Views
No views yet
预训练 -> 指令微调 -> 奖励模型 -> 强化学习 四个阶段，以可控的成本完成一个可以完成简单聊天任务的chat模型transformers包进行推理pip install bert4torch==0.4.9.post2 # 若找不到则指定 -i https://pypi.org/simple1# 为防止terminal关闭，可以使用nohup, tmux, screen方式来启动
2# eg. nohup torchrun --standalone --nproc_per_node=4 pretrain.py --name baby > nohup.log&
3
4# 预训练
5cd pretrain
6torchrun --standalone --nproc_per_node=4 pretrain.py # 部分反映ddp训到一般会崩，需设置`export NCCL_IB_DISABLE=1`
7
8# 预训练推理（命令行聊天）
9cd pretrain
10python infer.py # python infer_transformers.py
11
12# 指令微调训练
13cd sft
14python sft.py
15
16# 指令微调推理（命令行聊天）
17cd sft
18python infer.py # python infer_transformers.py
19
20# 把ckpt转化成transformers可以运行的格式
21cd docs
22python convert.pyMiniLLM-MiniLLM-L12_H1024_A8-NoWudao和MiniLLM-MiniLLM-L12_H1024_A8-WithWudao; SFT模型MiniLLM-L12_H1024_A8-WithWudao-SFT_Alpaca| 中文预训练语料 | 描述 |
|---|---|
| Wiki中文百科 | 中文Wikipedia的数据 |
| BaiduBaiKe 提取码: bwvb | 中文BaiduBaiKe的数据 |
| C4_zh：part1 提取码：zv4r；C4_zh：part2 提取码：sb83；C4_zh：part3 提取码：l89d | C4是可用的最大语言数据集之一，收集了来自互联网上超过3.65亿个域的超过1560亿个token。C4_zh是其中的一部分 |
| WuDaoCorpora | 中文悟道开源的200G数据 |
| shibing624/medical | 源自shibing624的一部分医学领域的预训练数据 |
| 预训练权重 | 预训练语料 | 下载地址 |
|---|---|---|
| MiniLLM-L12_H1024_A8-NoWudao | （140亿 Tokens） Wiki中文百科、BaiduBaiKe、hibing624/medical、C4_zh | 百度网盘, HuggingFace |
| MiniLLM-L12_H1024_A8-WithWudao | （640亿 Tokens） Wiki中文百科、BaiduBaiKe、shibing624/medical、C4_zh、WuDaoCorpora | 百度网盘, HuggingFace |
| 权重 | 预训练设置 | 硬件占用和训练时长 |
|---|---|---|
| MiniLLM-L12_H1024_A8-NoWudao | 140亿 Tokens; btz=32*4gpu; lr=3e-4; warmup_steps=5000 | 4×A800(80G), 单卡占用约60G，耗时20h |
| MiniLLM-L12_H1024_A8-WithWudao | 640亿 Tokens; btz=32*4gpu; lr=1.5e-4; warmup_steps=5000 | ✅ 4×A800(80G), 单卡占用约60G，耗时3.79d ✅ baby-llama2项目2×4090，耗时26d ✅ 个人测试单卡btz=8下, gpu占用约17G，时长未知（可配合梯度累计进一步降低占用） |
1# 以下两句视网络情况添加
2import os
3os.environ['HF_ENDPOINT'] = "https://hf-mirror.com"
4
5from transformers import AutoTokenizer, LlamaForCausalLM
6import torch
7
8device = 'cuda' if torch.cuda.is_available() else 'cpu'
9model_name = 'Tongjilibo/MiniLLM-L12_H1024_A8-WithWudao' # 'Tongjilibo/MiniLLM-L12_H1024_A8-NoWudao'
10
11tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
12model = LlamaForCausalLM.from_pretrained(model_name).to(device)
13
14query = '王鹏是一名'
15inputs = tokenizer.encode(query, return_tensors='pt', add_special_tokens=False).to(device)
16output_ids = model.generate(inputs)
17response = tokenizer.decode(output_ids[0].cpu(), skip_special_tokens=True)
18print(response)1用户：小明学习优异、身体健康、是一名
2
3续写：小明学习优异、身体健康、是一名优秀的大连理工大学学生，从大学一年级起，他就对体育十分痴迷，成绩名列前茅，还参加了多项比赛，在全校体育活动中，他成绩名列前茅，被大连理工大学授予“优秀运动员”称号。
42006年，高中二年级，小明的同学杨帆来到大连理工大学，他决心要改变自己的命运。他每天放学后，都会跑到操场上练习篮球，练到下午三点多钟时，小明的篮球技术开始显现出来，他的篮球动作敏捷，力量大，而且，他经常利用空档时间练习跳投
5
6
7用户：床前明月光，疑是地上霜。举头望明月，
8
9续写：床前明月光，疑是地上霜。举头望明月，低头思故乡……”
10我读着这些诗句时也倍感亲切和亲切了！1用户：小明学习优异、身体健康、是一名
2
3续写：小明学习优异、身体健康、是一名优秀的教师。他为人诚实、有责任心。在课堂上，他能认真听讲，积极思考，对每节课都积极举手发言。在课后，他主动要求帮助老师，认真做好作业，按时完成老师布置的作业，受到同学们的好评。
4
5
6用户：床前明月光，疑是地上霜。举头望明月，
7
8续写：床前明月光，疑是地上霜。举头望明月，低头思故乡。”这诗不仅描述了中秋夜月夜的温馨与宁静，还写出了作者对故土深情的眷恋和思乡之情。“月上柳梢头”一语，是写月下所见。“欲将心事付瑶琴”，指欲诉别情； “举头望明月”，写中秋之夜，月上高挂、皓月当空、群星闪耀的景象；“低头思故乡”，写思念故土的深情厚意。
9这首诗在写作手法上，主要运用象征| 数据集名称 | 介绍 |
|---|---|
| shibing624/alpaca-zh | 参考Alpaca方法基于GPT4得到的self-instruct数据，约5万条 |
| BelleGroup/Belle-0.5M-cn | 包含约50万条由BELLE项目生成的中文指令数据 |
| BelleGroup/Belle-1M-cn | 包含约100万条由BELLE项目生成的中文指令数据 |
| BelleGroup/Belle-school_math_0.25M | Belle开放的0.25M数学指令数据集 |
| BelleGroup/Belle-multiturn_chat_0.8M | Belle开放的0.8M多轮任务对话数据集 |
| YeungNLP/firefly-train-1.1M | 流萤23种常见的中文NLP任务的数据，并且构造了许多与中华文化相关的数据，如对联、作诗、文言文翻译、散文、金庸小说等。对于每个任务，由人工书写若干种指令模板，保证数据的高质量与丰富度，数据量为115万 |
| fnlp/moss-002-sft-data | MOSS-002所使用的多轮对话数据，覆盖有用性、忠实性、无害性三个层面，包含由text-davinci-003生成的约57万条英文对话和59万条中文对话 |
| fnlp/moss-003-sft-data | moss-moon-003-sft所使用的多轮对话数据，基于MOSS-002内测阶段采集的约10万用户输入数据和gpt-3.5-turbo构造而成，相比moss-002-sft-data，moss-003-sft-data更加符合真实用户意图分布，包含更细粒度的有用性类别标记、更广泛的无害性数据和更长对话轮数，约含110万条对话数据 |
| shareAI/CodeChat | 主要包含逻辑推理、代码问答、代码生成相关语料样本。 |
| shareAI/ShareGPT-Chinese-English-90k | 中英文平行双语优质人机问答数据集，覆盖真实复杂场景下的用户提问。 |
| deepctrl/deepctrl-sft-data | 匠数大模型SFT数据集是一个由匠数科技精心搜集整理的高质量数据集,包含10M条数据的中文数据集和包含2M条数据的英文数据集 |
| 指令微调权重 | 语料 | 下载地址 |
|---|---|---|
| MiniLLM-L12_H1024_A8-WithWudao-SFT_Alpaca | shibing624/alpaca-zh | 百度网盘, HuggingFace |
| 权重 | 预训练设置 | 硬件占用和训练时长 |
|---|---|---|
| MiniLLM-L12_H1024_A8-NoWudao | shibing624/alpaca-zh数据集; btz=8; lr=2e-5; 5epoch | 单卡4090，显存17G, 耗时45min |
1# 以下两句视网络情况添加
2import os
3os.environ['HF_ENDPOINT'] = "https://hf-mirror.com"
4
5from transformers import AutoTokenizer, LlamaForCausalLM
6import torch
7
8device = 'cuda' if torch.cuda.is_available() else 'cpu'
9model_name = 'Tongjilibo/MiniLLM-L12_H1024_A8-WithWudao-SFT_Alpaca'
10
11tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
12model = LlamaForCausalLM.from_pretrained(model_name).to(device)
13
14query = '你好'
15query = f'<human>{query}<robot>'
16inputs = tokenizer.encode(query, return_tensors='pt', add_special_tokens=False).to(device)
17output_ids = model.generate(inputs)
18response = tokenizer.decode(output_ids[0].cpu(), skip_special_tokens=True)[len(query):]
19print(response)1User：你好
2
3Assistant：你好！很高兴见到你。
4
5User：你能做什么？
6
7Assistant：你好！我是一个人工智能助手，有什么我可以为你做的吗？
8
9User：番茄炒蛋怎么制作？
10
11Assistant：如果你想要制作一个番茄炒蛋，那么下面这些步骤可能会帮助你：
12
131. 准备食材：准备好鸡蛋、盐、香菜、胡萝卜丝、黄瓜丝等食材。
142. 清洗鸡蛋：在搅拌碗中打散鸡蛋，使其表面可以清洁。
153. 准备材料：准备一个锅，倒入适量的水，将鸡蛋液倒入锅中。
164. 煮鸡蛋：用汤锅或锅煎至鸡蛋表面金黄色，熟透即可。
175. 炒蔬菜：在锅中加入适量的油，将胡萝卜丝和黄瓜丝个人喜欢的，翻炒几下，直到胡萝卜熟透。
186. 加入鸡蛋：从锅中取出鸡蛋，倒入锅中。
197. 调味：将炒好的鸡蛋倒入锅中，与蔬菜一起翻炒几下即可。
20
21注意：想要炒出更丰富的蔬菜味道，可以适当加入适量的盐和香菜，增加风味。