AIGC学习笔记—minimind详解+训练+推理-CSDN博客

本文链接：https://blog.csdn.net/m0_56569131/article/details/142590578

前言

这个开源项目是带我的一个导师，推荐我看的，记录一下整个过程，总结一下收获。这个项目的slogan是“大道至简”，确实很简。作者说是这个项目为了帮助初学者快速入门大语言模型（LLM），通过从零开始训练一个仅26MB的微型语言模型MiniMind，最快可在3小时内完成。降低学习LLM的门槛，让更多人能够轻松上手。

MiniMind极其轻量，约为GPT-3的1/7000，适合普通个人GPU进行快速推理和训练。项目基于DeepSeek-V2和Llama3结构，涵盖数据处理、预训练、指令微调（SFT）、偏好优化（DPO）等全部阶段，支持混合专家（MoE）模型。所有代码、数据集及其来源均公开，兼容主流框架，如transformers和DeepSpeed，支持单机单卡及多卡训练，并提供模型测试及OpenAI API接口。

下面放一个官方给的结果

一、使用conda搭建环境

这里不做过多赘述了，创建一个这个项目的独立虚拟环境，在这个环境下装所需的库，如下是我的软硬件环境配置（根据自己情况酌情变动）：

Windows11
Python == 3.9
Pytorch == 2.1.2
CUDA == 11.8
requirements.txt

二、准备数据集

下载到./dataset/目录下

MiniMind训练数据集	下载地址
tokenizer训练集	HuggingFace / 百度网盘
Pretrain数据	Seq-Monkey官方 / 百度网盘 / HuggingFace
SFT数据	匠数大模型SFT数据集
DPO数据	Huggingface

这里我就是用官方的了，后续我会打包整体的上传上去，免费下载，要不**某网盘还得冲svip，为了这个会员我差点叫了一声爸爸.....但是这里我想解释一下这个数据集，因为一开始我确实不了解，记录下来

Tokenizer训练集：这个数据集用于训练分词器（tokenizer），其任务是将文本数据转化为模型可以处理的词汇单元。

Pretrain数据：用于模型的预训练确保模型能够学习通用的语言模式。

SFT数据：该数据集专门用于指令微调（SFT），使模型能够更好地理解和执行用户的具体指令。SFT是提高模型实际应用能力的重要步骤。

DPO数据：这个数据集主要用于偏好优化（DPO），旨在帮助模型通过用户反馈来改进模型输出的质量和相关性，从而更好地满足用户需求。

三、训练tokenizer

话不多说先上代码，在记录一下我在看这个代码中了解的知识以及总结。

def train_tokenizer():
    # 读取JSONL文件并提取文本数据
    def read_texts_from_jsonl(file_path):
        with open(file_path, 'r', encoding='utf-8') as f:
            for line in f:
                data = json.loads(line)
                yield data['text']

    # 数据集路径
    data_path = './dataset/tokenizer/tokenizer_train.jsonl'

    # 初始化分词器（tokenizer），使用BPE模型
    tokenizer = Tokenizer(models.BPE())
    # 预处理为字节级别
    tokenizer.pre_tokenizer = pre_tokenizers.ByteLevel(add_prefix_space=False)

    # 定义特殊token
    special_tokens = ["<unk>", "<s>", "</s>"] # 未知token、开始token、结束token

    # 设置训练器并添加特殊token
    trainer = trainers.BpeTrainer(
        vocab_size=6400, # 词汇表大小
        special_tokens=special_tokens,  # 确保这三个token被包含
        show_progress=True,
        # 初始化字母表
        initial_alphabet=pre_tokenizers.ByteLevel.alphabet()
    )

    # 读取文本数据
    texts = read_texts_from_jsonl(data_path)
    print(texts)
    exit()
    # 训练tokenizer
    tokenizer.train_from_iterator(texts, trainer=trainer)

    # 设置解码器
    tokenizer.decoder = decoders.ByteLevel()

    # 检查特殊token的索引
    assert tokenizer.token_to_id("<unk>") == 0
    assert tokenizer.token_to_id("<s>") == 1
    assert tokenizer.token_to_id("</s>") == 2

    # 保存tokenizer
    tokenizer_dir = "./model/yzh_minimind_tokenizer"
    os.makedirs(tokenizer_dir, exist_ok=True)
    tokenizer.save(os.path.join(tokenizer_dir, "tokenizer.json")) # 保存tokenizer模型
    # 保存BPE模型
    tokenizer.model.save("./model/yzh_minimind_tokenizer")

    # 手动创建配置文件
    config = {
        "add_bos_token": False,
        "add_eos_token": False,
        "add_prefix_space": True,
        "added_tokens_decoder": {
            "0": {
                "content": "<unk>",
                "lstrip": False,
                "normalized": False,
                "rstrip": False,
                "single_word": False,
                "special": True
            },
            "1": {
                "content": "<s>",
                "lstrip": False,
                "normalized": False,
                "rstrip": False,
                "single_word": False,
                "special": True
            },
            "2": {
                "content": "</s>",
                "lstrip": False,
                "normalized": False,
                "rstrip": False,
                "single_word": False,
                "special": True
            }
        },
        "additional_special_tokens": [],
        "bos_token": "<s>",
        "clean_up_tokenization_spaces": False,
        "eos_token": "</s>",
        "legacy": True,
        "model_max_length": 1000000000000000019884624838656,
        "pad_token": None,
        "sp_model_kwargs": {},
        "spaces_between_special_tokens": False,
        "tokenizer_class": "PreTrainedTokenizerFast",
        "unk_token": "<unk>",
        "use_default_system_prompt": False,
        "chat_template": "{% if messages[0]['role'] == 'system' %}{% set system_message = messages[0]['content'] %}{% endif %}{% if system_message is defined %}{{ system_message }}{% endif %}{% for message in messages %}{% set content = message['content'] %}{% if message['role'] == 'user' %}{{ '<s>user\\n' + content + '</s>\\n<s>assistant\\n' }}{% elif message['role'] == 'assistant' %}{{ content + '</s>' + '\\n' }}{% endif %}{% endfor %}"
    }

    # 保存配置文件
    with open(os.path.join(tokenizer_dir, "tokenizer_config.json"), "w", encoding="utf-8") as config_file:
        json.dump(config, config_file, ensure_ascii=False, indent=4)

    print("Tokenizer training completed and saved.")

从代码上来看，分词器使用的是BPE模型Tokenizer(models.BPE())，这条代码就是初始化一个字节对编码（Byte Pair Encoding，BPE）分词器，直接使用库就可以，但是这里我建议同学们去了解一下BPE，这里我推荐一篇博客，供大家学习。BPE 算法原理及使用指南【深入浅出】-CSDN博客