精进语言模型：探索LLM Training微调与奖励模型技术的新途径
LLMs Trainer 是一个旨在帮助人们从零开始训练大模型的仓库，该仓库最早参考自 Open-Llama，并在其基础上进行扩充。
有关 LLM 训练流程的更多细节可以参考 【LLM】从零开始训练大模型。
使用仓库之前，请先安装所有需要的依赖：
pip install -r requirements.txt
1. 继续预训练（Continue Pretraining）
继续预训练是指，在一个已有的模型上继续进行预训练增强，通常用于 英文模型的中文增强 或是 领域数据增强。
我们这里以英文模型 OpenLlama 在中文数据集 MNBVC 中的 少量数据 为例来演示整个流程。
1.1 数据压缩
由于预训练数据集通常比较庞大，因此先将训练数据进行压缩并流氏读取。
首先，进入到 data 目录:
cd data
找到目录下的 compress_data.py, 在该文件中修改需要压缩的数据路径：
SHARD_SIZE = 10 # 单个文件存放样本的数量, 示例中使用很小，真实训练可以酌情增大
...
def batch_compress_preatrain_data():
"""
批量压缩预训练数据。
"""
source_path = 'shuffled_data/pretrain' # 源数据文件
target_path = 'pretrain_data' # 压缩后存放地址
files = [ # 这三个文件是示例数据
'MNBVC_news',
'MNBVC_qa',
'MNBVC_wiki'
]
...
if __name__ == '__main__':
batch_compress_preatrain_data()
# batch_compress_sft_data()
Notes: 上述的 files 可以在 shuffled_data/pretrain/ 中找到，是我们准备的少量示例数据，真实训练中请替换为完整数据。
在 data 路径中执行 python compress_data.py, 终端将显示：
processed shuffled_data/pretrain/MNBVC_news.jsonl...
total line: 100
total files: 10
processed shuffled_data/pretrain/MNBVC_qa.jsonl...
total line: 50
total files: 5
processed shuffled_data/pretrain/MNBVC_wiki.jsonl...
total line: 100
total files: 10
随后可在 pretrain_data 中找到对应的 .jsonl.zst 压缩文件（该路径将在之后的训练中使用）。
1.2 数据源采样比例（可选）
为了更好的进行不同数据源的采样，我们提供了按照预设比例进行数据采样的功能。
我们提供了一个可视化工具用于调整不同数据源之间的分布，在 根目录 下使用以下命令启动：
streamlit run utils/sampler_viewer/web.py --server.port 8001
随后在浏览器中访问 机器IP:8001 即可打开平台。
我们查看 data/shuffled_data/pretrain 下各数据的原始文件大小：
-rw-r--r--@ 1 xx staff 253K Aug 2 16:38 MNBVC_news.jsonl
-rw-r--r--@ 1 xx staff 121K Aug 2 16:38 MNBVC_qa.jsonl
-rw-r--r--@ 1 xx staff 130K Aug 2 16:37 MNBVC_wiki.jsonl
并将文件大小按照格式贴到平台中：
调整完毕后，复制上图右下角的最终比例，便于后续训练使用。
1.3 词表扩充（可选）
由于原始 Llama 的中文 token 很少，因此我们可以选择对原有的 tokenizer 进行词表扩充。
进入到 utils 目录：
cd utils
修改文件 train_tokenizer.py 中的训练数据（我们使用正式预训练训练数据集作为训练词表的数据集）：
...
dataset = {
"MNBVC_news": "../data/pretrain_data/MNBVC_news/*.jsonl.zst",
"MNBVC_qa": "../data/pretrain_data/MNBVC_qa/*.jsonl.zst",
"MNBVC_wiki": "../data/pretrain_data/MNBVC_wiki/*.jsonl.zst",
}
执行完 train_tokenizer.py 后，路径下会出现训练好的模型 test_tokenizer.model。
随后，我们将训练好的 model 和原本的 llama model 做融合：
python merge_tokenizer.py
你可以使用 这个工具 很方便的对合并好后的 tokenizer 进行可视化。
1.4 平均初始化 extend token embedding（可选）
为了减小扩展的 token embedding 随机初始化带来模型性能的影响，我们提供使用将新 token 在原 tokenizer 中的 sub-token embedding 的平均值做为初始化 embedding 的方法。
具体使用方法在 utils/extend_model_token_embeddings.py。
1.5 正式训练
当完成上述步骤后就可以开始正式进行训练，使用以下命令启动训练：
sh train_llms.sh configs/accelerate_configs/ds_stage1.yaml \
configs/pretrain_configs/llama.yaml \
openlm-research/open_llama_7b_v2
多机多卡则启动：
sh train_multi_node_reward_model.sh configs/accelerate_configs/ds_stage1.yaml \
configs/pretrain_configs/llama.yaml \
openlm-research/open_llama_7b_v2
注意，所有的训练配置都放在了第 2 个参数 configs/pretrain_configs/llama.yaml 中，我们挑几个重要的参数介绍。
tokenizer_path (str)：tokenizer 加载路径。ckpt (str)：初始 model 加载路径。sample_policy_file (str)：数据源采样配置文件，若不包含这一项则不进行数据源采样。train_and_eval (bool)：该参数决定了是否在训练中执行评估函数。img_log_dir (str)：训练过程中的 log 图存放目录。eval_methods (list)：使用哪些评估函数，包括：single_choice_eval: 单选题正确率测试（如: C-Eval），评估数据格式参考
eval_data/knowledge/knowledge_and_reasoning.jsonl。generation_eval: 生成测试，给定 prompt，测试模型生成能力，评估数据格式参考
eval_data/pretrain/generation_test.jsonl。
work_dir (str)：训练模型存放路径。save_total_limit (int)：最多保存的模型个数（超过数目则删除旧的模型）
2. 指令微调（Instruction Tuning）
我们准备了部分 ShareGPT 的数据作为示例数据，我们仍旧使用 OpenLlama 作为训练的基座模型。
2.1 数据压缩
同预训练一样，我们先进入到 data 目录:
cd data
找到目录下的 compress_data.py, 在该文件中修改需要压缩的数据路径：
SHARD_SIZE = 10 # 单个文件存放样本的数量, 示例中使用很小，真实训练可以酌情增大
...
def batch_compress_sft_data():
"""
批量压缩SFT数据。
"""
source_path = 'shuffled_data/sft'
target_path = 'sft_data'
files = [
'sharegpt'
]
...
if __name__ == '__main__':
# batch_compress_preatrain_data()
batch_compress_sft_data()
Notes: 上述的 files 可以在 shuffled_data/sft/ 中找到，是我们准备的少量示例数据，真实训练中请替换为完整数据。
在 data 路径中执行 python compress_data.py, 终端将显示：
processed shuffled_data/sft/sharegpt.jsonl...
total line: 9637
total files: 964
随后可在 sft_data 中找到对应的 .jsonl.zst 压缩文件（该路径将在之后的训练中使用）。
2.2 特殊 token 扩充
受到 ChatML 的启发，我们需要在原有的 tokenizer 中添加一些 special token 用于对话系统。
一种最简单的方式是在 tokenizer 路径中找到 special_tokens_map.json 文件，并添加以下内容：
{
... # 需要添加的特殊 token
"system_token": "<|system|>", # system prompt
"user_token": "<|user|>", # user token
"assistant_token": "<|assistant|>", # chat-bot token
"chat_end_token": "<|endofchat|>" # chat end token
}
2.3 微调训练
当完成上述步骤后就可以开始正式进行训练，使用以下命令启动训练：
sh train_llms.sh configs/accelerate_configs/ds_stage1.yaml \
configs/sft_configs/llama.yaml \
openlm-research/open_llama_7b_v2
多机多卡则启动：
sh train_multi_node_reward_model.sh configs/accelerate_configs/ds_stage1.yaml \
configs/sft_configs/llama.yaml \
openlm-research/open_llama_7b_v2
注意，所有的训练配置都放在了第 2 个参数 configs/sft_configs/llama.yaml 中，我们挑几个重要的参数介绍。
tokenizer_path (str)：tokenizer 加载路径。ckpt (str)：初始 model 加载路径。train_and_eval (bool)：该参数决定了是否在训练中执行评估函数。img_log_dir (str)：训练过程中的 log 图存放目录。eval_methods (list)：使用哪些评估函数，包括：generation_eval: 生成测试，给定 prompt，测试模型生成能力，评估数据格式参考
eval_data/sft/share_gpt_test.jsonl。暂无。
work_dir (str)：训练模型存放路径。save_total_limit (int)：最多保存的模型个数（超过数目则删除旧的模型）
3. 奖励模型（Reward Model）
3.1 数据集准备
我们准备 1000 条偏序对作为示例训练数据，其中 selected 为优势样本，rejected 为劣势样本：
{
"prompt": "下面是一条正面的评论：",
"selected": "很好用，一瓶都用完了才来评价。",
"rejected": "找了很久大小包装都没找到生产日期。上当了。"
}
这个步骤不再需要数据压缩，因此准备好上述结构的 .jsonl 文件即可。
3.2 RM 训练
当完成上述步骤后就可以开始正式进行训练，使用以下命令启动训练：
sh train_multi_node_reward_model.sh \
configs/accelerate_configs/ds_stage1.yaml \
configs/reward_model_configs/llama7b.yaml
注意，所有的训练配置都放在了第 2 个参数 configs/reward_model_configs/llama.yaml 中，我们挑几个重要的参数介绍。
tokenizer_path (str)：tokenizer 加载路径。ckpt (str)：初始 model 加载路径。train_and_eval (bool)：该参数决定了是否在训练中执行评估函数。img_log_dir (str)：训练过程中的 log 图存放目录。test_reward_model_acc_files (list)：acc 测试文件列表。work_dir (str)：训练模型存放路径。save_total_limit (int)：最多保存的模型个数（超过数目则删除旧的模型）
项目链接：https://github.com/HarderThenHarder/transformers_tasks/blob/main/LLM/LLMsTrainer/readme.md
更多优质内容请关注公号：汀丶人工智能；会提供一些相关的资源和优质文章，免费获取阅读。
