整体流程于上一份微调文件基本一致，此份是详细备份及关键说明：
1.处理文件
处理好法律名词解释为json文件的格式，其中prompt column为 content，response column 为summary，如下：
（如果KEY不是content-summary的形式，也可修改train.sh对应的项，见后文）
2.数据上传与下载
将处理好后的文件压缩上传，打开oss软件，.\oss login登录后使用oss指令上传文件：
cp 压缩文件所在目录\xxx.zip oss://
在恒源云的终端，登录后转到对应的文件夹（此处是ChatGLM/ChatGLM-6B-main/ptuning），下载后解压，指令如下：
`cd /ChatGLM/ChatGLM-6B-main/ptuning //转到微调文件夹
`oss cp oss://xxx.zip .`//下载压缩数据文件
`unzip -q xxx.zip` //解压
3.更改训练文件参数
修改train.sh和evaluate.sh中的train_file、validation_file和test_file为你自己的 JSON 格式数据集路径，并将prompt_column和response_column修改为 JSON 文件中输入文本和输入文本对应的 KEY。
同时要更改字符长度，因为法律名词的解释较长，所以将target改为256比较合适。
修改batch size，可以增加显存的利用率，默认为1，此处设置为2，可尝试设为4。
修改步数，主要是save step，由于系统空间较小，可通过增大save step来减少保存次数，减少存储量；还可以通过更改输出目录，将输出保存到临时空间中，不会占用系统空间，但是后续还需移动。
4.启动训练
上述更改保存后，执行代码开始训练
bash train.sh
此步骤后，生成的文件默认存放于 ./output/adgen-chatglm-6b-pt-8-1e-2/。
5.评估
修改evaluate.sh文件，修改内容同上，不再赘述。同时运行，生成评估文件
bash evaluate.sh
此步骤后，结果存放于 ./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。将文件中的模型改为训练后产生的checkpoints的地址（此处为./ptuning/output/adgen-chatglm-6b-pt-128-2e-2/checkpoint-1000）
上述步骤保存后，执行代码开始运行：
python cli_demo.py
（注意：根据官方文档说明，微调后模型只支持第一轮对话，后续对话可能会生成错误！）
附：
对于以下情形，如果要直接定位到详细解释，就需要把训练数据改为具体解释，而不是“详见xxx”这种格式。
