记录训练kxgpt

1、训练tokenizer

• 使用ByteLevel-bpe算法
• 词表大小6600
• 特殊token ["<unk>", "<s>", "</s>"]
• 耗时约：30min

2、预训练（dense，类似llama3架构）

• llama3特殊点： RoPE、swiglu激活函数、mlp中的门控机制

输入 x
│
├─> w1(x) ──> silu ─┐
│                   × ──> w2 ──> dropout ──> 输出
└─> w3(x) ─────────┘

模型架构超参数：
        dim: int = 512,
        n_layers: int = 8,
        n_heads: int = 8,
        n_kv_heads: int = 2,
        vocab_size: int = 6600,
        multiple_of: int = 64,
        norm_eps: float = 1e-5,
        max_seq_len: int = 8192,
        rope_theta: int = 1e6,
        dropout: float = 0.0,
        flash_attn: bool = True,

• 训练了4个epoch
• 总参数量：25.932 百万(26M)
• 耗时：161min

3、分阶段sft

• 第一阶段Full SFT 数据的seq_length = 512 路径 ./minimind/dataset/sft_512.jsonl
• epoch：1
• batchsize：32 耗时：192min
• 第一阶段Full SFT 数据的seq_length = 2048 路径 ./minimind/dataset/sft_2048.jsonl
• epoch：1
• batchsize: 32 耗时：13.8h

4、dpo

• Full RLHF 数据路径：./dataset/dpo.jsonl
• sft阶段学习率为 「5e-6」->「5e-7」长度512，建议离线正负样本「概率」偏好对齐阶段lr <=「1e-8」长度3000，否则很容易遗忘训坏
• epoch：2
• batchsize：8 耗时：239min
• dpo的很大区别在于需要policy model和ref model，损失函数差别大，常用logsigmoid

5、知识蒸馏（只学习代码）

• 黑盒蒸馏与sft一样，知识数据从教师模型的输出收集
• 在SFT学习中，模型的目标是拟合词Token分类硬标签（hard labels），即真实的类别标签（如 0 或 6400）
• 白盒蒸馏中，教师模型的softmax概率分布被用作软标签（soft labels）。小模型仅学习软标签，并使用KL-Loss来优化模型的参数。【−P(i)logQ(i)】

6、LoRA

• 为基础模型增加了LoRA外挂，这个过程并不损失基础模型的本身能力，且参数训练量极小

LLM 总参数量: 26194432
LoRA 参数量: 262144
LoRA 参数占比: 1.00%

• 训练过程和sft一样
• 自我认知，耗时：0min
• 医疗垂类，耗时：52min

7、Reason ditillation

• 蒸馏和SFT一样，但实验结果是模型难以每次都符合模板规范的回复，即脱离思考和回复标签约束。 这里的小技巧是增加标记位置token的损失惩罚

# 在 sp_ids 对应的位置增加额外的惩罚
...
loss_mask[sp_ids] = 10 # 惩罚系数,原本是1

• epoch：1
• 耗时：13.6min