Mini-llm

由Lil2J创建

📝简介

本项目是我个人对一个小规模中文大语言模型的实践复现。

主要参考了以下两个开源项目：

1.https://github.com/charent/Phi2-mini-Chinese

2.https://github.com/DLLXW/baby-llama2-chinese

3.https://github.com/charent/ChatLM-mini-Chinese

包括：预训练、SFT指令微调、DPO、PPO（待完成）的完整流程。

希望与大家分享，也欢迎大家一起完善！

📚项目概述

训练一个参数量为1.4b的预训练模型，基础模型选择QWEN，训练的token数量约为8b
构建包含预训练、SFT指令微调、DPO在内的完整LLM代码仓库，包括DeepSpeed分布式训练技术

🌟快速开始

# 1. 从"Baby-llama2-chinese Corpus"的百度网盘下载维基百科和百度百科的预训练语料以及aplca数据。
#    从https://huggingface.co/datasets/Skywork/SkyPile-150B/tree/main 下载数据
#    从https://huggingface.co/BelleGroup 下载train_2M_CN、train_1M_CN和train_0.5M_CN
#    由于算力资源有限，我只下载了前20个数据文件
#    将所有数据tokenize后，token数量大约为8b
# 2. 将下载的数据放到指定目录
# 3. 切换到dataset_utils目录，运行generate_data.py，运行前修改py文件，取消处理数据函数的注释以启用
# 4. 运行generate_data.py，在./datasets/目录下生成parquet文件
cd dataset_utils
python3 generate_data.py
# 5. 修改train.sh文件。单卡运行时，去掉--multi_gpu，并将--config_file后面改为accelerate_one_gpu.yaml。多卡运行时，修改accelerate_multi_gpu.yaml中的num_processes为实际卡数

# 开始预训练
sh train.sh pre_train.py

# 多机多卡训练
# 使用accelerate_multi_gpus_on_multi_nodes.yaml文件，其中：
# 采用deepspeed standard任务提交模式，num_machines为节点数量，num_processes为总可用GPU数量
# 多机多卡训练需要确保以下几点：
# 1. 多节点免密登录，且节点登录用户名一致，同时将节点的访问用户名写入各节点host文件
# 2. 多节点环境一致，主要是cuda版本、nccl版本、pytorch版本等，三者之间的版本也有相互依赖关系
# 3. 各节点运行命令行：accelerate launch --config_file accelerate_multi_gpus_on_multi_nodes.yaml --machine_rank {rank} --main_process_ip {MasterIP} --main_process_port {MasterPort} pre_train.py
#    其中，rank为用户自定义的机器排序，主节点为0，MasterIP为主节点IP，MasterPort为主节点Port，提交命令时各节点仅需修改rank
accelerate launch --config_file accelerate_multi_gpus_on_multi_nodes.yaml --machine_rank {rank} --main_process_ip {MasterIP} --main_process_port {MasterPort} pre_train.py 

# 6. 预训练完成后，修改sft.py中的模型权重加载路径
# 开始sft微调
sh train.sh sft.py

# 7. 修改test.py的权重路径，即可进行测试
python3 test.py

🤖预训练

模型基础：使用了qwen的模型作为基础，选择原因：1.它是一个成熟的中文大模型开源项目 2.为了省去自己构建tokenizer的麻烦，我发现qwen的tokenizer压缩率很好，就直接使用了，既然使用了tokenizer，就也直接使用它的模型
预训练语料：本次预训练使用了以下几个经典数据集：

中文维基百科：wikipedia-cn-20230720-filtered

百度百科：百度网盘提取码: bwvb

天工数据集：https://huggingface.co/datasets/Skywork/SkyPile-150B/tree/main/data

预训练语料预处理

数据预处理采用QWEN的通用做法，在末尾添加结束符号<|im_end|>，与下一篇文章区分。如果文章超过规定长度，将其截断，截断部分作为下一个样本

💡SFT指令微调

LLM微调的目的是引导出预训练模型中的知识，通俗地说就是教会模型说人话。

微调方法：自然语言处理目前存在一个重要范式：在一般领域数据上进行大规模预训练，然后对特定任务或领域进行适应。因此，为了让预训练模型在特定任务或领域表现良好，需要对模型进行微调。

LLM微调方法

SFT微调数据：LLM在垂直领域的适应已成为2023年的主要趋势，因此各个领域的SFT语料和微调模型层出不穷。目前已有大佬整理并持续更新这方面的最新进展，有需要的可以自行访问。

本项目主要针对两类SFT语料进行模型微调，如下：

日常问答SFT数据：

SFT语料	描述
alpaca-zh：alpaca-zh	该数据集是参考Alpaca方法基于GPT4得到的self-instruct数据，约5万条。
bell：bell	源自BelleGroup的一部分SFT数据。包含约300万条由BELLE项目生成的中文指令数据。

SFT样本构建

由于SFT语料通常较小，我们无需提前分词，而是在构建Dataloader时进行分词并构建batch送给模型。具体请参考sft.py！

🤖DPO阶段

DPO算法称为直接偏好优化（Direct Preference Optimization），DPO的代码参考了中文对话0.2B小模型 ChatLM-Chinese-0.2B

数据集构建思路

整个构建分为四步：

第一步，针对SFT阶段不太合适的指令，构建待优化的指令数据集（也可以直接是上面提到的SFT语料数据集alpaca和bell），数据结构如下：

  {
    "instruction": "描述原子的结构。",
    "input": "",
    "output": "原子是物质的基本单位，它由三种基本粒子组成：质子、中子和电子。质子和中子形成原子核，位于原子中心，核外的电子围绕着原子核运动。\n\n原子结构具有层次性。原子核中，质子带正电，中子不带电（中性）。原子核非常小且致密，占据了原子总质量的绝大部分。电子带负电，通常围绕核运动，形成若干层次，称为壳层或电子层。电子数量与质子数量相等，使原子呈电中性。\n\n电子在每个壳层中都呈规律分布，并且不同壳层所能容纳的电子数也不同。在最里面的壳层一般只能容纳2个电子，其次一层最多可容纳8个电子，再往外的壳层可容纳的电子数逐层递增。\n\n原子核主要受到两种相互作用力的影响：强力和电磁力。强力的作用范围非常小，主要限制在原子核内，具有极强的吸引作用，使核子（质子和中子）紧密结合在一起。电磁力的作用范围较大，主要通过核外的电子与原子核相互作用，发挥作用。\n\n这就是原子的基本结构。原子内部结构复杂多样，不同元素的原子核中质子、中子数量不同，核外电子排布分布也不同，形成了丰富多彩的化学世界。"
  }

第二步，合并输入部分，生成目标数据集chosen，数据结构如下：

    {
        "prompt": "描述原子的结构。",
        "chosen": "原子是物质的基本单位，它由三种基本粒子组成：质子、中子和电子。质子和中子形成原子核，位于原子中心，核外的电子围绕着原子核运动。\n\n原子结构具有层次性。原子核中，质子带正电，中子不带电（中性）。原子核非常小且致密，占据了原子总质量的绝大部分。电子带负电，通常围绕核运动，形成若干层次，称为壳层或电子层。电子数量与质子数量相等，使原子呈电中性。\n\n电子在每个壳层中都呈规律分布，并且不同壳层所能容纳的电子数也不同。在最里面的壳层一般只能容纳2个电子，其次一层最多可容纳8个电子，再往外的壳层可容纳的电子数逐层递增。\n\n原子核主要受到两种相互作用力的影响：强力和电磁力。强力的作用范围非常小，主要限制在原子核内，具有极强的吸引作用，使核子（质子和中子）紧密结合在一起。电磁力的作用范围较大，主要通过核外的电子与原子核相互作用，发挥作用。\n\n这就是原子的基本结构。原子内部结构复杂多样，不同元素的原子核中质子、中子数量不同，核外电子排布分布也不同，形成了丰富多彩的化学世界。"
    },

第三步，通过第二步的SFT模型，输入prompt，如这里的"描述原子结构。"，得到结果"一个原子由质子、中子和电子组成，它们以特定的方式排列成一个原子核。"，从而构建rejected数据集，数据结构如下：

{
    'prompt': '描述原子的结构。', 
   'reject': '一个原子由质子、中子和电子组成，它们以特定的方式排列成一个原子核。'
}

第四步，合并第二步和第三步的输入结果，数据结构如下：

  {
        "prompt": "描述原子的结构。",
        "chosen": "原子是物质的基本单位，它由三种基本粒子组成：质子、中子和电子。质子和中子形成原子核，位于原子中心，核外的电子围绕着原子核运动。\n\n原子结构具有层次性。原子核中，质子带正电，中子不带电（中性）。原子核非常小且致密，占据了原子总质量的绝大部分。电子带负电，通常围绕核运动，形成若干层次，称为壳层或电子层。电子数量与质子数量相等，使原子呈电中性。\n\n电子在每个壳层中都呈规律分布，并且不同壳层所能容纳的电子数也不同。在最里面的壳层一般只能容纳2个电子，其次一层最多可容纳8个电子，再往外的壳层可容纳的电子数逐层递增。\n\n原子核主要受到两种相互作用力的影响：强力和电磁力。强力的作用范围非常小，主要限制在原子核内，具有极强的吸引作用，使核子（质子和中子）紧密结合在一起。电磁力的作用范围较大，主要通过核外的电子与原子核相互作用，发挥作用。\n\n这就是原子的基本结构。原子内部结构复杂多样，不同元素的原子核中质子、中子数量不同，核外电子排布分布也不同，形成了丰富多彩的化学世界。",
        "reject": "一个原子由质子、中子和电子组成，它们以特定的方式排列成一个原子核。"
    },

DPO训练

第一步，使用dpo_train文件，修改其中的DpoConfig类，设置好对应的SFT路径和训练数据集路径即可

class DpoConfig:
    max_seq_len: int = 1024 + 8                  # 8用于eos标记
    sft_model_file: str = '/MINI_LLM/model_save/checkpoint_sftmodel' # SFT后的模型路径
    tokenizer_dir: str = '/MINI_LLM/model_save/checkpoint_sftmodel'   # tokenizer通常与模型权重放在同一文件夹

    dpo_train_file: str = r'/MINILLM\MINI_LLM/datasets/my_dpo_train.json' # dpo的训练集
    dpo_eval_file: str = r'/MINILLM\MINI_LLM/datasets/my_dpo_eval.json' # dpo的测试集

    adapter_file: str = '/MINILLM\MINI_LLM//dpo/adapter_model.safetensors'
    log_dir: str = '/MINILLM\MINI_LLM/logs'

    ...

    output_dir: str = '/MINILLM\MINI_LLM//dpo'  # dpo模型输出路径
    ...

第二步，执行dpo_train

模型对比

因需要配合sft模型才能看差别，因为其本质是让sft的模型更好地对齐你的目标数据而已，min(Π，Π*);可以在下面的链接中下载对应dpo数据和待优化的sft模型，链接如下：链接：https://pan.baidu.com/s/1GYeR6qrUhjsmpgh8-ABDpQ 提取码：dba9

🥇模型权重以及评测

权重下载

预训练权重：https://huggingface.co/Lil2J/mini_llm/tree/main

sft模型权重：https://huggingface.co/Lil2J/mini_llm_sft/tree/main

dpo模型权重：https://huggingface.co/wtxfrancise/mini_llm_dpo/tree/main

预训练模型

我首先先跑了Wiki中文百科 + BaiduBaiKe wiki+baidu.png 预训练语料：Wiki中文百科 + BaiduBaiKe

然后再跑天工的数据预训练语料：天工数据集前20个文件

sft模型

微调语料：aplca数据+bell:train_2M_CN,train_1M_CN和train_0.5M_CN

sft模型效果

#SFT微调模型的推理：test.py。
python3 test.py

wiki+baidu.png

dpo模型 dpo语料：alpaca数据+bell:train_1M_CN
dpo模型效果

其他

有什么问题和想一起搞大模型的可以加微信：ForeverM1LAn 进行交流

MINI_LLM