Tongjilibo/MiniLLM-0.2B-WithWudao

1. 介绍

• 初衷：本项目旨在构建一个小参数量的llm，完整走完预训练 -> 指令微调 -> 奖励模型 -> 强化学习 四个阶段，以可控的成本完成一个可以完成简单聊天任务的chat模型
• 特色:
  • 使用bert4torch训练框架，代码简洁高效；
  • 训练的checkpoint可以直接使用transformers包进行推理
  • 优化了训练时候内存占用；
  • 提供了完整训练log供复现比对
• 声明: 本实验训练出来的模型，目前只具备简单的聊天功能（受限于语料大小、模型规模、sft语料大小和质量），不具备回答复杂问题的能力。

2. 快速开始

• 环境安装

pip install bert4torch==0.4.9.post2  # 若找不到则指定　-i https://pypi.org/simple

• 脚本说明

# 为防止terminal关闭，可以使用nohup, tmux, screen方式来启动
# eg. nohup torchrun --standalone --nproc_per_node=4 pretrain.py --name baby > nohup.log&

# 预训练
cd pretrain
torchrun --standalone --nproc_per_node=4 pretrain.py  # 部分反映ddp训到一般会崩，需设置`export NCCL_IB_DISABLE=1`

# 预训练推理（命令行聊天）
cd pretrain
python infer.py  # python infer_transformers.py

# 指令微调训练
cd sft
python sft.py

# 指令微调推理（命令行聊天）
cd sft
python infer.py  # python infer_transformers.py

# 把ckpt转化成transformers可以运行的格式
cd docs
python convert.py

3. 更新历史

• 20240316: 初始提交，预训练模型MiniLLM-MiniLLM-L12_H1024_A8-NoWudao和MiniLLM-MiniLLM-L12_H1024_A8-WithWudao; SFT模型MiniLLM-L12_H1024_A8-WithWudao-SFT_Alpaca

4. 预训练

4.1 预训练语料（源于baby-llama2-chinese）

中文预训练语料	描述
Wiki中文百科	中文Wikipedia的数据
BaiduBaiKe 提取码: bwvb	中文BaiduBaiKe的数据
C4_zh：part1 提取码：zv4r；C4_zh：part2 提取码：sb83；C4_zh：part3 提取码：l89d	C4是可用的最大语言数据集之一，收集了来自互联网上超过3.65亿个域的超过1560亿个token。C4_zh是其中的一部分
WuDaoCorpora	中文悟道开源的200G数据
shibing624/medical	源自shibing624的一部分医学领域的预训练数据

项目开源了经过ChatGLM2-6B的分词器处理后的预训练语料，共计634亿Tokens的数据量，链接如下：Corpus 提取码：6unr。

4.2 预训练权重

预训练权重	预训练语料	下载地址
MiniLLM-L12_H1024_A8-NoWudao	（140亿 Tokens） Wiki中文百科、BaiduBaiKe、hibing624/medical、C4_zh	百度网盘, HuggingFace
MiniLLM-L12_H1024_A8-WithWudao	（640亿 Tokens） Wiki中文百科、BaiduBaiKe、shibing624/medical、C4_zh、WuDaoCorpora	百度网盘, HuggingFace

4.3 预训练过程

• 训练参数配置和训练时长

权重	预训练设置	硬件占用和训练时长
MiniLLM-L12_H1024_A8-NoWudao	140亿 Tokens; btz=32*4gpu; lr=3e-4; warmup_steps=5000	4×A800(80G), 单卡占用约60G，耗时20h
MiniLLM-L12_H1024_A8-WithWudao	640亿 Tokens; btz=32*4gpu; lr=1.5e-4; warmup_steps=5000	✅ 4×A800(80G), 单卡占用约60G，耗时3.79d ✅ baby-llama2项目2×4090，耗时26d ✅ 个人测试单卡btz=8下, gpu占用约17G，时长未知（可配合梯度累计进一步降低占用）

4.4 预训练模型调用

# 以下两句视网络情况添加
import os
os.environ['HF_ENDPOINT'] = "https://hf-mirror.com"

from transformers import AutoTokenizer, LlamaForCausalLM
import torch

device = 'cuda' if torch.cuda.is_available() else 'cpu'
model_name = 'Tongjilibo/MiniLLM-L12_H1024_A8-WithWudao'  # 'Tongjilibo/MiniLLM-L12_H1024_A8-NoWudao'

tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = LlamaForCausalLM.from_pretrained(model_name).to(device)

query = '王鹏是一名'
inputs = tokenizer.encode(query, return_tensors='pt', add_special_tokens=False).to(device)
output_ids = model.generate(inputs)
response = tokenizer.decode(output_ids[0].cpu(), skip_special_tokens=True)
print(response)

4.5 预训练续写效果

• MiniLLM-L12_H1024_A8-NoWudao

用户：小明学习优异、身体健康、是一名

续写：小明学习优异、身体健康、是一名优秀的大连理工大学学生，从大学一年级起，他就对体育十分痴迷，成绩名列前茅，还参加了多项比赛，在全校体育活动中，他成绩名列前茅，被大连理工大学授予“优秀运动员”称号。
2006年，高中二年级，小明的同学杨帆来到大连理工大学，他决心要改变自己的命运。他每天放学后，都会跑到操场上练习篮球，练到下午三点多钟时，小明的篮球技术开始显现出来，他的篮球动作敏捷，力量大，而且，他经常利用空档时间练习跳投


用户：床前明月光，疑是地上霜。举头望明月，

续写：床前明月光，疑是地上霜。举头望明月，低头思故乡……”
我读着这些诗句时也倍感亲切和亲切了！

• MiniLLM-L12_H1024_A8-WithWudao

用户：小明学习优异、身体健康、是一名

续写：小明学习优异、身体健康、是一名优秀的教师。他为人诚实、有责任心。在课堂上，他能认真听讲，积极思考，对每节课都积极举手发言。在课后，他主动要求帮助老师，认真做好作业，按时完成老师布置的作业，受到同学们的好评。


用户：床前明月光，疑是地上霜。举头望明月，

续写：床前明月光，疑是地上霜。举头望明月，低头思故乡。”这诗不仅描述了中秋夜月夜的温馨与宁静，还写出了作者对故土深情的眷恋和思乡之情。“月上柳梢头”一语，是写月下所见。“欲将心事付瑶琴”，指欲诉别情； “举头望明月”，写中秋之夜，月上高挂、皓月当空、群星闪耀的景象；“低头思故乡”，写思念故土的深情厚意。
这首诗在写作手法上，主要运用象征

5、指令微调

5.1 指令微调语料（筛选的可用数据集）

数据集名称	介绍
shibing624/alpaca-zh	参考Alpaca方法基于GPT4得到的self-instruct数据，约5万条
BelleGroup/Belle-0.5M-cn	包含约50万条由BELLE项目生成的中文指令数据
BelleGroup/Belle-1M-cn	包含约100万条由BELLE项目生成的中文指令数据
BelleGroup/Belle-school_math_0.25M	Belle开放的0.25M数学指令数据集
BelleGroup/Belle-multiturn_chat_0.8M	Belle开放的0.8M多轮任务对话数据集
YeungNLP/firefly-train-1.1M	流萤23种常见的中文NLP任务的数据，并且构造了许多与中华文化相关的数据，如对联、作诗、文言文翻译、散文、金庸小说等。对于每个任务，由人工书写若干种指令模板，保证数据的高质量与丰富度，数据量为115万
fnlp/moss-002-sft-data	MOSS-002所使用的多轮对话数据，覆盖有用性、忠实性、无害性三个层面，包含由text-davinci-003生成的约57万条英文对话和59万条中文对话
fnlp/moss-003-sft-data	moss-moon-003-sft所使用的多轮对话数据，基于MOSS-002内测阶段采集的约10万用户输入数据和gpt-3.5-turbo构造而成，相比moss-002-sft-data，moss-003-sft-data更加符合真实用户意图分布，包含更细粒度的有用性类别标记、更广泛的无害性数据和更长对话轮数，约含110万条对话数据
shareAI/CodeChat	主要包含逻辑推理、代码问答、代码生成相关语料样本。
shareAI/ShareGPT-Chinese-English-90k	中英文平行双语优质人机问答数据集，覆盖真实复杂场景下的用户提问。
deepctrl/deepctrl-sft-data	匠数大模型SFT数据集是一个由匠数科技精心搜集整理的高质量数据集,包含10M条数据的中文数据集和包含2M条数据的英文数据集

5.2 指令微调权重

指令微调权重	语料	下载地址
MiniLLM-L12_H1024_A8-WithWudao-SFT_Alpaca	shibing624/alpaca-zh	百度网盘, HuggingFace

5.3 指令微调训练过程

• 训练参数配置和训练时长

权重	预训练设置	硬件占用和训练时长
MiniLLM-L12_H1024_A8-NoWudao	shibing624/alpaca-zh数据集; btz=8; lr=2e-5; 5epoch	单卡4090，显存17G, 耗时45min

5.4 指令微调模型调用

# 以下两句视网络情况添加
import os
os.environ['HF_ENDPOINT'] = "https://hf-mirror.com"

from transformers import AutoTokenizer, LlamaForCausalLM
import torch

device = 'cuda' if torch.cuda.is_available() else 'cpu'
model_name = 'Tongjilibo/MiniLLM-L12_H1024_A8-WithWudao-SFT_Alpaca'

tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = LlamaForCausalLM.from_pretrained(model_name).to(device)

query = '你好'
query = f'<human>{query}<robot>'
inputs = tokenizer.encode(query, return_tensors='pt', add_special_tokens=False).to(device)
output_ids = model.generate(inputs)
response = tokenizer.decode(output_ids[0].cpu(), skip_special_tokens=True)[len(query):]
print(response)

5.5 指令微调Chat效果

• MiniLLM-L12_H1024_A8-WithWudao-SFT_Alpaca

User：你好

Assistant：你好！很高兴见到你。

User：你能做什么？

Assistant：你好！我是一个人工智能助手，有什么我可以为你做的吗？

User：番茄炒蛋怎么制作？

Assistant：如果你想要制作一个番茄炒蛋，那么下面这些步骤可能会帮助你：

1. 准备食材：准备好鸡蛋、盐、香菜、胡萝卜丝、黄瓜丝等食材。
2. 清洗鸡蛋：在搅拌碗中打散鸡蛋，使其表面可以清洁。
3. 准备材料：准备一个锅，倒入适量的水，将鸡蛋液倒入锅中。
4. 煮鸡蛋：用汤锅或锅煎至鸡蛋表面金黄色，熟透即可。
5. 炒蔬菜：在锅中加入适量的油，将胡萝卜丝和黄瓜丝个人喜欢的，翻炒几下，直到胡萝卜熟透。
6. 加入鸡蛋：从锅中取出鸡蛋，倒入锅中。
7. 调味：将炒好的鸡蛋倒入锅中，与蔬菜一起翻炒几下即可。

注意：想要炒出更丰富的蔬菜味道，可以适当加入适量的盐和香菜，增加风味。