AI算法 | 如何訓練自己的大模型？

作者：Goldma 2025-04-01 09:54:09

在人工智能領域，大語言模型（LLM）已成為研究和應用的熱點。許多開發者和企業都希望能夠訓練自己的大模型，以滿足特定需求或領域應用。本文將詳細介紹從二次預訓練到指令微調的完整流程，并提供實用的代碼示例。

1、第一階段：二次預訓練

模型選擇與轉換

在開始訓練之前，需要選擇一個合適的基礎模型。本文以LLaMA-7B為例，簡單介紹下。為了方便后續的操作，將LLaMA-7B模型轉換為Hugging Face格式。

from transformers import AutoModelForCausalLM, AutoTokenizer
# 加載原始LLaMA模型
model_path = "original_llama_7b"
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(model_path)
# 保存為Hugging Face格式
hf_path = "llama_7b_hf"
model.save_pretrained(hf_path)
tokenizer.save_pretrained(hf_path)

此外，為了更好地處理中文文本，還需要擴充中文詞表。可以參考Chinese-LLaMA項目，它在原始詞表的基礎上新增了大量漢字token，從而讓模型能夠更好地理解和生成中文內容。

from transformers import AddedToken
# 加載原始tokenizer
tokenizer = AutoTokenizer.from_pretrained("llama_7b_hf")
# 添加中文字符
new_tokens = ["中文", "中國", "人工智能"]  # 實際應用中需要更全面的詞表
new_tokens = [AddedToken(token) for token in new_tokens]
# 擴充詞表
tokenizer.add_tokens(new_tokens)
model.resize_token_embeddings(len(tokenizer))
# 保存擴充后的tokenizer
tokenizer.save_pretrained("llama_7b_zh_extended")

數據準備

數據是訓練模型的關鍵。需要根據任務需求收集海量的中文文本數據。例如，這些數據可以來自中文維基百科、新聞文章、小說等多個領域。這樣可以確保模型能夠學習到豐富的知識。在收集數據之后，還需要對數據進行清洗和預處理，去除其中的噪聲和無關內容，以保證數據的質量。

下面是一個簡單的清晰流程實例：

def clean_text(text):
    # 去除HTML標簽
    text = re.sub(r'<[^>]+>', '', text)
    # 去除特殊字符和多余空格
    text = re.sub(r'\s+', ' ', text).strip()
    # 其他自定義清洗規則
    return text
# 假設我們有一個文本文件列表
text_files = ["data/wiki_zh.txt", "data/news_zh.txt"]
cleaned_data = []
for file in text_files:
    with open(file, 'r', encoding='utf-8') as f:
        for line in tqdm(f):
            cleaned = clean_text(line)
            if len(cleaned) > 10:  # 過濾過短文本
                cleaned_data.append(cleaned)
# 保存清洗后的數據
with open("cleaned_zh_data.txt", 'w', encoding='utf-8') as f:
    f.write('\n'.join(cleaned_data))

訓練設置

為了降低計算資源的需求，可以使用LoRA（Low-Rank Adaptation）技術進行二次預訓練。LoRA通過在模型中添加低秩矩陣來實現高效的微調，大大減少了需要訓練的參數數量。例如，原本全參微調7B模型需要8卡A100，使用LoRA后，單卡3090就足夠了。此外，還需要設置合適的超參數，如學習率、批次大小等。這些超參數可以根據實驗結果進行調整，以達到更好的訓練效果。

from transformers import Trainer, TrainingArguments
from peft import LoraConfig, get_peft_model
# 配置LoRA
lora_config = LoraConfig(
    r=8,  # 低秩矩陣的維度
    lora_alpha=32,
    target_modules=["q_proj", "v_proj"],  # 對query和value矩陣進行適配
    lora_dropout=0.05,
    bias="none",
    task_type="CAUSAL_LM"
)
# 應用LoRA到模型
model = get_peft_model(model, lora_config)
model.print_trainable_parameters()  # 查看可訓練參數數量
# 準備訓練參數
training_args = TrainingArguments(
    output_dir="./output",
    overwrite_output_dir=True,
    num_train_epochs=3,
    per_device_train_batch_size=4,
    save_steps=10_000,
    save_total_limit=2,
    learning_rate=1e-4,
    fp16=True,
    logging_steps=100,
    evaluation_strategy="steps",
    eval_steps=5_000,
    load_best_model_at_end=True
)
# 創建數據集
from datasets import load_dataset
dataset = load_dataset("text", data_files={"train": "cleaned_zh_data.txt"})
# 開始訓練
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=dataset["train"],
    tokenizer=tokenizer
)
trainer.train()

2、第二階段：指令微調

數據準備

在第一階段的預訓練之后，需要對模型進行指令微調，以使其能夠更好地理解和執行指令。為此，需要構造指令微調數據集，這些數據集包括中文指令和對應的回答。可以參考Alpaca-CoT項目，它提供了豐富的指令數據集。如果模型需要應用于特定的領域，如金融領域，還可以收集相關的領域指令數據。

訓練設置

在第一階段的預訓練模型基礎上進行指令微調。同樣可以使用LoRA技術，進一步降低計算成本。如果希望模型更好地理解下游任務信息，可以將指令微調數據集拼接成文檔格式，放入第一階段進行增量預訓練。

訓練過程

使用FT（Full-Tuning）+LoRA SFT（Sparse Fine-Tuning）的方式進行微調。在訓練過程中，模型會學習如何更好地理解和執行指令。為了確保模型的性能，需要定期評估模型在指令微調數據集上的表現，并根據評估結果調整訓練策略。

from transformers import DataCollatorForLanguageModeling
# 加載預訓練模型
model = AutoModelForCausalLM.from_pretrained("./output/checkpoint-final")
tokenizer = AutoTokenizer.from_pretrained("llama_7b_zh_extended")
# 準備數據集
def preprocess_function(examples):
    texts = []
    for inst in examples["text"]:
        try:
            data = json.loads(inst)
            text = f"指令：{data['instruction']}\n輸入：{data['input']}\n輸出：{data['output']}"
            texts.append(text)
        except:
            continue
    return tokenizer(texts, truncatinotallow=True, max_length=512)
dataset = load_dataset("json", data_files={"train": "instruction_data.json"})
tokenized_dataset = dataset.map(preprocess_function, batched=True)
# 數據收集器
data_collator = DataCollatorForLanguageModeling(
    tokenizer=tokenizer, 
    mlm=False
)
# 微調參數
training_args = TrainingArguments(
    output_dir="./sft_output",
    per_device_train_batch_size=4,
    num_train_epochs=5,
    learning_rate=5e-5,
    fp16=True,
    save_steps=10_000,
    logging_steps=100,
    evaluation_strategy="no",
)
# 開始微調
trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized_dataset["train"],
    data_collator=data_collator,
    tokenizer=tokenizer
)
trainer.train()

低成本方案

例如8-bit優化：

from transformers import BitsAndBytesConfig
quantization_config = BitsAndBytesConfig(
    load_in_8bit=True,
    llm_int8_threshold=6.0
)
model = AutoModelForCausalLM.from_pretrained(
    "llama_7b_hf",
    quantization_cnotallow=quantization_config
)

3、注意事項

數據質量：在實際應用中，數據清洗和預處理的邏輯可能需要根據具體數據進行調整。
超參數調整：超參數（如學習率、批次大小、LoRA的秩等）需要根據實驗結果進行調整。
模型評估：在訓練過程中，建議定期在驗證集上評估模型性能，以確保模型沒有過擬合。

責任編輯：龐桂玉來源：小白學AI算法

AI算法大模型 AI