一、基础概念介绍:
1、大模型技术:
<1>定义:
大模型是指具有数千万甚至数亿参数的深度学习模型。这些模型通常由深度神经网络构建而成,拥有数十亿甚至数千亿个参数,旨在提高模型的表达能力和预测性能,以处理更加复杂的任务和数据。
<2>特点:
参数规模大:大模型包含数十亿甚至千亿级别的参数,能够捕捉到数据中的深层次特征。
训练数据量大:大模型通常在数百GB甚至TB级别的数据上进行预训练,以提高模型的泛化能力。
计算资源需求高:大模型的训练过程需要大量的计算资源,如GPU、TPU等,且训练时间可能长达数周或数月。
泛化能力强:由于在大规模数据集上进行训练,大模型能够在未见过的数据上表现出色,具有较强的泛化能力。
多任务学习:大模型通常会一起学习多种不同的任务,如机器翻译、文本摘要、问答系统等,从而学习到更广泛和泛化的知识。
<3>分类:
自然语言处理(NLP)大模型:如GPT、BERT等,用于处理文本数据和理解自然语言。
计算机视觉(CV)大模型:如Transformer在计算机视觉领域的应用,用于图像处理和分析。
多模态大模型:能够处理多种不同类型的数据,如文本、图像、音频等,如CLIP、DALL-E等。
2、大语言模型微调:
<1>定义:
大语言模型微调(Fine-tuning)是一种在已经预训练好的大型语言模型基础上,使用特定数据集进行进一步训练的技术,旨在使模型适应特定任务或领域。
<2>优势:
任务特定性能提升:预训练语言模型虽然具备广泛的语言理解和生成能力,但在特定任务上的表现可能并不理想。通过微调,模型可以进一步学习任务相关的特征和模式,从而提高性能。
领域适应性:不同领域的数据具有独特的术语、结构和语义。通过在特定领域的数据集上进行微调,模型可以更好地适应该领域的特殊需求。
数据稀缺性:某些任务可能面临数据稀缺的问题。微调可以利用有限的标签数据来训练模型,从而在数据有限的情况下取得较好的性能。
防止过拟合:在监督微调过程中,通过使用有标签数据进行训练,可以减少模型在特定任务上的过拟合风险。
成本效益:与从头开始训练新模型相比,微调可以节省大量时间和资源,并快速迁移到新任务上。
<3>步骤:
选择合适的基座模型:根据任务需求和资源情况选择合适的预训练模型作为基座模型。
准备高质量数据集:收集并标注与任务相关的数据集,确保数据的质量和多样性。
配置模型训练:设置合适的训练参数和配置,如学习率、批处理大小、训练轮次等。
进行微调训练:在特定任务的数据集上对基座模型进行微调训练。
评估模型性能:使用验证集评估微调后模型的性能,并根据需要进行调整和优化。
3、LoRa:
<1> 定义:
LoRA(Low-Rank Adaptation of Large Language Models)是一种针对大型语言模型(如GPT系列)的微调技术,旨在通过引入低秩(Low-Rank)矩阵来高效地调整预训练模型,以适应特定的任务或数据集,同时保持较低的计算成本和参数增加量。
<2>特点:
高效性:LoRA通过只更新预训练模型中的一小部分参数(即低秩矩阵),而不是全部参数,从而大大减少了计算量和存储需求。这使得在资源受限的环境下也能有效地对大型语言模型进行微调。
灵活性:LoRA允许用户针对不同的任务或数据集快速训练多个不同的低秩矩阵,这些矩阵可以独立存储和切换,从而实现模型的快速适应和多样化。
可迁移性:由于LoRA只修改了模型的一小部分参数,因此这些修改后的参数(即低秩矩阵)可以很容易地迁移到其他预训练模型上,而无需重新训练整个模型。
二、代码分析:
1、环境准备:
相关库的下载与安装:
!pip install pandas openpyxl
数据加载与抽取;
2、数据处理(以语文为例):
<1>数据加载:
# coding~
import pandas as pd
import re
# 读取Excel文件
df = pd.read_excel('训练集-语文.xlsx')
df = df.replace('.', '.', regex=True)
df = df.replace('(', '(', regex=True)
# 读取第二行(即第三行)“选项”列的内容
# 可以使用loc获取某行的数据
second_row_option_content = df.loc[2, '选项']
# 显示第二行“选项”列的内容
print(second_row_option_content)
这里我们使用pandas加载xlsx中的数据,这里面我们使用全局匹配,将训练集中的中文点与左侧括号匹配为英文类型。
<2>抽取问题:
这里主要是为了抽取题目及答案,并且过滤简答题。大家可以阅读详细的注释理解问题抽取的函数如何工作。
def chinese_multiple_choice_questions(questions_with_answers):
# 输入的题目文本
text = questions_with_answers
question_pattern = re.compile(r'\d+\..*?(?=\d+\.|$)', re.DOTALL)
# 这一行作用是匹配一个以数字开头、后面跟着一个点字符的字符串,
#。直到遇到下一个数字和点字符或字符串结束。
choice_pattern = re.compile(r'([A-D])\s*(.*?)(?=[A-D]|$|\n)', re.DOTALL)
# 这一行作用是匹配一个以字母[A到D]开头、后面跟着一个点字符的字符串,
#直到遇到下一个[A到D]或字符串结束。
# 找到所有问题
questions = question_pattern.findall(text)
# 初始化选择题和简答题列表
multiple_choice_questions = []
short_answer_questions = []
# 处理每个问题
for id,question in enumerate(questions):
# 这里取到的question,如果是选择题会带着选择题的选项。
# 检查是否是选择题 因为选择题内有ABCD这样的选项
if re.search(r'[A-D]', question):
# 如果有选项,提取出选项的内容
choices = choice_pattern.findall(question)
# 这里提取了题目的内容,因为每个题目都会有一个打分的(X分)这样的标记
# 以左括号为目标,截取选择题选项中的内容
question_text = re.split(r'\n', question.split('(')[0])[0]
pattern_question = re.compile(r'(\d+)\.(.*)')
# 这里清洗了选择题的编号,重新用循环中的id进行编号。
# 如果不做这一步可以发现给定的数据中编号是乱序的。
matches_question = str(id+1)+'.'+ pattern_question.findall(question_text)[0][1] # 取出问题后重排序
# print(str(id+1)+'.'+matches_question)
# 这里我们实现声明好了存储的列表
# 将每个问题和选项以字典的形式存入方便我们处理
multiple_choice_questions.append({
'question': matches_question,
'choices': choices
})
else:
# 大家可以想想这里怎么用?
short_answer_questions.append(question.strip())
# 最后我们返回抽取后的选择题字典列表
return multiple_choice_questions
<3>抽取问题的结果:
这里我们抽取刚才我们拿到的选择题的答案部分。
def chinese_multiple_choice_answers(questions_with_answers):
# 首先清洗输入字段,因为答案字段中的格式不统一,清洗后便于统一处理。
# 这里删除了所有的换行和空格
questions_with_answers = questions_with_answers.replace(" ", "").replace("\n", "")
# print(questions_with_answers)
# 使用正则表达式匹配答案
# 这里我们主要使用第一个匹配 一个数字+点+字母ABCD之间一个
choice_pattern = re.compile(r'(\d+)\.([A-Z]+)')
# 下面这句匹配的是简答题答案~ 目前可以忽略
short_pattern = re.compile(r'(\d+)\.([^A-Z]+)')
# 找到所有匹配的答案
choice_matches = choice_pattern.findall(questions_with_answers)
short_matches = short_pattern.findall(questions_with_answers)
# 将匹配结果转换为字典
choice_answers = {int(index): answer for index, answer in choice_matches}
short_answers = {int(index): answer for index, answer in short_matches}
# 按序号重新排序
sorted_choice_answers = sorted(choice_answers.items())
sorted_short_answers = sorted(short_answers.items())
answers = []
# 输出结果
# print("选择题答案:")
for id in range(len(sorted_choice_answers)):
# 这里我们也将重新编号号的答案作为返回,返回的是一个列表,方便与问题字典列表匹配~
answers.append(f"{id+1}. {sorted_choice_answers[id][1]}")
return answers
<4>prompt设计:
def get_prompt_cn(text):
prompt = f'''
你是⼀个⾼考选择题出题专家,你出的题有⼀定深度,你将根据阅读文本,出4道单项选择题,包含题目选项,以及对应的答案,注意:不⽤给出原文,每道题由1个问题和4个选项组成,仅存在1个正确答案,请严格按照要求执行。 阅读文本主要是中文,你出的题目需要满足以下要点,紧扣文章内容且题干和答案为中文:
### 回答要求
(1)理解文中重要概念的含义
(2)理解文中重要句子的含意
(3)分析论点、论据和论证方法
### 阅读文本
{text}
'''
return prompt
<5>中文数据处理主函数:
def process_cn(df):
# 定义好返回列表
res_input = []
res_output = []
for id in range(len(df)):
# 逐个遍历每行的选项、答案、阅读文本的内容
data_options = df.loc[id, '选项']
data_answers = df.loc[id,'答案']
data_prompt = df.loc[id,'阅读文本']
# 处理选项部分,抽取出选择题题目及选项
data_options = chinese_multiple_choice_questions(data_options)
# 处理答案部分,抽取出选择题答案
data_answers = chinese_multiple_choice_answers(data_answers)
# 抽取阅读材料组合成input内容
data_prompt = get_prompt_cn(data_prompt)
# print(data_options)
# print(data_answers)
# 做数据验证,因为训练数据格式不能确定每组数据都能被正常处理(会有一部分处理失败)
# 我们验证一下两个列表的长度 如果相同代表数据处理正确
if(len(data_answers)==len(data_options)):
# 定义output的数据字符串
res = ''
# 处理选择题目中的每个数据,逐个拼入到output字符串
for id_,question in enumerate(data_options):
# 首先放入题目
res += f'''
{question['question']}?
'''+'\n'
# 然后找到选择题的每个选项,进行choices列表循环
for choise in question['choices']:
# 逐个将选项拼接到字符串
res = res+ choise[0] + choise[1]+ '\n'
# 最后将答案拼接到每个选择题的最后
# 以 答案:题号.选项的格式
res = res + '答案:' + str(data_answers[id_].split('.')[-1]) + '\n'
# 最后将处理得到的input、output数据存入到列表
res_output.append(res)
res_input.append(data_prompt)
# break
return res_input,res_output