整體流程於上一份微調文件基本一致，此份是詳細備份及關鍵說明：
1.處理文件
處理好法律名詞解釋爲json文件的格式，其中prompt column爲 content，response column 爲summary，如下：
（如果KEY不是content-summary的形式，也可修改train.sh對應的項，見後文）
2.數據上傳與下載
將處理好後的文件壓縮上傳，打開oss軟件，.\oss login登錄後使用oss指令上傳文件：
cp 壓縮文件所在目錄\xxx.zip oss://
在恆源雲的終端，登錄後轉到對應的文件夾（此處是ChatGLM/ChatGLM-6B-main/ptuning），下載後解壓，指令如下：
`cd /ChatGLM/ChatGLM-6B-main/ptuning //轉到微調文件夾
`oss cp oss://xxx.zip .`//下載壓縮數據文件
`unzip -q xxx.zip` //解壓
3.更改訓練文件參數
修改train.sh和evaluate.sh中的train_file、validation_file和test_file爲你自己的 JSON 格式數據集路徑，並將prompt_column和response_column修改爲 JSON 文件中輸入文本和輸入文本對應的 KEY。
同時要更改字符長度，因爲法律名詞的解釋較長，所以將target改爲256比較合適。
修改batch size，可以增加顯存的利用率，默認爲1，此處設置爲2，可嘗試設爲4。
修改步數，主要是save step，由於系統空間較小，可通過增大save step來減少保存次數，減少存儲量；還可以通過更改輸出目錄，將輸出保存到臨時空間中，不會佔用系統空間，但是後續還需移動。
4.啓動訓練
上述更改保存後，執行代碼開始訓練
bash train.sh
此步驟後，生成的文件默認存放於 ./output/adgen-chatglm-6b-pt-8-1e-2/。
5.評估
修改evaluate.sh文件，修改內容同上，不再贅述。同時運行，生成評估文件
bash evaluate.sh
此步驟後，結果存放於 ./output/adgen-chatglm-6b-pt-8-1e-2/generated_predictions.txt。
6.部署模型
返回ChatGLM/ChatGLM-6B-main/，修改cli_demo.py文件。將文件中的模型改爲訓練後產生的checkpoints的地址（此處爲./ptuning/output/adgen-chatglm-6b-pt-128-2e-2/checkpoint-1000）
上述步驟保存後，執行代碼開始運行：
python cli_demo.py
（注意：根據官方文檔說明，微調後模型只支持第一輪對話，後續對話可能會生成錯誤！）
附：
對於以下情形，如果要直接定位到詳細解釋，就需要把訓練數據改爲具體解釋，而不是“詳見xxx”這種格式。
