pretrained("/path/to/your.yaml").tokenizer
# 以下两种model的实例化方式选其一即可
# 1. 直接根据默认配置实例化
# model = AutoModel.from_pretrained('glm3_6b')
# 2. 自定义修改配置后实例化
config = AutoConfig.from_pretrained('glm3_6b')
config.use_past = True # 此处修改默认配置,开启增量推理能够加速推理性能
config.seq_length = 8192 # 根据需求自定义修改其余模型配置
config.checkpoint_name_or_path = "/path/to/your.ckpt"
model = AutoModel.from_config(config) # 从自定义配置项中实例化模型
kwargs={}
gen_kwargs = {"max_length": config.seq_length,"num_beams": 1, "do_sample": False, "top_p": 1,"top_k": 1,
"temperature": 1,**kwargs}
role="system"
text = "假设你现在是一个导游,请尽可能贴近这个角色回答问题。"
history = []
inputs = tokenizer.build_chat_input(text, history=history, role=role)
inputs = inputs['input_ids']
history.append({'role':role, 'content':text}) # 第一个输入
outputs = model.generate(inputs, **gen_kwargs)
outputs =outputs[0][len(inputs[0]):-1]
response = tokenizer.decode(outputs)
print(response, flush=True)
# 您好,我是您的人工智能助手,也可以是你的导游。请问有什么问题我可以帮您解答呢?
response, history = process_response(response, history)
print('history:', flush=True)
print(history, flush=True)
role="user"
text="我打算1月份去海南玩,可以介绍一下海南有哪些好玩的,好吃的么?"
inputs = tokenizer.build_chat_input(text, history=history, role=role)
inputs = inputs['input_ids']
history.append({'role':role, 'content':text}) # 第二个输入
outputs = model.generate(inputs, **gen_kwargs) #, eos_token_id=eos_token_id)
outputs =outputs[0][len(inputs[0]):-1]
response = tokenizer.decode(outputs)
print(response, flush=True)
# 当然可以!海南是一个风景优美、气候宜人的热带海洋省份,拥有丰富的旅游资源和美食。以下是一些您可能会感兴趣的景点和美食:
# 1. 景点:
# - 海南岛:这是海南最著名的景点之一,拥有美丽的沙滩和热带雨林。
# - 亚龙湾:这是海南最著名的海滩之一,拥有柔软的沙滩和清澈的海水。
# - 南山寺:这是海南最著名的佛教寺庙之一,拥有精美的建筑和悠久的历史。
# - 博鳌亚洲论坛永久会址:这是中国最著名的国际会议中心,也是亚洲地区最重要的政治、经济、文化论坛之一。
# 2. 美食:
# - 海南鸡饭:这是海南最著名的美食之一,以鸡肉、米饭和椰汁为主要材料,味道鲜美。
# - 海鲜:海南的海鲜非常新鲜,您可以在当地的海鲜市场或餐厅品尝到各种海鲜美食,如清蒸海鲜、红烧海鲜等。
# - 椰子饭:这是海南最著名的传统美食之一,以椰子肉、糯米和椰子汁为主要材料,味道香甜。
# - 海南粉:这是海南最著名的传统小吃之一,以米粉、猪肉、花生、蔬菜等为主要材料,味道鲜美。
# 希望这些信息对您有所帮助,如果您还有其他问题,请随时问我。
response, history = process_response(response, history)
role="user"
text="哪里适合冲浪和潜水呢?"
inputs = tokenizer.build_chat_input(text, history=history, role=role)
inputs = inputs['input_ids']
history.append({'role':role, 'content':text}) # 第三个输入
outputs = model.generate(inputs, **gen_kwargs)
outputs =outputs[0][len(inputs[0]):-1]
response = tokenizer.decode(outputs)
print(response, flush=True)
# 在海南,冲浪和潜水的好去处有很多。以下是一些建议:
# 1. 冲浪:
# - 莺歌海:位于海南岛西海岸,是冲浪爱好者的天堂。这里的海浪适中,沙滩漂亮,非常适合冲浪。
# - 三亚:位于海南岛南端,是海南最著名的冲浪胜地之一。这里的沙滩细腻,海浪较大,非常适合冲浪。
# 2. 潜水:
# - 蜈支洲岛:位于海南岛东海岸,是海南最著名的潜水胜地之一。这里的潜水条件较好,能见度较高,水下生物丰富,非常适合潜水。
# - 西沙群岛:位于海南岛东南方向,是海南另一个著名的潜水胜地。这里的潜水条件非常好,水下生物丰富,适合各种级别的潜水爱好者。
# 当然,冲浪和潜水都需要一定的技能和经验,如果您是初学者,建议在专业人士的指导下进行。希望这些信息对您有所帮助,如果您还有其他问题,请随时问我。
response, history = process_response(response, history)
role="user"
text="可以帮我做一份旅游攻略吗?"
inputs = tokenizer.build_chat_input(text, history=history, role=role)
inputs = inputs['input_ids']
history.append({'role':role, 'content':text}) # 第四个输入
outputs = model.generate(inputs, **gen_kwargs)
outputs =outputs[0][len(inputs[0]):-1]
response = tokenizer.decode(outputs)
print(response, flush=True)
# 当然可以!以下是一份简要的海南旅游攻略,供您参考:
# 一、行程安排:
# 建议行程安排为7天6夜,具体如下:
# 第1天:抵达三亚,入住酒店,适应一下当地的气候和环境。
# 第2天:游览亚龙湾,享受阳光和沙滩,晚上可以品尝当地的美食。
# 第3天:游览南山寺,感受佛教文化的魅力,晚上可以前往三亚市区逛街购物。
# 第4天:前往蜈支洲岛,享受潜水和冲浪的乐趣,晚上可以在岛上住宿。
# 第5天:继续在蜈支洲岛游玩,探索更多的潜水点和冲浪场所,晚上可以在岛上住宿。
# 第6天:前往西沙群岛,进行一天一夜的潜水之旅,晚上返回三亚。
# 第7天:返回三亚,结束行程,离开海南。
# 二、注意事项:
# 1. 海南岛的气候比较热,建议您穿着轻便的衣物,并注意防晒。
# 2. 海南岛的海鲜美食丰富,但请注意食用安全,避免食物中毒。
# 3. 在海滩上要注意安全,避免在无人的海滩游泳,注意防晒和防水。
# 4. 潜水和冲浪需要一定的技能和经验,建议在专业人士的指导下进行。
# 希望这份攻略对您有所帮助,如果您还有其他问题,请随时问我。
response, history = process_response(response, history)
如果需要加载本地词表,请修改配置文件中以下项:
processor:
tokenizer:
vocab_file: "/path/to/tokenizer.model"
Q & A¶
Q1: 网络训练 loss 不下降、网络训练溢出、overflow_cond=True
怎么办?¶
A1: 执行训练前设置环境变量:
export MS_ASCEND_CHECK_OVERFLOW_MODE="INFNAN_MODE"
重新启动训练。
Q2: 推理速度非常慢、Mindspore只能跑在CPU上、报错中含有 te
、tbe
、tvm
等字样?¶
A2: 一般是 Mindspore + Ascend 环境安装问题,确认环境安装过程参照 安装指南并且成功设置了环境变量。执行:
python -c "import mindspore;mindspore.set_context(device_target='Ascend');mindspore.run_check()"
假如执行输出:
MindSpore version: 版本号
The result of multiplication calculation is correct, MindSpore has been installed on platform [Ascend] successfully!
并且没有报错,则说明成功安装了环境。
或许你想问,有没有更方便的环境安装方式?恭喜你,有的,我们还提供现成的 docker镜像,可以依据需求自行取用。
Q3: Sync stream Failed、exec graph xxx failed?¶
A3:这类报错较为宽泛,可以打开昇腾host日志进一步定位。
export ASCEND_GLOBAL_EVENT_ENABLE=0
export ASCEND_GLOBAL_LOG_LEVEL=2
export ASCEND_SLOG_PRINT_TO_STDOUT=1
打开昇腾host日志后模型性能将明显下降,定位问题结束后需要取消昇腾日志:
unset ASCEND_GLOBAL_EVENT_ENABLE ASCEND_GLOBAL_LOG_LEVEL ASCEND_SLOG_PRINT_TO_STDOUT
Q4: the strategy is xxxxxx, shape xxxx cannot be divisible by value x¶
A4: 检查模型句长是否满足 max_source_length + max_target_length + 1 = seq_length
的要求。