懂AI

从零开始构建迷你语言模型:一步步打造属于自己的AI助手

RayRay
build_MiniLLM_from_scratchbert4torchTorch4keras预训练指令微调Github开源项目

build_MiniLLM_from_scratch

迷你语言模型:AI助手的雏形

随着ChatGPT等大型语言模型(LLM)的兴起,人工智能助手正在改变我们的工作和生活方式。但是,构建一个功能强大的LLM似乎遥不可及 - 动辄数十亿参数,需要海量的训练数据和计算资源。那么,我们能否从更小的规模开始,一步步构建出属于自己的AI助手呢?

本文将带领读者从零开始,构建一个迷你语言模型(MiniLLM)。虽然规模较小,但这个模型包含了LLM开发的核心步骤,可以作为入门LLM技术的绝佳实践。让我们开始这段AI助手的孕育之旅吧!

准备工作:环境配置

在开始构建MiniLLM之前,我们需要准备好开发环境。本项目主要基于PyTorch框架,并使用了bert4torch和torch4keras等辅助库。可以通过以下命令安装所需依赖:

pip install git+https://github.com/Tongjilibo/torch4keras.git
pip install git+https://github.com/Tongjilibo/bert4torch.git@dev

第一步:预训练阶段

预训练是构建LLM的基石,通过在海量无标注文本上训练,模型可以学习到语言的基本规律和知识。

预训练数据集

本项目使用了多个中文预训练语料,包括:

  • Wiki中文百科
  • 百度百科
  • C4_zh数据集
  • 悟道开源数据集
  • 医学领域数据集

这些数据集经过处理后,共计约634亿Tokens。

模型架构

MiniLLM采用了Transformer架构,包括:

  • 嵌入层:将输入token转换为向量表示
  • 位置编码:为每个token添加位置信息
  • 多头自注意力机制:捕捉token之间的关系
  • 前馈网络:进一步处理特征
  • 归一化层:稳定训练过程

预训练过程

预训练采用了以下超参数:

  • 批次大小:32 * 4GPU
  • 学习率:1.5e-4
  • 预热步数:5000
  • 最大序列长度:1024

在4张A800 GPU上训练约3.79天。

预训练效果

通过对比训练前后的续写效果,可以看出模型已经初步掌握了语言生成能力:

输入: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。

第二步:指令微调

预训练后的模型虽然具备了基本的语言能力,但还不能很好地完成特定任务。通过指令微调,我们可以让模型学会理解并执行各种指令。

指令数据集

本项目使用了多个指令数据集,包括:

  • alpaca-zh:基于GPT-4生成的中文指令数据
  • Belle系列数据集:包含通用指令、数学题、多轮对话等
  • 火萤数据集:涵盖23种常见NLP任务
  • MOSS对话数据集
  • 代码相关数据集

这些数据集共计约1157万个样本。

微调过程

指令微调采用了以下参数:

  • 批次大小:32
  • 学习率:2e-5
  • 训练轮数:5 epochs

在双卡A800上训练约4.5天。

微调效果

微调后的模型已经可以进行简单的对话和任务执行:

User:你好

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word，让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级，全面对标OpenAI o1

科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力，做PPT更简单！

咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台，公文写作神器

AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。

下拉加载更多