如何训练LLM大模型的一些总结_llm模型训练数据集

如下图所示，chatGPT的整体训练流程包括pretraing、SFT、RLHF三个阶段：

pretraing阶段：

训练前数据问题

a)数据量问题：

完成一个模型的训练，到底需要多少的数据量呢，有文章提出应该使用 1,400B (1.4T) 标记来训练大小为 70B 参数的数据最优 LLM,每个参数需要20个texts（In Sep/2022, DeepMind (Chinchilla paper)，根据以上的法则，推荐 10B 模型使用 200B tokens, 但是LLama发现 7B模型使用了1T tokens之后还是有所提升，

整体汇总参考chatGPT数据集之谜：https://www.eet-china.com/mp/a196980.html

综上所述，假设先用下表的配置选择数据大小：

b）不同类型数据占比以及清洗方法：

GPT1：Improving Language Understanding by Generative Pre-Training

训练数据：

使用了BooksCorpus dataset数据集，其中包含7400w+句子，该数据集由7000本独立的、不同风格的数据集合构成，选择该数据集的主要好处是包含高质量长句，保证长距离依赖。

GPT2：Language Models are Unsupervised Multitask Learners

参数量：1.5B

训练数据：

webtext，提到保证数据来源的多样性，选用reddit上高质量的帖子，最终得到4500W网页，800W有效文本文档，语料大小为40GB

GPT3:Language Models are Few-Shot Learners

模型的参数量增大了100倍、模型深度增加了两倍，对比以前的使用dense attention，本文提出使用sparse attention （O(n*logn)）

训练数据：

1、用一个高质量的数据集LogisticsRegression过滤了CommonCrawl的数据

2、文档级别用LSH（Locality Sensitive Hashing）算法进行过滤

(1) 使用已有高质量语料库，基于相似度进行CommonCrawl 数据下载和过滤

(2) 在文档级别进行模糊去重，在跨数据集和数据内部进行去重工作

(3) 将已知的高质量数据集合添加到CommonCrawl，进行CommonCrawl数据的增强以及增加数据的多样性

CommonCrawl:45TB->570GB

LLama数据：

模型训练数据：

LLam数据分布

English CommonCrawl：

1、进行line level的数据去重

2、使用fastText去除非英文的界面

3、用ngram语言模型去除低质量的内容

4、使用线性模型进行references in Wikipedia v.s. randomly sampled pages，丢弃不在references中的页面

C4 dataset：

1、去重

2、语言识别（language identification steps）：和CCNet进行高质量过滤的主要不同是，依赖启发式的方法，比如标点符号、token的个数、语句所在的webpage

Github:

使用Google BigQuery上开源的代码数据

1、保存Apache,BSD 和 MIT licenses的项目

2、基于行长和字母数字的比例进行高质量代码筛选

3、删除带有正则表达式的样板，比如头文件

4、file level使用精确匹配进行文件的去重

Wikipedia：

删除超链接、注释等其他样板（boilerplate）

Gutenberg and Books3：

Gutenberg Project：包含开放域的数据

Books3 section of ThePile：book level的去除，去掉了90%的重复样本

ArXiv [2.5%]：

1、将scientific data加入训练数据

2、去除第一部分和参考文献

3、去除.tex file、inline-expanded definitions and macros written by users to increase consistency across papers.（用户编写的用于增加文章内部一致性的定义和宏 我理解也就各种注解）

Stack Exchange [2%]：

股票网站的高质量问答数据，包含从计算机、化学等不同领域

1、保留来自最大28个网站的数据，去除掉HTML

2、进行回答分数的排序

tokenizer：使用BPE算法，大概1.4T的token，Wikipedia and Books domains训练了2个epoch，其他数据训练基本只过了一次预训练。

Instruction Finetuning阶段数据：

c）模型训练的时候如何进行数据占比的采样

从上述图表中，我们看到训练大模型对于不同类型的数据会有一个采样比重，为什么要进行采样是一个很容易理解的问题，有些语料注重知识的学习，有些语料可以使得模型学到逻辑（有一些说法说模型的逻辑能力来源于代码数据），有些语料让模型学会不同风格的表达，那么如何进行数据数据占比采样呢？

DoReMi: Optimizing Data Mixtures Speeds Up Language Model Pretraining.

使用上述Domain Reweighting with Minimax Optimization (DoReMi)方法后，8B模型的效果对比

训练过程问题

a）模型位置编码的选择：

如同几种位置编码，其中alibi有更好的外推性，最新有提出xpos的位置编码方式，几种编码方式的优缺点未来待进一步分析

b）如何让模型可以有更长的content，如何解决模型训练长度、长距离依赖问题

我们知道GPT4可以处理32K的长度输入，但是attention存在n^2的计算复杂度，那么让模型如何实现更长长度的计算呢，主要有以下一些方法：

训练过程效果预估

GPT4论文中指出，随着模型参数量大小的变化，模型收敛的loss情况如图所示，可以根据自己训练模型参数的大小，进行模型loss情况的预估。

训练后效果评价

可以使用MMLU进行效果评估、PPL进行模型记忆情况的评估。

instruction Tuning阶段：

数据阶段：

LIMM：less is more for alignment，作者只是使用了1000条数据进行SFT，取得很棒的效果。所以数据阶段进行丰富的、质量高的数据的采集是非常重要的事

为什么少量的数据可以驱动指令学习：

1、数据质量高

2、基底模型强

效果评价：

使用c-eval中文测评，进行SFT后模型效果评估

RLHF阶段：

HHH: Helpful（有帮助的）, Honest（诚实的）, Harmless（⽆害的）

RM：

reward model:生成4~9个答案，对生成的答案排序

最大化好句子和坏句子之间的差值

RL

强化学习继续优化SFT，如下损失函数，既保留了通过监督学习能够学到的东西（最小化RL参数和SFT参数的KL散度，也让模型拟合reward模型的参数。）模型采样->reward计算->模型迭代

只用PPO模型进行训练的话，会导致模型在通用NLP任务上性能的大幅下降，作者的解决方案是在训练目标中加入了通用的语言模型目标

PPO部分结构：使用SFT作为初始化，RL和SFT的KL散度越小越好，奖励分数reward是变化的环境，使用两者进行PPO的参数更新。

• 全称Proximal Policy Optimization Algorithms，是off-policy policy gradients的方法，创新点是重要样本采样（简称IS，Important Sampling）。

• 截断的loss

• 自适应参数的重要样本采样的KL-loss

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。

这份完整版的大模型 AI 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】