本文章不是模型微调,是从零构架大模型,是基于Bert架构的。 本文主要分两块,一个是tokenizer的构建。二是模型的构建和训练
第一部分 tokenizer分词器训练
bert的编码用的是WordPiece.
分词器训练分4个步骤,1:normalize; 2:pre_tokenizer预分词; 3:model; 4:post_processor后处理
step1 导包
from tokenizers import Tokenizer,processors
from tokenizers.models import WordPiece
from tokenizers.trainers import WordPieceTrainer
from tokenizers.normalizers import BertNormalizer
from tokenizers.pre_tokenizers import BertPreTokenizer
from tokenizers.decoders import WordPiece as WordPieceDecoder
step2 模型初始化,dataset(本文用的是文本)初始化
tokenizer = Tokenizer(WordPiece(unk_token="[UNK]"))
files = ["/sanguo.txt"] #你的训练数据,此处用的是三国演义
step3 normalize
tokenizer.normalizer = BertNormalizer(lowercase=True)
step4 预分词
tokenizer.pre_tokenizer = BertPreTokenizer()
step 5 添加special_token并模型训练
special_tokens = ["[UNK]", "[PAD]", "[CLS]", "[SEP]", "[MASK]"]
trainer = WordPieceTrainer(vocab_size=50000, show_progress=True, special_tokens=special_tokens)
tokenizer.train(files, trainer)
step 6 后处理及加入解码器
cls_token_id = tokenizer.token_to_id("[CLS]")
sep_token_id = tokenizer.token_to_id("[SEP]")
tokenizer.post_processor = processors.TemplateProcessing(
single=f"[CLS]:0 $A:0 [SEP]:0",
pair=f"[CLS]:0 $A:0 [SEP]:0 $B:1 [SEP]:1",
special_tokens=[("[CLS]", cls_token_id), ("[SEP]", sep_token_id)],
)
tokenizer.decoder = WordPieceDecoder(prefix="##")
step 7 模型保存
tokenizer.save("tokenizer.json")
如果要在Transformers中使用这个分词器,我们需要将它包装在一个PreTrainedTokenizerFast中。在这我们使用特定的标记器类BertTokenizerFast
from transformers import BertTokenizerFast
wrapped_tokenizer = BertTokenizerFast(tokenizer_object = tokenizer)
wrapped_tokenizer.save_pretrained("./bert")
./bert文件夹下,新增了如下的文件
到此,分词器训练成功,我们的第一步完成,接下来是第二步,模型训练
第二部分 模型训练
step 1 导包
from transformers import BertConfig,BertLMHeadModel,BertTokenizer,LineByLineTextDataset,DataCollatorForLanguageModeling,Trainer, TrainingArguments
step 2 加载第一部分训练的分词器
tokenizer = BertTokenizer.from_pretrained("./bert")
step 3 模型配置
config = BertConfig(
vocab_size=tokenizer.vocab_size,
is_decoder=True
)
model = BertLMHeadModel(config)
step 4 训练数据加载及处理
dataset = LineByLineTextDataset(
tokenizer=tokenizer,
file_path="./sanguo.txt", # 你的训练数据
block_size=32
)
data_collator = DataCollatorForLanguageModeling(
tokenizer=tokenizer,
mlm=False,
mlm_probability=0.15
)
step 5 训练参数,训练器等设定
training_args = TrainingArguments(
output_dir="./output",
overwrite_output_dir=True,
num_train_epochs=20,
per_device_train_batch_size=16,
save_steps=2000,
save_total_limit=2
)
trainer = Trainer(
model=model,
args=training_args,
data_collator=data_collator,
train_dataset=dataset
)
trainer.train()
step 6 模型保存
model.save_pretrained("./bert")
训练完毕后,./bert文件夹下新增了如下文件
到此,我们已经构建并训练完成bert大模型了,我们推理一下看看
模型推理测试
from transformers import pipeline, set_seed
generator = pipeline("text-generation", model="./bert_model")
set_seed(42)
txt = generator("吕布", max_length=50)
print(txt)
再来一个
txt = generator("接着奏乐", max_length=50)
print(txt)
如何学习AI大模型?
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;
第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;
第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;
• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;
• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;
• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓