ChatGLM3微调后推理时NotImplementedError问题分析与解决方案
问题背景
在使用ChatGLM3进行LoRA微调后,许多开发者在尝试运行推理脚本时遇到了NotImplementedError异常。这个问题主要出现在加载微调后的模型进行推理时,系统提示set_input_embeddings方法未实现。本文将深入分析该问题的成因,并提供多种可行的解决方案。
问题现象
当开发者使用finetune_demo/finetune_hf.py完成LoRA微调后,运行finetune_demo/inference_hf.py进行推理时,会遇到以下错误链:
- 首先尝试加载微调后的模型
- 系统自动调用resize_token_embeddings方法
- 该方法内部尝试调用set_input_embeddings
- 最终抛出NotImplementedError异常
根本原因分析
经过深入分析,这个问题由多个因素共同导致:
-
Peft库的自动调整机制:Peft库在加载适配器模型时,会自动检查并尝试调整token嵌入层的大小,以确保与tokenizer的词汇表大小匹配。
-
ChatGLM模型实现特殊性:ChatGLM模型没有实现标准的set_input_embeddings方法,而是使用了自定义的嵌入层实现方式。
-
版本兼容性问题:不同版本的transformers和peft库在处理这类特殊模型时行为不一致,导致部分开发者能复现问题而部分不能。
-
词汇表大小变化:微调过程中,tokenizer的词汇表大小可能会发生变化(从65024变为64798),触发了嵌入层调整的需求。
解决方案
方案一:修改Peft库源代码
- 找到peft/auto.py文件(通常在Python环境的site-packages/peft目录下)
- 修改约124行处的tokenizer加载代码,添加trust_remote_code参数传递:
# 修改前
tokenizer = AutoTokenizer.from_pretrained(pretrained_model_name_or_path)
# 修改后
tokenizer = AutoTokenizer.from_pretrained(pretrained_model_name_or_path, **kwargs)
- 同时可以注释掉resize_token_embeddings的调用(约126行)
方案二:为ChatGLM模型添加缺失方法
在ChatGLM3的模型实现文件(通常是modeling_chatglm.py)中,为ChatGLMModel类添加以下方法:
def set_input_embeddings(self, value):
self.embedding.word_embeddings = value
方案三:使用特定版本组合
经过验证,以下库版本组合可以避免此问题:
- peft==0.8.1
- transformers==4.32.1
可以通过以下命令安装特定版本:
pip install peft==0.8.1 transformers==4.32.1
技术细节解析
为什么会出现词汇表大小变化?
虽然tokenizer.model文件没有变化,但微调过程中可能会对特殊token进行处理,导致实际使用的词汇表大小发生变化。这是正常现象,不会影响模型的核心功能。
为什么部分开发者无法复现?
这主要与以下因素有关:
- 使用的transformers和peft库版本不同
- 是否对模型代码进行过自定义修改
- 微调时使用的具体参数和数据集
最佳实践建议
-
版本控制:建立明确的依赖版本控制,推荐使用requirements.txt或conda环境文件。
-
模型检查:微调后检查adapter_config.json中的base_model_name_or_path是否正确指向原始模型。
-
逐步验证:先验证原始模型的加载和推理,再测试微调后的模型。
-
错误处理:在推理脚本中添加适当的错误处理和日志记录,便于问题定位。
总结
ChatGLM3微调后推理出现的NotImplementedError问题,本质上是由于模型特殊实现与Peft库标准流程之间的兼容性问题。通过本文提供的多种解决方案,开发者可以根据自己的实际情况选择最适合的方法。随着ChatGLM3和Peft库的持续更新,这个问题可能会在未来的版本中得到官方解决。在此之前,理解问题本质并掌握解决方案将有助于开发者更顺畅地使用ChatGLM3进行微调和部署。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-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~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
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!C0296- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









