中文 | English
现在的大语言模型的参数往往较大，消费级电脑单纯做推理都比较慢，更别说想自己从头开始训练一个模型了。本项目的目标是从0开始训练一个生成式语言模型，包括数据清洗、tokenizer训练、模型预训练、SFT指令微调、RLHF优化等。
ChatLM-mini-Chinese为中文对话小模型，模型参数只有0.2B（算共享权重约210M），可以在最低4GB显存的机器进行预训练（batch_size=1，fp16或者 bf16），float16加载、推理最少只需要512MB显存。
- 公开所有预训练、SFT指令微调、DPO偏好优化数据集来源。
- 使用
HuggingfaceNLP框架，包括transformers、accelerate、trl、peft等。 - 自实现
trainer，支持单机单卡、单机多卡进行预训练、SFT微调。训练过程中支持在任意位置停止，及在任意位置继续训练。 - 预训练：整合为端到端的
Text-to-Text预训练，非mask掩码预测预训练。- 开源所有数据清洗（如规范化、基于mini_hash的文档去重等）、数据集构造、数据集加载优化等流程；
- tokenizer多进程词频统计，支持
sentencepiece、huggingface tokenizers的tokenizer训练； - 预训练支持任意位置断点，可从断点处继续训练;
- 大数据集（GB级别）流式加载、支持缓冲区数据打乱，不利用内存、硬盘作为缓存，有效减少内存、磁盘占用。配置
batch_size=1, max_len=320下，最低支持在16GB内存+4GB显存的机器上进行预训练； - 训练日志记录。
- SFT微调：开源SFT数据集及数据处理过程。
- 自实现
trainer支持prompt指令微调， 支持任意断点继续训练； - 支持
Huggingface trainer的sequence to sequence微调； - 支持传统的低学习率，只训练decoder层的微调。
- 自实现
- RLHF偏好优化：使用DPO进行全量偏好优化。
- 支持使用
peft lora进行偏好优化； - 支持模型合并，可将
Lora adapter合并到原始模型中。
- 支持使用
- 支持下游任务微调：finetune_examples给出三元组信息抽取任务的微调示例，微调后的模型对话能力仍在。
如果需要做基于小模型的检索增强生成（RAG），可以参考我的另一个项目Phi2-mini-Chinese，代码见rag_with_langchain.ipynb
🟢最近更新
2024-01-30
- 模型文件更新到魔搭modelscope，可以通过`snapshot_download`快速下载。2024-01-07
- 添加数据清洗过程中基于mini hash实现的文档去重（在本项目中其实是数据集的样本去重），防止模型遇到多次重复数据后，在推理时吐出训练数据。- 添加`DropDatasetDuplicate`类实现对大数据集的文档去重。
2023-12-29
- 更新模型代码（权重不变），可以直接使用`AutoModelForSeq2SeqLM.from_pretrained(...)`加载模型使用。- 更新readme文档。
2023-12-18
- 补充利用`ChatLM-mini-0.2B`模型微调下游三元组信息抽取任务代码及抽取效果展示 。- 更新readme文档。
2023-12-14
- 更新SFT、DPO后的模型权重文件。- 更新预训练、SFT及DPO脚本。
- 更新`tokenizer`为`PreTrainedTokenizerFast`。
- 重构`dataset`代码，支持动态最大长度，每个批次的最大长度由该批次的最长文本决定，节省显存。
- 补充`tokenizer`训练细节。
2023-12-04
- 更新`generate`参数及模型效果展示。- 更新readme文档。
2023-11-28
- 更新dpo训练代码及模型权重。2023-10-19
- 项目开源， 开放模型权重供下载。所有数据集均来自互联网公开的单轮对话数据集，经过数据清洗、格式化后保存为parquet文件。数据处理过程见utils/raw_data_process.py。主要数据集包括：
- 社区问答json版webtext2019zh-大规模高质量数据集，见：nlp_chinese_corpus。共410万，清洗后剩余260万。
- baike_qa2019百科类问答，见：https://aistudio.baidu.com/datasetdetail/107726，共140万，清醒后剩余130万。
- 中国医药领域问答数据集，见：Chinese-medical-dialogue-data，共79万，清洗后剩余79万。
金融行业问答数据，见：https://zhuanlan.zhihu.com/p/609821974，共77万，清洗后剩余52万。数据质量太差，未采用。- 知乎问答数据，见：Zhihu-KOL，共100万行，清洗后剩余97万行。
- belle开源的指令训练数据，介绍：BELLE，下载：BelleGroup，仅选取
Belle_open_source_1M、train_2M_CN、及train_3.5M_CN中部分回答较短、不含复杂表格结构、翻译任务（没做英文词表）的数据，共370万行，清洗后剩余338万行。 - 维基百科（Wikipedia）词条数据，将词条拼凑为提示语，百科的前
N个词为回答，使用202309的百科数据，清洗后剩余119万的词条提示语和回答。Wiki下载：zhwiki，将下载的bz2文件转换为wiki.txt参考：WikiExtractor。
数据集总数量1023万：Text-to-Text预训练集：930万，评估集：2.5万（因为解码较慢，所以没有把评估集设置太大）。测试集：90万。
SFT微调和DPO优化数据集见下文。
T5模型（Text-to-Text Transfer Transformer），详情见论文: Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer。
模型源码来自huggingface，见：T5ForConditionalGeneration。
模型配置见model_config.json，官方的T5-base：encoder layer和decoder layer 均为为12层，本项目这两个参数修改为10层。
模型参数：0.2B。词表大小：29298，仅包含中文和少量英文。
硬件：
# 预训练阶段：
CPU: 28 vCPU Intel(R) Xeon(R) Gold 6330 CPU @ 2.00GHz
内存：60 GB
显卡：RTX A5000(24GB) * 2
# sft及dpo阶段：
CPU: Intel(R) i5-13600k @ 5.1GHz
内存：32 GB
显卡：NVIDIA GeForce RTX 4060 Ti 16GB * 1-
tokenizer 训练： 现有
tokenizer训练库遇到大语料时存在OOM问题，故全量语料按照类似BPE的方法根据词频合并、构造词库，运行耗时半天。 -
Text-to-Text 预训练：学习率为
1e-4到5e-3的动态学习率，预训练时间为8天。训练损失：
- prompt监督微调（SFT）：使用
belle指令训练数据集（指令和回答长度都在512以下），学习率为1e-7到5e-5的动态学习率，微调时间2天。微调损失：
- dpo直接偏好优化（RLHF）：数据集alpaca-gpt4-data-zh作为
chosen文本，步骤2中SFT模型对数据集中的prompt做批量generate，得到rejected文本，耗时1天，dpo全量偏好优化，学习率le-5，半精度fp16,共2个epoch，耗时3h。dpo损失：
默认使用huggingface transformers的 TextIteratorStreamer实现流式对话，只支持greedy search，如果需要beam sample等其他生成方式，请将cli_demo.py的stream_chat参数修改为False。
存在问题：预训练数据集只有900多万，模型参数也仅0.2B，不能涵盖所有方面，会有答非所问、废话生成器的情况。
如果无法连接huggingface，请使用modelscope.snapshot_download从modelscope下载模型文件。
from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
import torch
model_id = 'charent/ChatLM-mini-Chinese'
# 如果无法连接huggingface，打开以下两行代码的注释，将从modelscope下载模型文件，模型文件保存到'./model_save'目录
# from modelscope import snapshot_download
# model_id = snapshot_download(model_id, cache_dir='./model_save')
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForSeq2SeqLM.from_pretrained(model_id, trust_remote_code=True).to(device)
txt = '如何评价Apple这家公司？'
encode_ids = tokenizer([txt])
input_ids, attention_mask = torch.LongTensor(encode_ids['input_ids']), torch.LongTensor(encode_ids['attention_mask'])
outs = model.my_generate(
input_ids=input_ids.to(device),
attention_mask=attention_mask.to(device),
max_seq_len=256,
search_type='beam',
)
outs_txt = tokenizer.batch_decode(outs.cpu().numpy(), skip_special_tokens=True, clean_up_tokenization_spaces=True)
print(outs_txt[0])Apple是一家专注于设计和用户体验的公司，其产品在设计上注重简约、流畅和功能性，而在用户体验方面则注重用户的反馈和使用体验。作为一家领先的科技公司，苹果公司一直致力于为用户提供最优质的产品和服务，不断推陈出新，不断创新和改进，以满足不断变化的市场需求。
在iPhone、iPad和Mac等产品上，苹果公司一直保持着创新的态度，不断推出新的功能和设计，为用户提供更好的使用体验。在iPad上推出的iPad Pro和iPod touch等产品，也一直保持着优秀的用户体验。
此外，苹果公司还致力于开发和销售软件和服务，例如iTunes、iCloud和App Store等，这些产品在市场上也获得了广泛的认可和好评。
总的来说，苹果公司在设计、用户体验和产品创新方面都做得非常出色，为用户带来了许多便利和惊喜。
Caution
本项目模型为TextToText模型，在预训练、SFT、RLFH阶段的prompt、response等字段，请务必加上[EOS]序列结束标记。
git clone --depth 1 https://github.com/charent/ChatLM-mini-Chinese.git
cd ChatLM-mini-Chinese本项目推荐使用python 3.10，过老的python版本可能不兼容所依赖的第三方库。
pip安装：
pip install -r ./requirements.txt如果pip安装了CPU版本的pytorch，可以通过下面的命令安装CUDA版本的pytorch：
# pip 安装torch + cu118
pip3 install torch --index-url https://download.pytorch.org/whl/cu118conda安装：
conda install --yes --file ./requirements.txt用git命令从Hugging Face Hub下载模型权重及配置文件，需要先安装Git LFS，然后运行:
# 使用git命令下载huggingface模型，先安装[Git LFS]，否则下载的模型文件不可用
git clone --depth 1 https://huggingface.co/charent/ChatLM-mini-Chinese
# 如果无法连接huggingface，请从modelscope下载
git clone --depth 1 https://www.modelscope.cn/charent/ChatLM-mini-Chinese.git
mv ChatLM-mini-Chinese model_save也可以直接从Hugging Face Hub仓库ChatLM-Chinese-0.2B手工下载，将下载的文件移动到model_save目录下即可。
- 准备txt语料
语料要求尽可能全，建议添加多个语料，如百科、代码、论文、博客、对话等。
本项目以wiki中文百科为主。获取中文wiki语料方法：中文Wiki下载地址：zhwiki，下载zhwiki-[存档日期]-pages-articles-multistream.xml.bz2文件，大概2.7GB， 将下载的bz2文件转换为wiki.txt参考：WikiExtractor，再利用python的OpenCC库转换为简体中文，最后将得到的wiki.simple.txt放到项目根目录的data目录下即可。多个语料请自行合并为一个txt文件。
由于训练tokenizer非常耗内存，如果你的语料非常大（合并后的txt文件超过2G），建议对语料按照类别、比例进行采样，以减少训练时间和内存消耗。训练1.7GB的txt文件需要消耗48GB左右的内存（预估的，我只有32GB，频繁触发swap，电脑卡了好久T_T），13600k cpu耗时1小时左右。
- 训练tokenizer
char level和byte level的区别如下（具体使用上的区别请自行检索资料）。默认训练char level的tokenizer，如果需要byte level，在train_tokenizer.py中设置token_type='byte'即可。
# 原始文本
txt = '这是一段中英混输的句子, （chinese and English, here are words.）'
tokens = charlevel_tokenizer.tokenize(txt)
print(tokens)
# char level tokens输出
# ['▁这是', '一段', '中英', '混', '输', '的', '句子', '▁,', '▁(', '▁ch', 'inese', '▁and', '▁Eng', 'lish', '▁,', '▁h', 'ere', '▁', 'are', '▁w', 'ord', 's', '▁.', '▁)']
tokens = bytelevel_tokenizer.tokenize(txt)
print(tokens)
# byte level tokens输出
# ['Ġè¿Ļæĺ¯', 'ä¸Ģ段', 'ä¸Ńèĭ±', 'æ··', 'è¾ĵ', 'çļĦ', 'åı¥åŃIJ', 'Ġ,', 'Ġ(', 'Ġch', 'inese', 'Ġand', 'ĠEng', 'lish', 'Ġ,', 'Ġh', 'ere', 'Ġare', 'Ġw', 'ord', 's', 'Ġ.', 'Ġ)']开始训练：
# 确保你的训练语料`txt`文件已经data目录下
python train_tokenizer.py- 预训练数据集示例
{
"prompt": "对于花园街，你有什么了解或看法吗？",
"response": "花园街（是香港油尖旺区的一条富有特色的街道，位于九龙旺角东部，北至界限街，南至登打士街，与通菜街及洗衣街等街道平行。现时这条街道是香港著名的购物区之一。位于亚皆老街以南的一段花园街，也就是\"波鞋街\"整条街约150米长，有50多间售卖运动鞋和运动用品的店舖。旺角道至太子道西一段则为排档区，售卖成衣、蔬菜和水果等。花园街一共分成三段。明清时代，花园街是芒角村栽种花卉的地方。此外，根据历史专家郑宝鸿的考证：花园街曾是1910年代东方殷琴拿烟厂的花园。纵火案。自2005年起，花园街一带最少发生5宗纵火案，当中4宗涉及排档起火。2010年。2010年12月6日，花园街222号一个卖鞋的排档于凌晨5时许首先起火，浓烟涌往旁边住宅大厦，消防接报4"
}-
jupyter-lab 或者 jupyter notebook:
见文件
train.ipynb，推荐使用jupyter-lab，避免考虑与服务器断开后终端进程被杀的情况。 -
控制台：
控制台训练需要考虑连接断开后进程被杀的，推荐使用进程守护工具
Supervisor或者screen建立连接会话。首先要配置
accelerate，执行以下命令， 根据提示选择即可，参考accelerate.yaml，注意：DeepSpeed在Windows安装比较麻烦。accelerate config
开始训练，如果要使用工程提供的配置请在下面的命令
accelerate launch后加上参数--config_file ./accelerate.yaml，该配置按照单机2xGPU配置。预训练有两个脚本，本项目实现的trainer对应
train.py，huggingface实现的trainer对应pre_train.py，用哪个都可以，效果一致。本项目实现的trainer训练信息展示更美观、更容易修改训练细节（如损失函数，日志记录等），均支持断点继续训练，本项目实现的trainer支持在任意位置断点后继续训练，按ctrl+c退出脚本时会保存断点信息。单机单卡：
# 本项目实现的trainer accelerate launch ./train.py train # 或者使用 huggingface trainer python pre_train.py
单机多卡：
2为显卡数量，请根据自己的实际情况修改。# 本项目实现的trainer accelerate launch --multi_gpu --num_processes 2 ./train.py train # 或者使用 huggingface trainer accelerate launch --multi_gpu --num_processes 2 pre_train.py
从断点处继续训练：
# 本项目实现的trainer accelerate launch --multi_gpu --num_processes 2 ./train.py train --is_keep_training=True # 或者使用 huggingface trainer # 需要在`pre_train.py`中的`train`函数添加`resume_from_checkpoint=True` accelerate launch --multi_gpu --num_processes 2 pre_train.py
SFT数据集全部来自BELLE大佬的贡献，感谢。SFT数据集分别为：generated_chat_0.4M、train_0.5M_CN和train_2M_CN，清洗后剩余约137万行。 sft指令微调数据集示例：
{
"prompt": "解释什么是欧洲启示录",
"response": "欧洲启示录（The Book of Revelation）是新约圣经的最后一卷书，也被称为《启示录》、《默示录》或《约翰默示录》。这本书从宗教的角度描述了世界末日的来临，以及上帝对世界的审判和拯救。 书中的主题包括来临的基督的荣耀，上帝对人性的惩罚和拯救，以及魔鬼和邪恶力量的存在。欧洲启示录是一个充满象征和暗示的文本，对于解读和理解有许多不同的方法和观点。"
}参考data目录下的示例parquet文件制作自己的数据集，数据集格式：parquet文件分两列，一列prompt文本，表示提示语，一列response文本，表示期待的模型输出。
微调细节见model/trainer.py下的train方法, is_finetune设置为True时，将进行微调，微调默认会冻结embedding层和encoder层，只训练decoder层。如需要冻结其他参数，请自行调整代码。
运行SFT微调：
# 本项目实现的trainer， 添加参数`--is_finetune=True`即可, 参数`--is_keep_training=True`可从任意断点处继续训练
accelerate launch --multi_gpu --num_processes 2 ./train.py --is_finetune=True
# 或者使用 huggingface trainer, 多GPU请用accelerate launch --multi_gpu --num_processes gpu个数 sft_train.py
python sft_train.py偏好方法这里介绍常见的两种：PPO和DPO，具体实现请自行搜索论文及博客。
-
PPO方法（近似偏好优化,Proximal Policy Optimization）
步骤1：使用微调数据集做有监督微调（SFT， Supervised Finetuning）。
步骤2：使用偏好数据集（一个prompt至少包含2个回复，一个想要的回复，一个不想要的回复。多个回复可以按照分数排序，最想要的分数最高）训练奖励模型（RM， Reward Model）。可使用peft库快速搭建Lora奖励模型。
步骤3：利用RM对SFT模型进行有监督PPO训练，使得模型满足偏好。 -
使用DPO（直接偏好优化，Direct Preference Optimization）微调（本项目采用DPO微调方法，比较节省显存） 在获得SFT模型的基础上，无需训练奖励模型，取得正向回答（chosen）和负向回答（rejected）即可开始微调。微调的
chosen文本来自原数据集alpaca-gpt4-data-zh，拒绝文本rejected来自SFT微调1个epoch后的模型输出，另外两个数据集：huozi_rlhf_data_json和rlhf-reward-single-round-trans_chinese，合并后共8万条dpo数据。dpo数据集处理过程见
utils/dpo_data_process.py。
DPO偏好优化数据集示例：
{
"prompt": "为给定的产品创建一个创意标语。，输入：可重复使用的水瓶。",
"chosen": "\"保护地球，从拥有可重复使用的水瓶开始！\"",
"rejected": "\"让你的水瓶成为你的生活伴侣，使用可重复使用的水瓶，让你的水瓶成为你的伙伴\""
}运行偏好优化：
# 多GPU请用accelerate launch --multi_gpu --num_processes gpu个数 dpo_train.py
python dpo_train.py确保model_save目录下有以下文件，这些文件都可以在Hugging Face Hub仓库ChatLM-Chinese-0.2B中找到：
ChatLM-mini-Chinese
├─model_save
| ├─config.json
| ├─configuration_chat_model.py
| ├─generation_config.json
| ├─model.safetensors
| ├─modeling_chat_model.py
| ├─special_tokens_map.json
| ├─tokenizer.json
| └─tokenizer_config.json- 控制台运行：
python cli_demo.py- API调用
python api_demo.pyAPI调用示例：
curl --location '127.0.0.1:8812/api/chat' \
--header 'Content-Type: application/json' \
--header 'Authorization: Bearer Bearer' \
--data '{
"input_txt": "感冒了要怎么办"
}'
这里以文本中三元组信息为例，做下游微调。该任务的传统深度学习抽取方法见仓库pytorch_IE_model。抽取出一段文本中所有的三元组，如句子《写生随笔》是冶金工业2006年出版的图书，作者是张来亮，抽取出三元组(写生随笔,作者,张来亮)和(写生随笔,出版社,冶金工业)。
原始数据集为：百度三元组抽取数据集。加工得到的微调数据集格式示例：
{
"prompt": "请抽取出给定句子中的所有三元组。给定句子：《家乡的月亮》是宋雪莱演唱的一首歌曲，所属专辑是《久违的哥们》",
"response": "[(家乡的月亮,歌手,宋雪莱),(家乡的月亮,所属专辑,久违的哥们)]"
}可以直接使用sft_train.py脚本进行微调，脚本finetune_IE_task.ipynb里面包含详细的解码过程。训练数据集约17000条，学习率5e-5，训练epoch5。微调后其他任务的对话能力也没有消失。
微调效果：
将百度三元组抽取数据集公开的dev数据集作为测试集，对比传统方法pytorch_IE_model。
| 模型 | F1分数 | 精确率P | 召回率R |
|---|---|---|---|
| ChatLM-Chinese-0.2B微调 | 0.74 | 0.75 | 0.73 |
| ChatLM-Chinese-0.2B无预训练 | 0.51 | 0.53 | 0.49 |
| 传统深度学习方法 | 0.80 | 0.79 | 80.1 |
备注：ChatLM-Chinese-0.2B无预训练指直接初始化随机参数，开始训练，学习率1e-4，其他参数和微调一致。
模型本身没有使用较大的数据集训练，也没有针对回答选择题的指令做微调，C-Eval分数基本上是baseline水平，有需要的可以当个参考。C-Eval评测代码见：eval/c_eavl.ipynb
| category | correct | question_count | accuracy |
|---|---|---|---|
| Humanities | 63 | 257 | 24.51% |
| Other | 89 | 384 | 23.18% |
| STEM | 89 | 430 | 20.70% |
| Social Science | 72 | 275 | 26.18% |
如果你觉得本项目对你有所帮助，欢迎引用。
@misc{Charent2023,
author={Charent Chen},
title={A small chinese chat language model with 0.2B parameters base on T5},
year={2023},
publisher = {GitHub},
journal = {GitHub repository},
howpublished = {\url{https://github.com/charent/ChatLM-mini-Chinese}},
}
本项目不承担开源模型和代码导致的数据安全、舆情风险或发生任何模型被误导、滥用、传播、不当利用而产生的风险和责任。