大语言模型(LLM)训练入门

通过这篇文章，你可以预训练一个全新大语言模型。

注意是全新的模型，不是微调

全新训练的好处是训练的数据、训练的参数都是可修改的，通过调试运行我们可以更好的理解大模型训练过程。我们可以用特定类型数据的训练，来完成特定类型数据的输出。

关于大模型已经有很多文章，微调模型的文章比较多，全新预训练全新模型的文章很少。有的也讲的很复杂，代码也很难跑通。本文不会讲的很复杂，代码也很容易运行。

一、准备训练环境

我的训练环境基于

python 3.11
requirements.txt

tokenizers==0.13.3
torch==2.0.1
transformers==4.30.2

二、准备训练数据

首先我们要为训练准备数据，比如我就想基于《罗密欧与朱丽叶》训练一个模型。下载地址： github.com/xinzhanguo/…

三、训练分词器

分词(tokenization) 是把输入文本切分成有意义的子单元（tokens）。通过以下代码，根据我们的数据一个新的分词器：

from tokenizers import Tokenizer
from tokenizers.models import BPE
from tokenizers.trainers import BpeTrainer
from tokenizers.normalizers import NFKC, Sequence
from tokenizers.pre_tokenizers import ByteLevel
from tokenizers.decoders import ByteLevel as ByteLevelDecoder
from transformers import GPT2TokenizerFast

# save model dir
save_path = "./shakespeare"

tokenizer = Tokenizer(BPE(unk_token="<unk>"))
tokenizer.normalizer = Sequence([NFKC()])
tokenizer.pre_tokenizer = ByteLevel()
tokenizer.decoder = ByteLevelDecoder()
special_tokens = ["<s>", "<pad>", "</s>", "<unk>", "<mask>"]
trainer = BpeTrainer(vocab_size=50000, show_progress=True,
                     inital_alphabet=ByteLevel.alphabet(), special_tokens=special_tokens)
files = ["text/remeo_and_juliet.txt"]
tokenizer.train(files, trainer)
newtokenizer = GPT2TokenizerFast(tokenizer_object=tokenizer)
newtokenizer.save_pretrained(save_path)

成功运行代码后，我们在 save_path 目录生成如下文件:

merges.txt
special_tokens_map.json
tokenizer.json
tokenizer_config.json
vocab.json

现在我们已经成功训练了一个大语言模型的分词器。

四、训练模型

利用下面代码进行模型训练：

from transformers import GPT2Config, GPT2LMHeadModel, GPT2Tokenizer
# save model dir
save_path = "./shakespeare"
# load tokenizer from pretrained
tokenizer = GPT2Tokenizer.from_pretrained(save_path)
tokenizer.add_special_tokens({"eos_token": "</s>", "bos_token": "<s>",
                             "unk_token": "<unk>", "pad_token": "<pad>", "mask_token": "<mask>"})
# creating the configurations from which the model can be made
config = GPT2Config(
    vocab_size=tokenizer.vocab_size,
    bos_token_id=tokenizer.bos_token_id,
    eos_token_id=tokenizer.eos_token_id
)
# creating the model
model = GPT2LMHeadModel(config)
# setting train data
dataset = LineByLineTextDataset(
    tokenizer=tokenizer,
    file_path="./text/remeo_and_juliet.txt",
    block_size=128,
)

data_collator = DataCollatorForLanguageModeling(
    tokenizer=tokenizer, mlm=False, mlm_probability=0.15
)
# setting train args
training_args = TrainingArguments(
    output_dir="./output",
    overwrite_output_dir=True,
    num_train_epochs=20,
    per_gpu_train_batch_size=16,
    save_steps=2000,
    save_total_limit=2,
)

trainer = Trainer(
    model=model,
    args=training_args,
    data_collator=data_collator,
    train_dataset=dataset,
)
trainer.train()
model.save_pretrained(save_path)

运行比较耗时，成功运行代码，我们发现 save_path 目录下面多了三个文件:

config.json
generation_config.json
pytorch_model.bin

现在我们就成功生成训练出一个大语言模型。

五、测试模型

我们用文本生成，对模型进行测试代码如下:

from transformers import pipeline, set_seed
# test model
generator = pipeline('text-generation', model=save_path)
set_seed(13)
txt = generator("Hello", max_length=10)
print(txt)

六、完整代码

以下是完整代码，代码地址:github.com/xinzhanguo/…

代码不是很多，如果初次运行有可能有很多环境问题，建议以Docker方式运行代码

docker build -t hellollm:beta .
# 可以选择以GPU方式运行
# docker run -it --gpus all hellollm:beta sh
docker run -it hellollm:beta sh
python hellollm.py

本文代码模型是基于GPT2的，当然你也可以基于LLama或者Bert等模型去实现全新的大语言模型。