ChatGLM3微调过程中数据集格式与参数设置问题解析
2025-05-16 01:03:50作者:沈韬淼Beryl
引言
在使用ChatGLM3进行微调时,许多开发者遇到了数据集加载和参数配置方面的问题。本文将深入分析这些常见问题的根源,并提供专业的解决方案,帮助开发者顺利完成模型微调。
数据集格式问题分析
正确的数据集格式要求
ChatGLM3微调需要特定的数据集格式,主要存在以下关键点:
-
文件格式:虽然文件扩展名为.json,但实际应采用jsonl格式(JSON Lines),即每行一个独立的JSON对象。
-
数据结构:每个样本应包含"conversations"字段,其中包含用户输入和模型输出的对话记录。
-
字段规范:
- 用户输入使用"role": "user"
- 模型输出使用"role": "assistant"
常见错误及解决方案
开发者常遇到验证集(dev.json)和测试集(test_dataset)加载后num_rows为0的问题,主要原因包括:
-
文件格式错误:未使用jsonl格式,而是将整个数据集作为一个JSON数组保存。
-
字段缺失:缺少必要的"conversations"字段或角色定义不正确。
-
数据预处理问题:在数据转换过程中可能丢失了关键字段。
关键参数配置
max_input_length与max_output_length
这两个参数对微调过程至关重要:
-
参数作用:
- max_input_length:控制输入文本的最大token长度
- max_output_length:控制输出文本的最大token长度
-
设置原则:
- 必须大于等于数据集中最长样本的相应长度
- 设置过小会导致数据被截断,特别是验证集样本可能被完全过滤
-
长度限制:
- ChatGLM3支持最大8k tokens(输入输出总和)
- 实际最大值取决于可用显存大小
实践建议
-
数据准备阶段:
- 使用jsonl格式保存数据集
- 确保每个样本结构完整
- 预先统计数据的最大长度
-
参数配置阶段:
- 根据数据统计结果设置合理的长度限制
- 显存不足时可考虑减小batch size
-
调试技巧:
- 先在小数据集上测试
- 逐步增加参数值观察效果
总结
成功微调ChatGLM3需要注意数据格式的准确性和参数配置的合理性。通过理解jsonl格式要求,正确设置输入输出长度限制,开发者可以避免大多数常见问题,充分发挥ChatGLM3的强大能力。
登录后查看全文
热门项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++043Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0287Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
161
2.05 K

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
198
279

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
535
62

Ascend Extension for PyTorch
Python
50
81

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
950
556

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1 K
397

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
385
19

openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191