TencentPretrain框架实战之训练中文领域模型
原创TencentPretrain框架实战之训练中文领域模型
原创
前情提要：
LLaMA 是由 Facebook Research 发布的开源大规模语言模型，包含7B、13B、33B、65B等模型量级，不论是在英文还是中文场景，都吸引了大量开发者和研究人员基于LLaMA展开工作。在上一篇文章中，笔者简要总结了目前开源的中文LLaMA模型，本篇是以比较过后选择的TencentPretrain框架作为基座，使用开源语料训练和部署中文LLaMA领域模型的过程
TencentPretrain 框架是一个用于对文本、图像、语音等模态数据进行预训练和微调的工具包，其特点是遵循模块化的设计原则，通过模块组合，可以灵活并快速地复现已有的预训练模型或者进行创新
领域增量训练
通常，大模型在训练是会用到大量通用语料，其数据来源多种多样，既包括微博、社区评论、点评等用户生成数据，也包括新闻、论文等专业数据。但是具体到垂直领域时，即使模型具有该领域的基本知识，但由于领域数据只占通用数据等很小比例，模型仍面临知识匮乏的问题。需要对模型进行领域增量训练。
领域训练的目的主要有两个：
- 对模型注入领域知识：通过大量领域语料，为模型提供领域相关知识。
- 将模型的分布从通用模型转移到领域模型：将模型的语言习惯迁移到垂直领域，避免领域术语和通用词汇产生的歧义
以开源的法律领域模型 Lawyer LLaMA 为例，为了提高LLaMA模型在法律问题上的表现，该工作使用多种语料混合训练模型：
- 多语言通用语料。由于LLaMA模型是英文预训练模型，在中文化过程中已经经过一次迁移学习，因此在领域化时进一步对之前学习过的数据进行回放，避免发生灾难性遗忘（模型失去通用预训练阶段学习到的知识）
- 法律语料库。由法院网站上收集的判决书、普法文章、法律新闻和各种法律条款解释。这部分语料提供了全面的领域知识
在这一阶段，收集完成预训练语料后，将语料混合并随机打乱。使用与通用预训练相同的语言模型为目标进行增量预训练，设置较低的学习率（例如2e-5）。
这一阶段的训练可以在TencentPretrain中使用现成的代码来完成：
- 首先下载基础模型和训练框架，可以使用已经在中文上训练过的Chinese-LLaMA，以7B模型为例：
git clone http://git clone https://huggingface.co/Linly-AI/ChatFlow-7B
git clone GitHub - Tencent/TencentPretrain: Tencent Pre-training framework in PyTorch & Pre-trained Model ZooGitHub - Tencent/TencentPretrain: Tencent Pre-training framework in PyTorch & Pre-trained Model Zoo- 将预训练语料处理成txt文件，每行一个样本，使用脚本进行预处理
python3 preprocess.py --corpus_path $CORPUS_PATH --spm_model_path $LLaMA_PATH/tokenizer.model \
--dataset_path $OUTPUT_DATASET_PATH --data_processor lm --seq_length 512其中 ，--seq_length 用来指定文本长度，越长则训练时消耗的GPU内存越多。
- 启动增量预训练，使用DeepSpeed ZeRO3 进行加速
deepspeed pretrain.py --deepspeed --deepspeed_config models/deepspeed_zero3_config.json --enable_zero3 \
--pretrained_model_path models/llama-7b.bin \
--dataset_path $OUTPUT_DATASET_PATH --spm_model_path $LLaMA_PATH/tokenizer.model \
--config_path models/llama/7b_config.json \
--output_model_path models/llama_zh_7b \
--world_size 8 --data_processor lm --deepspeed_checkpoint_activations \
--total_steps 300000 --save_checkpoint_steps 5000 --batch_size 24这里只以一个开源模型的语料库为例，实际应用中可以参考该语料库的数据集构建方式、预处理格式及数据量大小构造所需的领域语料库
领域指令精调
在增量预训练阶段，主要目标是让模型熟悉领域知识。由于模型还没有经过社会化训练，只能对文本进行续写，需要经过指令精调才能胜任具体的领域问答任务。指令数据主要由问答对构成，各种问题和对应的回答都可以作为指令数据，以下分别是通用指令和法律指令问答的示例 ：
{
"input": "对话：男：请问，几层是卖运动商品的？女：六层是运动商品专卖店。男：六层吗？电梯在哪？女：五层到六层没有电梯，您走那边的楼梯吧。问题：男的要上几层楼？选项：六层,五层,一层,十一层：",
"output": "六层"
},
{
"input": "你是一艘货船的所有人，你决定购买一份货物运输保险，以保护你的货物免于任何潜在的损失。你想知道保险合同中需要包含哪些条款？",
"output": "在货物运输保险合同中，需要包含哪些条款？ \n\n根据《海商法》的规定，在货物运输保险合同中需要包含的条款包括保险标的、保险价值、保险金额、保险责任和除外责任、保险期间和保险费等方面的内容，其中保险标的包括货物和船舶营运收入，如运费和租金等（第218条）。因此，在货物运输保险合同中应具体说明保险标的、保险金额、保险责任和除外责任等相关内容
}有许多途径可以构建这样的问答，在通用场景中，可以将已有的有标注数据集通过人工设计的规则转换成指令问答，也可以利用已有的语言模型（例如ChatGPT）生成指令问答。在Alpaca模型方案中介绍了详细的数据构建方法，首先选择一些种子问题（简单的问题），要求ChatGPT将种子扩写成复杂问题，再要求ChatGPT进行回答。详细流程如下图所示：
对于领域指令数据，也可以使用类似的方法进行构建。以Lawyer LLaMA为例，该项目使用了国家司法考试的问题和答案，并要求ChatGPT为每个答案提供解释。同时，为了提高模型的领域问答能力，还要求ChatGPT进行多轮法律相关问答，收集多轮对话数据。
指令数据集构建完成后，对模型进行指令精调训练，其训练目标与预训练阶段大致相同，区别在于需要构造特定的prompt使模型区分预训练目标（续写）和指令精调目标（问答）。一个prompt的示例是Alpaca格式：在每个问题之前加上 ###Instruction ，在回答前添加 ###Answer。这些特殊符号不会参与loss计算，因此在指令精调中只训练问题的答案部分loss。
经过领域训练和指令精调的Lawyer LLaMA效果如图所示，其中BELLE是通用问答模型：
指令精调通用可以直接使用TencentPretrain进行训练：
基于增量增量训练后的模型，准备指令数据集并预处理，格式为每行一个jsonl文件
python3 preprocess.py --corpus_path $INSTRUCTION_PATH --spm_model_path $LLaMA_PATH/tokenizer.model \
--dataset_path $OUTPUT_DATASET_PATH --data_processor alpaca --seq_length 512
注意，--data_processor alpaca 指定了数据集的格式，这里的alpaca对应上文中指令精调格式。
启动指令精调训练，耗时较短，为数小时至数日。
deepspeed pretrain.py --deepspeed --deepspeed_config models/deepspeed_zero3_config.json --enable_zero3 \
--pretrained_model_path models/llama_zh_7b.bin \
--dataset_path $OUTPUT_DATASET_PATH --spm_model_path $LLaMA_PATH/tokenizer.model \
--config_path models/llama/7b_config.json \
--output_model_path models/chatflow_7b \
--world_size 8 --data_processor alpaca --prefix_lm_loss --deepspeed_checkpoint_activations \
--total_steps 20000 --save_checkpoint_steps 2000 --batch_size 24原创不易，转载请注明出处
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。