概述
Github官方地址：GLM-4
网上已经有很多关于微调的文章，介绍各种方式下的使用，这里不会赘述。我个人比较关心的是微调时的loss计算逻辑，这点在很多的文章都不会有相关的描述，因为大多数人都是关心如何使用之类的应用层，而不是其具体的底层逻辑，当然咱也说不清太底层的计算。
可了解其它loss计算的文章：
再聊多轮对话微调训练格式与长序列训练
聊聊ChatGLM2与ChatGLM3微调多轮对话的设计逻辑及源码分析
聊聊大模型多轮对话的训练及优化
微调
微调格式：
[ { "messages": [ { "role": "system", "content": "<system prompt text>", "tools": [ { "name": "<tool name>", "args": { "<arg name>": "<arg value>" } } ] }, { "role": "user", "content": "<user prompt text>" }, { "role": "assistant", "content": "<assistant response text>" }, { "role": "user", "content": "<user prompt text>" }, { "role": "assistant", "content": "<assistant response text>" }, { "role": "observation", "content": "<observation prompt text>" }, { "role": "assistant", "content": "<assistant response observation>" }, { "role": "user", "content": "<user prompt text>" }, { "role": "assistant", "content": "<assistant response text>" } ] } ] 微调源码地址：finetune.py
Loss计算代码：
def process_batch( batch: Mapping[str, Sequence], tokenizer: PreTrainedTokenizer, max_input_length: int, max_output_length: int, ) -> dict[str, list]: batched_conv = batch['messages'] batched_input_ids = [] batched_labels = [] # batched_conv 是一个数组 # conv 是数组内的单个 message for conv in batched_conv: input_ids = [151331, 151333] loss_masks = [False, False] # conv 是数组内的单个 message # message 是 单个role json对象 for message in conv: message = process_message(message) # 设置 mask 掩码，只有system,user,observation不参与mask计算，其余的角色参与计算 loss_mask_val = False if message['role'] in ('system', 'user', 'observation') else True # 获取 input 文本的数字表示(ids) new_input_ids = tokenizer.apply_chat_template([message], tokenize=True, return_dict=False)[0][2:] # 计算整句的 mask new_loss_masks = [loss_mask_val] * len(new_input_ids) # 拼接message中的每段json input_ids += new_input_ids # 拼接message中每段json对应的mask loss_masks += new_loss_masks # 追加结尾的 token id input_ids.append(tokenizer.eos_token_id) loss_masks = [False, *loss_masks] labels = [] for input_id, mask in zip(input_ids, loss_masks): if mask: # 添加到label,计算loss labels.append(input_id) else: # -100 不处理，即ignore_index labels.append(-100) max_length = max_input_length + max_output_length + 1 # 截断 batched_input_ids.append(input_ids[:max_length]) batched_labels.append(labels[:max_length]) return {'input_ids': batched_input_ids, 'labels': batched_labels} 注释在代码中已经写明。process_batch方法用于将输入转换为ids，并计算mask（用于Loss计算）。而该方法的调用是在数据集的遍历处理中，即如下所示：
tokenizer, model = load_tokenizer_and_model(model_dir, peft_config=ft_config.peft_config) data_manager = DataManager(data_dir, ft_config.data_config) # 数据集拆分遍历 train_dataset = data_manager.get_dataset( Split.TRAIN, functools.partial( process_batch, tokenizer=tokenizer, max_input_length=ft_config.max_input_length, max_output_length=ft_config.max_output_length, ), batched=True, ) print('train_dataset:', train_dataset) Loss计算如下图所示：
总结
相比较于之前的ChatGLM版本，GLM4开源版本的多轮对话loss计算更恰当且效率也会更高；在其它的开源模型/微调框架中早已支持该种loss计算，如InternLM、XTuner、Firefly等。对于loss格式的类别，可参考XTuner的官方文档说明：dataset_format.md。
更多大模型相关的文章，请上个人公众号查阅：
