用qlora做二次预训练merge后推理极慢

[valkryhx]

我用qlora的方式先做了一次sft
没有merge 推理速度还行。
又用qlora做了二次pretrain 看影响的层除了qkv之外dense层也影响了 结果把二次预训练的glm2 6b基座模型和qlora adapter做完merge之后，推理速度极慢，一个问题五分钟还没出答案，不知道大佬有没有遇到过这个情况

[shuxueslpi]

@valkryhx 我觉得不是推理慢，是陷入输出循环了，如果用stream_chat的方法应该能看出来。
你是用的merge后的int4模型吗？官方的int4方法貌似不是最优的，会导致一些性能，准确性的下降。

[valkryhx]

@valkryhx 我觉得不是推理慢，是陷入输出循环了，如果用stream_chat的方法应该能看出来。 你是用的merge后的int4模型吗？官方的int4方法貌似不是最优的，会导致一些性能，准确性的下降。

好的 我等会用stream方法看看。
另外为什么用您项目主页的推理方式 会报错：RuntimeError: self and mat2 must have the same dtype
我是用qlora SFT 然后加载base model时用到bitsandbytes的qconfig

config = PeftConfig.from_pretrained(peft_model_path)
q_config = BitsAndBytesConfig(load_in_4bit=True,
bnb_4bit_quant_type='nf4',
bnb_4bit_use_double_quant=True,
bnb_4bit_compute_dtype=torch.float32)

base_model = AutoModel.from_pretrained(config.base_model_name_or_path,
quantization_config=q_config,
trust_remote_code=True,
device_map='auto')

add adapter

model = PeftModel.from_pretrained(base_model, peft_model_path) # 这里就报错了

[shuxueslpi]

@valkryhx 各个库的版本和我的一致吗？我这里这部分一直没有报过错的。

[valkryhx]

我看您设置的bnb_4bit_compute_dtype=torch.float32
而我在做qlora的config里面是bnb_4bit_compute_dtype=torch.float16
有可能是这个原因？

[valkryhx]

另外 我也看到您和bash99 讨论的帖子 THUDM/ChatGLM2-6B#141 (comment)
您项目主页提供的推理方案 是否对应这个帖子中提到的方案4呢？

[valkryhx]

@valkryhx 各个库的版本和我的一致吗？我这里这部分一直没有报过错的。

这个问题排查出来了 我使用adapter推理那一步提前把peft版本回退到0.3.0了 所以报错 ，使用正确的peft==0.4.0dev就好了

[shuxueslpi]

@valkryhx 主页的对应的不是4，主页的模型没有merge，方案4的模型首先要：

python3 merge_lora_and_quantize.py \
    --lora_path saved_files/chatGLM2_6B_QLoRA_t32 \
    --output_path /tmp/qlora-model2 \
    --remote_scripts_dir remote_scripts/chatglm2-6b \
    --qbits 0

获得一个合并后的fp16模型，然后这个模型可以直接加载，那就是fp16的推理，也可以按照训练脚本里那样，用bitsandbytes的config，以nf4的方式加载进来，这个就是方案4

[valkryhx]

@valkryhx 主页的对应的不是4，主页的模型没有merge，方案4的模型首先要：

python3 merge_lora_and_quantize.py \
    --lora_path saved_files/chatGLM2_6B_QLoRA_t32 \
    --output_path /tmp/qlora-model2 \
    --remote_scripts_dir remote_scripts/chatglm2-6b \
    --qbits 0

获得一个合并后的fp16模型，然后这个模型可以直接加载，那就是fp16的推理，也可以按照训练脚本里那样，用bitsandbytes的config，以nf4的方式加载进来，这个就是方案4

那主页的方案相当于方案几呢？

[shuxueslpi]

@valkryhx 主页的对应的不是4，主页的模型没有merge，方案4的模型首先要：

python3 merge_lora_and_quantize.py \
    --lora_path saved_files/chatGLM2_6B_QLoRA_t32 \
    --output_path /tmp/qlora-model2 \
    --remote_scripts_dir remote_scripts/chatglm2-6b \
    --qbits 0

获得一个合并后的fp16模型，然后这个模型可以直接加载，那就是fp16的推理，也可以按照训练脚本里那样，用bitsandbytes的config，以nf4的方式加载进来，这个就是方案4

那主页的方案相当于方案几呢？

主页相当于方案1，也就是inference_qlora.py这个脚本的方式，没有把base model和lora model合并

[valkryhx]

谢谢！