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
修改模型路径
启动
streamlit run basic_demo/web_demo2.py
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"
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 bash set -ex PRE_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=500 DATESTR=`date +%Y%m%d-%H%M%S` RUN_NAME=advertise_gen_pt BASE_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 $OUTPUT_DIR torchrun --standalone --nnodes=1 --nproc_per_node=$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
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 }