训练ChatGPT的必备资源：语料、模型和代码库完全指南
大数据文摘授权转载自夕小瑶的卖萌屋
作者：python
近期，ChatGPT成为了全网热议的话题。ChatGPT是一种基于大规模语言模型技术（LLM， large language model）实现的人机对话工具。但是，如果我们想要训练自己的大规模语言模型，有哪些公开的资源可以提供帮助呢？在这个github项目中，人民大学的老师同学们从模型参数（Checkpoints）、语料和代码库三个方面，为大家整理并介绍这些资源。接下来，让我们一起来看看吧。
资源链接： https://github.com/RUCAIBox/LLMSurvey
论文地址： https://arxiv.org/pdf/2303.18223.pdf
模型参数
从已经训练好的模型参数做精调、继续训练，无疑可以极大地降低计算成本。那目前有哪些开源的大模型参数，可以供我们选择呢？
第一类是100~1000亿参数的模型。这类模型除了LLaMA（650亿）之外，参数范围都集中在100~200亿之间。具体而言，包括：LLaMA[1], mT5[2], T0[3], GPT-NeoX-20B[4], CodeGen[5], UL2[6], Flan-T5[7], mT0[8], PanGu-α[9]。
其中，Flan-T5经过instruction tuning的训练；CodeGen专注于代码生成；mT0是个跨语言模型；PanGu-α有大模型版本，并且在中文下游任务上表现较好。
第二类是超过1000亿参数规模的模型。这类模型开源的较少，包括：OPT[10], OPT-IML[11], BLOOM[12], BLOOMZ[13], GLM[14], Galactica[15]。参数规模都在1000亿~2000亿之间。
其中，OPT是专为开源和大模型复现提出的；BLOOM 和 BLOOMZ具有跨语言能力；Galactica, GLM, 和 OPT-IML都是经过instruction tuning的。
这些模型参数大多使用几百到上千块显卡训练得到。比如GPT-NeoX-20B（200亿参数）使用了96个A100-SXM4-40GB GPU，LLaMA（650亿参数）使用了2048块A100-80G GPU学习了21天，OPT（1750亿参数）使用了992 A100-80GB GPU，GLM（1300亿参数）使用了768块DGX-A100-40G GPU训练了60天。
除了这些可供公开下载参数的模型之外，OpenAI还提供在他们的服务器上精调GPT-3模型的服务，可以选择的初始模型参数包括babbage（GPT-3 1B）, curie（GPT-3 6.7B）和 davinci（GPT-3 175B）。
上图中，标黄的模型均为开源模型。
语料
训练大规模语言模型，训练语料不可或缺。主要的开源语料可以分成5类：书籍、网页爬取、社交媒体平台、百科、代码。
书籍语料包括：BookCorpus[16] 和 Project Gutenberg[17]，分别包含1.1万和7万本书籍。前者在GPT-2等小模型中使用较多，而MT-NLG 和 LLaMA等大模型均使用了后者作为训练语料。
最常用的网页爬取语料是CommonCrawl[18]。不过该语料虽然很大，但质量较差。大模型大多采用从其中筛选得到的子集用于训练。常用的4个子集包括：C4[19], CC-Stories, CC-News[20], 和 RealNews[21]。
CC-Stories的原版现在已不提供下载，一个替代选项是CC-Stories-R[22]。
社交媒体平台语料主要获取自Reddit平台。WebText包含了Reddit平台上的高赞内容，然而现在已经不提供下载，现在可以用OpenWebText[23]替代。此外，PushShift.io[24]提供了一个实时更新的Reddit的全部内容。
百科语料就是维基百科（Wikipedia[25]）的下载数据。该语料被广泛地用于多种大语言模型（GPT-3, LaMDA, LLaMA 等），且提供多种语言版本，可用于支持跨语言模型训练。
代码语料主要来自于GitHub中的项目，或代码问答社区。开源的代码语料有谷歌的BigQuery[26]。大语言模型CodeGen在训练时就使用了BigQuery的一个子集。
除了这些单一内容来源的语料，还有一些语料集。比如 the Pile[27]合并了22个子集，构建了800GB规模的混合语料。而 ROOTS[28]整合了59种语言的语料，包含1.61TB的文本内容。
上图统计了这些常用的开源语料。目前的预训练模型大多采用多个语料资源合并作为训练数据。比如GPT-3使用了5个来源3000亿token（word piece）,包含开源语料CommonCrawl, Wikipedia 和非开源语料（WebText2，Books1, Books2）。
代码库
使用代码库，可以帮助你快速搭建模型结构，而不用一个个矩阵乘法地搭建transformers结构。具体而言，包括以下7个：
- Transformers[29]是Hugging Face构建的用来快速实现transformers结构的库。同时也提供数据集处理与评价等相关功能。应用广泛，社区活跃。
- DeepSpeed[30]是一个微软构建的基于PyTorch的库。GPT-Neo，BLOOM等模型均是基于该库开发。DeepSpeed提供了多种分布式优化工具，如ZeRO，gradient checkpointing等。
- Megatron-LM[31]是NVIDIA构建的一个基于PyTorch的大模型训练工具，并提供一些用于分布式计算的工具如模型与数据并行、混合精度训练，FlashAttention与gradient checkpointing等。
- JAX[32]是Google Brain构建的一个工具，支持GPU与TPU，并且提供了即时编译加速与自动batching等功能。
- Colossal-AI[33]是EleutherAI基于JAX开发的一个大模型训练工具，支持并行化与混合精度训练。最近有一个基于LLaMA训练的对话应用ColossalChat就是基于该工具构建的。
- BMTrain[34] 是 OpenBMB开发的一个大模型训练工具，强调代码简化，低资源与高可用性。在其ModelCenter中，已经构建好如Flan-T5 与 GLM等模型结构可供直接使用。
- FastMoE[35] 是一个基于pytorch的用于搭建混合专家模型的工具，并支持训练时数据与模型并行。
结束语
通过使用以上提到的模型参数、语料与代码，我们可以极大地方便自己实现大规模语言模型，并搭建出自己的对话工具。但是，尽管数据资源相对容易获取，计算资源却十分稀缺。想要获得足够的显卡资源以训练/调整大规模模型，仍然是一件非常困难的事情。因此，私有化ChatGPT的道路任重而道远。在计算资源相对匮乏的情况下，我们更是要利用好手头的模型参数、语料与代码等资源，以有限的计算量取得最好的表现。
参考文献：