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。