名站在线_网页设计代码中form的用法_网络营销策划方案ppt_营销型网站模板

【项目】多模态图文理解-GLM-Edge实战

- （一）模型初体验
- （二）模型介绍
- （三）性能指标
- - （1）高通
  - （2）Intel
- （四）安装依赖
- （五）模型推理
- - （1）Transformers / OpenVINO / vLLM Demo
  - （2）XInference
- （六）微调模型
- - （1）多轮对话格式
  - （2）配置文件
  - （3）模型微调
  - （4）从保存点进行微调

（一）模型初体验

在这里插入图片描述

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：

Model	HuggingFace Model	GGUF Model
GLM-Edge-1.5B-Chat	🤗 Huggingface 🤖 ModelScope 🟣 WiseModel	🤗 Huggingface 🤖 ModelScope 🟣 WiseModel
GLM-Edge-4B-Chat	🤗 Huggingface 🤖 ModelScope 🟣 WiseModel	🤗 Huggingface 🤖 ModelScope 🟣 WiseModel
GLM-Edge-V-2B	🤗 Huggingface 🤖 ModelScope 🟣 WiseModel	🤗 Huggingface 🤖 ModelScope 🟣 WiseModel
GLM-Edge-V-5B	🤗 Huggingface 🤖 ModelScope 🟣 WiseModel	🤗 Huggingface 🤖 ModelScope 🟣 WiseModel

（三）性能指标

数据采集日截止到2024年11月28日。

（1）高通

模型	任务	量化方案	框架	1st token latency (ms)	Token Rate (tokens/s)	Peak Memory Footprint (GB)
GLM-Edge-4B-Chat	(input/output=512/128)	INT4	QNN	660	24	2.9
GLM-Edge-1.5B-Chat	(input/output=512/128)	INT4	QNN	260	65	1.2

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

模型	任务	量化方案	框架	1st token latency (ms)	Token Rate (tokens/s)	Peak Memory Footprint (GB)
GLM-Edge-4B-Chat	(input/output=1024/128)	INT4	OPENVINO	541.2	27	3.9
GLM-Edge-1.5B-Chat	(input/output=1024/128)	INT4	OPENVINO	228.2	63	2.3
GLM-Edge-V-2B	Single image understanding (672x672)	INT4	OPENVINO	362.1	70	3.4

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 openaiclient = 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：

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

yes, 自动从最后一个保存的 Checkpoint开始训练
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