【项目】多模态图文理解-GLM-Edge实战

（一）模型初体验

GLM-Edge-1.5B-Chat 端侧模型体验地址：HuggingFace

GLM-Edge-V-5B 端侧模型体验地址：HuggingFace | 魔搭社区

（二）模型介绍

GLM-Edge 系列是我们在面向端侧真实落地使用的场景下的一次尝试，由两种尺寸的大语言对话模型和多模态理解模型组成

• GLM-Edge-1.5B-Chat
• GLM-Edge-4B-Chat
• GLM-Edge-V-2B
• GLM-Edge-V-5B

其中，1.5B / 2B模型主要面向手机、车机等平台，4B / 5B 模型主要面向PC等平台。

基于GLM-4系列的技术积累，我们针对端侧实际部署情况，对模型结构和尺寸做了针对性的调整，以求在模型表现、实机推理效果和落地便利度之间达到平衡。同时，通过与伙伴企业的深入合作和在推理优化上的不懈努力，在一些端侧平台上，GLM-Edge系列模型能以极快的速度运行。

例如，在高通骁龙8 Elite平台上，借助其强大的NPU算力，GLM-Edge通过混合量化方案，1.5B对话模型、2B多模态模型能实现60tokens/s以上的解码速度。在应用投机采样技术之后，两个模型能以峰值100 tokens/s以上的解码速度运行。

模型下载地址：

（三）性能指标

数据采集日截止到2024年11月28日。

（1）高通

• 在高通8 Elite（Gen4）平台上测试，模型全部运行在NPU上
• 如运行V模型，另外需要单图890ms的处理时间和约660M的额外内存
• 使用投机解码方案时，Token Rate还有最高50%的提升

（2）Intel

• 在Intel LNL 288V (ARC 140V 8X@2.05GHz) 平台上测试。
• 如运行V模型，另外需要单图1.7s的处理时间和约2G的额外内存。

（四）安装依赖

# Python>=3.10
git clone https://github.com/THUDM/GLM-Edge.git
cd GLM-Edge
pip install -r requirements.txt

（五）模型推理

（1）Transformers / OpenVINO / vLLM Demo

提供了 vLLM, OpenVINO 和 Transformers 三种后端推理方式。

python inference/cli_demo.py --backend transformers --model_path THUDM/glm-edge-1.5b-chat --precision bfloat16
python inference/cli_demo.py --backend vllm --model_path THUDM/glm-edge-1.5b-chat --precision bfloat16
python inference/cli_demo.py --backend ov --model_path THUDM/glm-edge-1.5b-chat-ov  --precision int4

注意：

OpenVINO 版本模型需要进行转换，请前往 这里 运行转换代码。

python convert_chat.py --model_path THUDM/glm-edge-1.5b-chat --precision int4 转换对话模型。

python convert.py --model_path THUDM/glm-edge-v-2b --precision int4转换视觉理解模型。

你也可以在 这里 查看原始的转换代码。

vLLM 版本模型需要从 这里 源代码 安装 vLLM 以正常运行。

如果你想使用 glm-edge-v 系列模型，你可以运行以下命令行交互代码

python inference/cli_demo_vision.py  --backend transformers --model_path THUDM/glm-edge-v-2b --precision bfloat16
python inference/cli_demo.py --backend ov --model_path THUDM/glm-edge-1.5b-chat-ov  --precision int4

你也可以使用 Gradio 启动 WebUI。

python inference/cli_demo.py --backend transformers --model_path THUDM/glm-edge-1.5b-chat --precision bfloat16
python inference/cli_demo.py --backend vllm --model_path THUDM/glm-edge-1.5b-chat --precision int4 # For Int4 Inference

（2）XInference

如果你使用 XInference 进行推理，你可以通过运行以下命令来运行模型。这是一个命令行交互代码。

xinference launch --model-engine Transformers --model-name glm-edge-v --size-in-billions 2 --model-format pytorch --quantization none

使用 OpenAI API进行推理:

import openai

client = openai.Client(
    api_key="cannot be empty",
    base_url="http://<XINFERENCE_HOST>:<XINFERENCE_PORT>/v1"
)
output = client.chat.completions.create(
    model="glm-edge-v",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    'type': 'text',
                    'text': 'describe this image',
                },
                {
                    'type': 'image_url',
                    'image_url': {
                        "url": "img.png",
                    }
                },
            ],
        }
    ],
    max_tokens=512,
    temperature=0.7
)

print(output)

（六）微调模型

（1）多轮对话格式

多轮对话微调示例采用 GLM-Edge 对话格式约定，对不同角色添加不同 loss_mask 从而在一遍计算中为多轮回复计算 loss。

对于数据文件，样例采用如下格式：

对于glm-edge-chat系列模型，您应该按照以下格式整理数据。

[
  {
    "messages": [
      {
        "role": "system",
        "content": "<system prompt text>",
      },
      {
        "role": "user",
        "content": "<user prompt text>"
      },
      {
        "role": "assistant",
        "content": "<assistant response text>"
      },
      // Multi_turns
      {
        "role": "user",
        "content": "<user prompt text>"
      },
      {
        "role": "assistant",
        "content": "<assistant response text>"
      },
    ]
  }
]

这里是一个单轮对话的例子:

{
  "messages": [
    {
      "role": "user",
      "content": "类型#裤*材质#牛仔布*风格#性感"
    },
    {
      "role": "assistant",
      "content": "3x1的这款牛仔裤采用浅白的牛仔面料为裤身材质，其柔然的手感和细腻的质地，在穿着舒适的同时，透露着清纯甜美的个性气质。除此之外，流畅的裤身剪裁将性感的>腿部曲线彰显的淋漓尽致，不失为一款随性出街的必备单品。"
    }
  ]
}

对于glm-edge-v系列模型，您应该按照以下格式整理数据。

[
    {
      "messages": [
        {
          "role": "user",
          "content": [
            {
              "type": "image",
              "image": "path/to/image"
            },
            {
              "type": "text",
              "text": "图片中的狗在做什么？"
            }
          ]
        },
        {
          "role": "assistant",
          "content": [
            {
              "type": "text",
              "text": "zRzRzRzRzRzRzR!这只狗躺在公寓客厅的绿色沙发上。"
            }
          ]
        },
        {
          "role": "user",
          "content": [
            {
              "type": "text",
              "text": "这只狗是什么颜色的？"
            }
          ]
        },
        {
          "role": "assistant",
          "content": [
            {
              "type": "text",
              "text": "zRzRzRzRzRzRzR!这只狗是棕色和白色的。"
            }
          ]
        }
      ]
    }
]

（2）配置文件

微调配置文件位于 config 目录下，包括以下文件：

1. ds_zereo_2 / ds_zereo_3.json: deepspeed 配置文件。

2. lora.yaml / sft.yaml: 模型不同方式的配置文件，包括模型参数、优化器参数、训练参数等。 部分重要参数解释如下：

   • data_config 部分
     • train_file: 训练数据集的文件路径。
     • val_file: 验证数据集的文件路径。
     • test_file: 测试数据集的文件路径。
     • num_proc: 在加载数据时使用的进程数量。
   • max_input_length: 输入序列的最大长度，对于glm-edge-v系列模型，由于图片占位token个数是584，因此值需要设置大些。
   • max_output_length: 输出序列的最大长度。
   • training_args 部分
     • output_dir: 用于保存模型和其他输出的目录。
     • max_steps: 训练的最大步数。
     • per_device_train_batch_size: 每个设备（如 GPU）的训练批次大小。
     • dataloader_num_workers: 加载数据时使用的工作线程数量。
     • remove_unused_columns: 是否移除数据中未使用的列。
     • save_strategy: 模型保存策略（例如，每隔多少步保存一次）。
     • save_steps: 每隔多少步保存一次模型。
     • log_level: 日志级别（如 info）。
     • logging_strategy: 日志记录策略。
     • logging_steps: 每隔多少步记录一次日志。
     • per_device_eval_batch_size: 每个设备的评估批次大小。
     • evaluation_strategy: 评估策略（例如，每隔多少步进行一次评估）。
     • eval_steps: 每隔多少步进行一次评估。
     • predict_with_generate: 是否使用生成模式进行预测。
   • generation_config 部分
     • max_new_tokens: 生成的最大新 token 数量。
   • peft_config 部分
     • peft_type: 使用的参数有效调整类型 (支持 LORA 和 PREFIX_TUNING)。
     • task_type: 任务类型，这里是因果语言模型 (不要改动)。
   • Lora 参数：
     • r: LoRA 的秩。
     • lora_alpha: LoRA 的缩放因子。
     • lora_dropout: 在 LoRA 层使用的 dropout 概率。

（3）模型微调

通过以下代码执行 单机多卡/多机多卡 运行，这是使用 deepspeed 作为加速方案的，您需要安装 deepspeed。接着，按照此命令运行：

OMP_NUM_THREADS=1 torchrun --standalone --nnodes=1 --nproc_per_node=8  finetune.py  data/AdvertiseGen/  THUDM/glm-edge-4b-chat  configs/lora.yaml # For Chat Fine-tune
OMP_NUM_THREADS=1 torchrun --standalone --nnodes=1 --nproc_per_node=8  finetune_vision.py  data/CogVLM-311K/  THUDM/glm-edge-v-5b  configs/lora.yaml  # For VQA Fine-tune

通过以下代码执行 单机单卡 运行。

python finetune.py  data/AdvertiseGen/  THUDM/glm-edge-4b-chat  configs/lora.yaml # For Chat Fine-tune
python finetune_vision.py  data/CogVLM-311K/  THUDM/glm-edge-v-5b configs/lora.yaml # For VQA Fine-tune

（4）从保存点进行微调

如果按照上述方式进行训练，每次微调都会从头开始，如果你想从训练一半的模型开始微调，你可以加入第四个参数，这个参数有两种传入方式:

1. yes, 自动从最后一个保存的 Checkpoint开始训练
2. XX, 断点号数字 例 600 则从序号600 Checkpoint开始训练

例如，这就是一个从最后一个保存点继续微调的示例代码

python finetune.py  data/AdvertiseGen/  THUDM/glm-edge-4b-chat  configs/lora.yaml yes
python finetune_vision.py  data/CogVLM-311K/  THUDM/glm-edge-4b-chat  configs/lora.yaml yes