首页
/ ChatGLM3微调后推理时NotImplementedError问题分析与解决方案

ChatGLM3微调后推理时NotImplementedError问题分析与解决方案

2025-05-16 19:31:57作者:冯梦姬Eddie

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:

  1. 首先尝试加载微调后的模型
  2. 系统自动调用resize_token_embeddings方法
  3. 该方法内部尝试调用set_input_embeddings
  4. 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:

  1. 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。

  2. 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。

  3. 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。

  4. 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

  1. 找到peft/auto.py文件(通常在Python环境的site-packages/peft目录下)
  2. 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)
  1. 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:

  1. 使用的transformers和peft库版本不同
  2. 是否对模型代码进行过自定义修改
  3. 微调时使用的具体参数和数据集

最佳实践建议

  1. 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。

  2. 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。

  3. 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。

  4. 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。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
143
1.92 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
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
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
RuoYi-Vue3RuoYi-Vue3
🎉 (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
929
553
openHiTLSopenHiTLS
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
422
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
65
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8