仅用61行代码，你也能从零训练大模型

本文并非基于微调训练模型，而是从头开始训练出一个全新的大语言模型的硬核教程。看完本篇，你将了解训练出一个大模型的环境准备、数据准备，生成分词，模型训练、测试模型等环节分别需要做什么。AI 小白友好~文中代码可以直接实操运行。欢迎阅读体验。

👉目录

1 准备训练环境

2 准备训练数据

3 训练分词器

4 训练模型

5 测试模型

6 完整代码

通过这篇文章，你可以预训练一个全新大语言模型。

注意是全新的模型，不是微调。

全新训练的好处是训练的数据、训练的参数都是可修改的，通过调试运行我们可以更好的理解大模型训练过程。我们可以用特定类型数据的训练，来完成特定类型数据的输出。

关于大模型已经有很多文章，微调模型的文章比较多，全新预训练全新模型的文章很少。个人觉得有的也讲的很复杂，代码也很难跑通。本文不会讲的很复杂，代码也很容易运行。仅用61行代码，就能训练出一个全新大语言模型。

本文以代码为主，运行代码需要 Python 环境。

01

准备训练环境

我的训练环境基于腾讯云的 GPU 机器。

地址：https://cloud.tencent.com/product/gpu

GPU类型：GN7.2XLARGE32 T4 显卡：1颗 显存：16GB； python 3.11； requirements.txt:

tokenizers==0.13.3``torch==2.0.1``transformers==4.30.

‍

02

准备训练数据

首先我们要为训练准备数据，比如我就想基于《三国演义》训练一个模型。三国演义下载地址：

https://raw.githubusercontent.com/xinzhanguo/hellollm/main/text/sanguoyanyi.txt

03

训练分词器

分词（tokenization）是把输入文本切分成有意义的子单元（tokens）。通过以下代码，根据我们的数据生成一个新的分词器：

from tokenizers import Tokenizer``from tokenizers.models import BPE``from tokenizers.trainers import BpeTrainer``from tokenizers.normalizers import NFKC, Sequence``from tokenizers.pre_tokenizers import ByteLevel``from tokenizers.decoders import ByteLevel as ByteLevelDecoder``from transformers import GPT2TokenizerFast``   ``# 构建分词器 GPT2 基于 BPE 算法实现``tokenizer = Tokenizer(BPE(unk_token="<unk>"))``tokenizer.normalizer = Sequence([NFKC()])``tokenizer.pre_tokenizer = ByteLevel()``tokenizer.decoder = ByteLevelDecoder()``   ``special_tokens = ["<s>","<pad>","</s>","<unk>","<mask>"]``trainer = BpeTrainer(vocab_size=50000, show_progress=True, inital_alphabet=ByteLevel.alphabet(), special_tokens=special_tokens)``# 创建 text 文件夹，并把 sanguoyanyi.txt 下载，放到目录里``files = ["text/sanguoyanyi.txt"]``# 开始训练了``tokenizer.train(files, trainer)``# 把训练的分词通过GPT2保存起来，以方便后续使用``newtokenizer = GPT2TokenizerFast(tokenizer_object=tokenizer)``newtokenizer.save_pretrained("./sanguo")

运行时显示如下图：

成功运行代码后，我们在 sanguo 目录生成如下文件：

merges.txt``special_tokens_map.json``tokenizer.json``tokenizer_config.json``vocab.json

现在我们已经成功训练了一个大语言模型的分词器。

04

训练模型

利用下面代码进行模型训练：

from transformers import GPT2Config, GPT2LMHeadModel, GPT2Tokenizer``# 加载分词器``tokenizer = GPT2Tokenizer.from_pretrained("./sanguo")``tokenizer.add_special_tokens({`  `"eos_token": "</s>",`  `"bos_token": "<s>",`  `"unk_token": "<unk>",`  `"pad_token": "<pad>",`  `"mask_token": "<mask>"``})``# 配置GPT2模型参数``config = GPT2Config(`  `vocab_size=tokenizer.vocab_size,`  `bos_token_id=tokenizer.bos_token_id,`  `eos_token_id=tokenizer.eos_token_id``)``# 创建模型``model = GPT2LMHeadModel(config)``# 训练数据我们用按行分割``from transformers import LineByLineTextDataset``dataset = LineByLineTextDataset(`    `tokenizer=tokenizer,`    `file_path="./text/sanguoyanyi.txt",`    `block_size=32,`  `# 如果训练时你的显存不够`  `# 可以适当调小 block_size``)``from transformers import DataCollatorForLanguageModeling``data_collator = DataCollatorForLanguageModeling(`    `tokenizer=tokenizer, mlm=False, mlm_probability=0.15``)``   ``from transformers import Trainer, TrainingArguments``# 配置训练参数``training_args = TrainingArguments(`    `output_dir="./output",`    `overwrite_output_dir=True,`    `num_train_epochs=20,`    `per_gpu_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()``# 保存模型``model.save_pretrained('./sanguo')

运行比较耗时，显示训练数据如下图：

成功运行代码，我们发现 sanguo 目录下面多了三个文件：

`config.json``generation_config.json``pytorch_model.bin`

现在我们就成功生成训练出基于《三国演义》的一个大语言模型。

05

测试模型

我们用文本生成，对模型进行测试代码如下：

from transformers import pipeline, set_seed``generator = pipeline('text-generation', model='./sanguo')``set_seed(42)``txt = generator("吕布", max_length=10)``print(txt)

运行显示模型输出了三国相关的文本：“吕布十二回 张翼德 张翼德时曹操 武侯计计计”

再测试一条：

txt = generator("接着奏乐", max_length=10)``print(txt)

“接着奏乐\u3000却说曹操引军因二人”

这内容不忍直视，如果想优化，我们也可以基于全新的模型进行微调训练；我们也可以适当地调整下训练参数，以达到较好的效果。

06

完整代码

以下是完整代码，代码地址：

https://github.com/xinzhanguo/hellollm/blob/main/sanguo.py

linux 中运行方法：

# 创建环境``python3 -m venv ~/.env``# 加载环境``source ~/.env/bin/activate``# 下载代码``git clone git@github.com:xinzhanguo/hellollm.git``cd hellollm``# 安装依赖``pip install -r requirements.txt``# 运行代码``python sanguo.py

以上我们就完成一个全新的模型训练。代码去除注释空行总共61行。

本文代码模型是基于 GPT2 的，当然你也可以基于 LLama 或者 Bert 等模型去实现全新的大语言模型。

代码虽然不是很多，但是如果初次尝试运行的话你也许会遇到很多问题，比如环境搭建。为了避免其他烦恼，我建议用 docker 方式运行代码:

# 下载代码``git clone git@github.com:xinzhanguo/hellollm.git``cd hellollm``# 编译镜像``docker build -t hellollm:beta .``# 可以选择以GPU方式运行``# docker run -it --gpus all hellollm:beta sh``docker run -it hellollm:beta sh``python sanguo.py

更多代码可以参考：Hello LLM!

https://github.com/xinzhanguo/hellollm

以上就是本篇文章的全部内容，欢迎转发分享。

那么，如何系统的去学习大模型LLM？

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。

作为一名热心肠的互联网老兵，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。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

篇幅有限，部分资料如下：

👉LLM大模型学习指南+路线汇总👈

💥大模型入门要点，扫盲必看！

💥既然要系统的学习大模型，那么学习路线是必不可少的，这份路线能帮助你快速梳理知识，形成自己的体系。

👉大模型入门实战训练👈

💥光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉国内企业大模型落地应用案例👈

💥《中国大模型落地应用案例集》 收录了52个优秀的大模型落地应用案例，这些案例覆盖了金融、医疗、教育、交通、制造等众多领域，无论是对于大模型技术的研究者，还是对于希望了解大模型技术在实际业务中如何应用的业内人士，都具有很高的参考价值。 （文末领取）

💥《2024大模型行业应用十大典范案例集》 汇集了文化、医药、IT、钢铁、航空、企业服务等行业在大模型应用领域的典范案例。

👉LLM大模型学习视频👈

💥观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。 （文末领取）

👉640份大模型行业报告👈

💥包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

👉获取方式：

这份完整版的大模型 LLM 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓