前言
最近浏览github社区发现一个大模型训练开源项目MiniMind;完全从0开始搭建迷你参数版本(以M为单位而不是B)的大模型;支持主流的预训练、微调(SFT、DPO等) 技术,功能多多;非常适合想深入了解大模型原理的小伙伴~
大家都知道大模型scawling law;主要是受模型大小、训练数据量、计算资源所影响;而现在主流的大模型即便是最小参数版本也都是以B为单位的参数量。而以M为单位的参数量少之有少。在miniMind项目的加持下,你只需要任何一张消费级显卡都可以尽情的探索!下面进入今天的主题~
本文目录
-
MiniMind项目介绍
-
项目开源的内容
-
目前MiniMind5个型号模型介绍
-
MiniMind模型结构介绍
-
基于常规LLAMA系列的大模型
-
基于MOE结构的大模型
-
快速上手体验
-
克隆项目代码
-
进行模型训练
-
模型推理测试
-
参考链接
MiniMind项目介绍
大语言模型(LLM)领域,如 GPT、LLaMA、GLM 等,虽然它们效果惊艳, 但动辄10 Bilion庞大的模型参数个人设备显存远不够训练,甚至推理困难。几乎所有人都不会只满足于用Lora等方案fine-tuing大模型学会一些新的指令, 这约等于在教牛顿玩21世纪的智能手机,然而,这远远脱离了学习物理本身的奥妙。此外,卖课付费订阅的营销号漏洞百出的一知半解讲解AI的教程遍地, 让理解LLM的优质内容雪上加霜,严重阻碍了学习者。
项目开源的内容
github社区大佬jingyaogong开源MiniMind项目;把上手LLM的门槛无限降低, 直接从0开始训练一个极其轻量的语言模型。项目包含:
-
公开MiniMind模型代码(包含Dense和MoE模型)、Pretrain、SFT指令微调、LoRA微调、DPO偏好优化的全过程代码、数据集和来源。
-
兼容transformers、accelerate、trl、peft等流行框架。
-
训练支持单机单卡、单机多卡训练。训练过程中支持在任意位置停止,及在任意位置继续训练。
-
在Ceval数据集上进行模型测试的代码。
-
实现Openai-Api基本的chat接口,便于集成到第三方ChatUI使用(FastGPT、Open-WebUI等)。希望此开源项目可以帮助LLM初学者快速入门!
目前MiniMind5个型号模型介绍
对应模型的参数信息如下:
MiniMind模型结构介绍
基于常规LLAMA系列的大模型
MiniMind的整体结构一致,只是在RoPE计算、推理函数和FFN层的代码上做了一些小调整;
基于MOE结构的大模型
快速上手体验
克隆项目代码
git clone https://github.com/jingyaogong/minimind.git
进行模型训练
* 下载数据集下载地址放到./dataset目录下 * python data_process.py处理数据集,例如pretrain数据提前进行token-encoder、sft数据集抽离qa到csv文件。 * 在./model/LMConfig.py 中调整model的参数配置。 * python 1-pretrain.py 执行预训练。 * python 3-full_sft.py 执行指令微调。 * python 4-lora_sft.py 执行lora微调(非必须)。 * python 5-dpo_train.py 执行DPO人类偏好强化学习对齐(非必须)。
模型推理测试
【训练完成的模型权重】下载权重到./out/目录下 out ├── multi_chat │ ├── full_sft_1024.pth │ ├── full_sft_512.pth │ ├── full_sft_640_moe.pth │ └── full_sft_640.pth ├── single_chat │ ├── full_sft_1024.pth │ ├── full_sft_512.pth │ ├── full_sft_640_moe.pth │ └── full_sft_640.pth ├── full_sft_1024.pth ├── full_sft_512.pth ├── full_sft_640_moe.pth ├── full_sft_640.pth ├── pretrain_1024.pth ├── pretrain_640_moe.pth ├── pretrain_640.pth python 0-eval_pretrain.py测试预训练模型的接龙效果 python 2-eval.py测试模型的对话效果
这是测试模型的对话效果展示:
#【Tip】预训练和全参微调pretrain和full_sft均支持DDP多卡加速 # 单机N卡启动训练 torchrun --nproc_per_node N 1-pretrain.py torchrun --nproc_per_node N 3-full_sft.py
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
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(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。