增加chatGLM2+PT的预测代码

[micrazy]

Description

1. 修改了模型保存方式，只保存PrefixEncoder部分
2. 优化了训练过程的日志打印方式
3. 新增了预测和cli代码

在chatGLM2+PT场景下，可以复现三元组抽取任务, 不同epoch的模型f1在测试集上表现为：

• Epoch 1 0.4001908179539758
• Epoch 5 0.48332597625972235
• Epoch 7 0.5810401474342651
• Epoch 10 0.5901889823940757

基本和作者的实验相符

[micrazy]

补充一句，随着训练轮数增加，会出现灾难性遗忘现象

[Rorschach2333]

是真的，我感觉pt微调的遗忘问题非常严重，根本没有对话能力了

[Rorschach2333]

在我的实验里只做了一次微调训练，但是结果貌似lora好很多，遗忘效果也没那么明显，我再试试多次训练后什么情况

[micrazy]

在我的实验里只做了一次微调训练，但是结果貌似lora好很多，遗忘效果也没那么明显，我再试试多次训练后什么情况

lora比pt好吗？

[Rorschach2333]

我的实验结果是这样的，lora微调：
0.4670529755761953
0.49894855144855144
0.55351585129846
0.5553688147601193
0.5634696969696971
0.6320420851937882
0.5791721859418254
0.6105994321847981
0.620511885775044
0.6314630720323322
并且用第10轮的权重，仍然可以保持正常的沟通能力，测试的几个问题都能回答，但是ptv2我试了两个轮次，他连自己是谁都不知道了，根本没法用，测试精度大约是0.49（pt第二轮）
感谢你提供的脚本，这周组会又有救了

[micrazy]

我的实验结果是这样的，lora微调： 0.4670529755761953 0.49894855144855144 0.55351585129846 0.5553688147601193 0.5634696969696971 0.6320420851937882 0.5791721859418254 0.6105994321847981 0.620511885775044 0.6314630720323322 并且用第10轮的权重，仍然可以保持正常的沟通能力，测试的几个问题都能回答，但是ptv2我试了两个轮次，他连自己是谁都不知道了，根本没法用，测试精度大约是0.49（pt第二轮） 感谢你提供的脚本，这周组会又有救了

很棒~

[Zou-njust]

在我的实验里只做了一次微调训练，但是结果貌似lora好很多，遗忘效果也没那么明显，我再试试多次训练后什么情况

你好，我尝试lora微调，生成的文件中没有pytorch_model.bin，但predict.py和cli.py中都需要这个文件，请问这里是怎么处理的？

[Zou-njust]

我的实验结果是这样的，lora微调： 0.4670529755761953 0.49894855144855144 0.55351585129846 0.5553688147601193 0.5634696969696971 0.6320420851937882 0.5791721859418254 0.6105994321847981 0.620511885775044 0.6314630720323322 并且用第10轮的权重，仍然可以保持正常的沟通能力，测试的几个问题都能回答，但是ptv2我试了两个轮次，他连自己是谁都不知道了，根本没法用，测试精度大约是0.49（pt第二轮） 感谢你提供的脚本，这周组会又有救了

现在用下面的方式可以加载成功，
tokenizer = ChatGLMTokenizer.from_pretrained(args.model_dir)
config = PeftConfig.from_pretrained(args.lora_checkpoint)
model = AutoModel.from_pretrained(config.base_model_name_or_path, trust_remote_code=True).cuda()
model = PeftModel.from_pretrained(model, args.lora_checkpoint)
但使用predict.py分数全部为0，用cli问答，回答结果感觉和原始模型完全一样，怀疑是微调的部分哪里有问题，请问你是怎么操作的

[nowyouseemejoe]

我的实验结果是这样的，lora微调： 0.4670529755761953 0.49894855144855144 0.55351585129846 0.5553688147601193 0.5634696969696971 0.6320420851937882 0.5791721859418254 0.6105994321847981 0.620511885775044 0.6314630720323322 并且用第10轮的权重，仍然可以保持正常的沟通能力，测试的几个问题都能回答，但是ptv2我试了两个轮次，他连自己是谁都不知道了，根本没法用，测试精度大约是0.49（pt第二轮） 感谢你提供的脚本，这周组会又有救了

现在用下面的方式可以加载成功， tokenizer = ChatGLMTokenizer.from_pretrained(args.model_dir) config = PeftConfig.from_pretrained(args.lora_checkpoint) model = AutoModel.from_pretrained(config.base_model_name_or_path, trust_remote_code=True).cuda() model = PeftModel.from_pretrained(model, args.lora_checkpoint) 但使用predict.py分数全部为0，用cli问答，回答结果感觉和原始模型完全一样，怀疑是微调的部分哪里有问题，请问你是怎么操作的

我也是这个问题，用了和你一样的代码加上model = model.merge_and_unload()，但是结果还是和原始模型一样，看了下好像参数都是原来的模型