大型语言模型 (LLM) 初学者指南_如何使用大语言模型

踏上人工智能的演变之旅和自然语言处理(NLP) 领域取得的惊人进步。一眨眼的功夫，人工智能已经崛起，塑造了我们的世界。训练大型语言模型的巨大影响彻底改变了 NLP，彻底改变了我们的技术交互。时间回到 2017 年，这是一个以“注意力就是你所需要的”为标志的关键时刻，开创性的“Transformer”架构诞生了。该架构现在构成了 NLP 的基石，是每个大型语言模型配方中不可替代的成分 - 包括著名的 ChatGPT。

想象一下轻松生成连贯、上下文丰富的文本 - 这就是 GPT-3 等模型的魔力。作为聊天机器人、翻译和内容生成的强大力量，它们的辉煌源于架构以及预训练和训练的复杂舞蹈。我们即将发表的文章将深入研究这首交响曲，揭示利用大型语言模型执行任务背后的艺术性，利用预训练和训练的动态二重奏来达到出色的效果。与我们一起揭开这些变革技术的神秘面纱！

学习目标

• 了解构建 LLM 申请的不同方法。

• 学习特征提取、层训练和适配器方法等技术。

• 使用 Huggingface 转换器库在下游任务上训练 LLM。

入门

LLM 代表大型语言模型。LLM 是深度学习模型，旨在理解类人文本的含义并执行各种任务，例如情感分析、语言建模（下一个词预测）、文本生成、文本摘要等等。他们接受了大量文本数据的训练。

我们每天都在使用基于这些LLM的应用程序，甚至没有意识到这一点。Google 将 BERT（Transformers 双向编码器表示）用于各种应用，例如查询完成、理解查询上下文、输出更相关和更准确的搜索结果、语言翻译等。

这些模型建立在深度学习技术、深度神经网络和自注意力等先进技术的基础上。他们接受大量文本数据的训练，以学习语言的模式、结构和语义。

由于这些模型是在广泛的数据集上进行训练的，因此需要大量的时间和资源来训练它们，并且从头开始训练它们是没有意义的。
我们可以通过一些技术直接使用这些模型来完成特定任务。那么让我们详细讨论一下它们。

构建LLM申请的不同方法概述

我们在日常生活中经常看到令人兴奋的LLM申请。您想知道如何构建 LLM 申请吗？以下是构建 LLM 申请的 3 种方法：

1. 利用 Scratch 训练大语言模型

2. 训练大型语言模型

3. 提示

1、利用 Scratch 训练大语言模型

人们经常对这两个术语感到困惑：训练和微调LLM。这两种技术的工作方式相似，即改变模型参数，但训练目标不同。

从头开始培训LLM也称为预培训。预训练是一种在大量未标记文本上训练大型语言模型的技术。但问题是，“我们如何在未标记的数据上训练模型，然后期望模型准确地预测数据？”。这就是“自我监督学习”的概念。在自监督学习中，模型会掩盖一个单词，并尝试借助前面的单词来预测下一个单词。例如，假设我们有一句话：“我是一名数据科学家”。

该模型可以根据这句话创建自己的标记数据，例如：

这被称为下一个工作预测，由 MLM（掩码语言模型）完成。BERT，一种屏蔽语言模型，使用这种技术来预测屏蔽词。我们可以将传销视为“填空”概念，其中模型预测哪些单词可以填入空白。
预测下一个单词的方法有多种，但在本文中，我们只讨论 BERT，即 MLM。BERT 可以查看前面和后面的单词来理解句子的上下文并预测屏蔽词。

因此，作为预训练的高级概述，它只是模型学习预测文本中下一个单词的技术。

2、训练大型语言模型

训练是调整模型的参数，使其适合执行特定任务。模型经过预训练后，会进行训练，或者简单地说，训练它来执行特定任务，例如情感分析、文本生成、查找文档相似性等。我们不必在特定的环境上再次训练模型。大文本；相反，我们使用经过训练的模型来执行我们想要执行的任务。我们将在本文后面详细讨论如何训练大型语言模型。

3、提示

提示是所有 3 种技术中最简单的，但也有点棘手。它涉及为模型提供一个上下文（提示），模型根据该上下文执行任务。可以将其视为详细教孩子书中的一章，对解释非常谨慎，然后要求他们解决与该章相关的问题。

就 LLM 而言，以 ChatGPT 为例；我们设置一个上下文并要求模型按照说明来解决给定的问题。

假设我希望 ChatGPT 只问我一些有关变形金刚的面试问题。为了获得更好的体验和准确的输出，您需要设置适当的上下文并给出详细的任务描述。

示例：我是一名拥有两年经验的数据科学家，目前正在某某公司准备面试。我喜欢解决问题，目前正在使用最先进的 NLP 模型。我了解最新的趋势和技术。问我关于Transformer模型的非常棘手的问题，这个公司的面试官可以根据公司以前的经验来问。问我十个问题并给出问题的答案。

您提示的越详细和具体，结果就越好。最有趣的部分是您可以从模型本身生成提示，然后添加个人风格或所需的信息。

了解不同地训练技术

传统上训练模型的方法有多种，不同的方法取决于您想要解决的具体问题。让我们讨论训练模型的技术。

传统上有 3 种方法可以对 LLM 进行训练。

1、特征提取

人们使用这种技术从给定文本中提取特征，但是为什么我们要从给定文本中提取嵌入呢？答案很简单。由于计算机无法理解文本，因此需要有一种文本的表示形式，以便我们可以用来执行各种任务。一旦我们提取嵌入，它们就能够执行情感分析、识别文档相似性等任务。在特征提取中，我们锁定模型的主干层，这意味着我们不会更新这些层的参数；仅更新分类器层的参数。分类器层涉及全连接层。

2、全模型训练

顾名思义，我们在该技术中在自定义数据集上训练每个模型层特定数量的时期。我们根据新的自定义数据集调整模型中所有层的参数。这可以提高模型对数据和我们想要执行的特定任务的准确性。考虑到训练大型语言模型中有数十亿个参数，计算成本很高，并且需要大量时间来训练模型。

3、基于适配器的训练

基于适配器的训练是一个相对较新的概念，其中将额外的随机初始化层或模块添加到网络中，然后针对特定任务进行训练。在这种技术中，模型的参数不受干扰，或者我们可以说模型的参数没有改变或调整。相反，适配器层参数是经过训练的。该技术有助于以计算有效的方式调整模型。

实施：在下游任务上训练 BERT

现在我们知道了训练技术，让我们使用 BERT 对 IMDB 电影评论进行情感分析。BERT 是一种大型语言模型，结合了转换器层并且仅包含编码器。谷歌开发了它，并已证明在各种任务上表现良好。BERT 有不同的大小和变体，例如 BERT-base-uncased、BERT Large、RoBERTa、LegalBERT 等等。

1、BERT 模型进行情感分析

我们使用BERT模型对IMDB电影评论进行情感分析。如需免费使用 GPU，建议使用 Google Colab。让我们通过加载一些重要的库来开始训练。

由于 BERT（编码器的双向编码器表示）基于 Transformer，因此第一步是在我们的环境中安装 Transformer。

!pip 安装变压器

让我们加载一些库，这些库将帮助我们加载 BERT 模型所需的数据、对加载的数据进行标记、加载我们将用于分类的模型、执行训练-测试-分割、加载 CSV 文件以及其他一些功能。

import pandas as pd``import numpy as np``import os``from sklearn.model_selection import train_test_split``import torch``import torch.nn as nn``from transformers import BertTokenizer, BertModel
1

为了更快的计算，我们必须将设备从CPU更改为GPU

device = torch.device("cuda")
1

下一步是加载数据集并查看数据集中的前 5 条记录。

df = pd.read_csv('/content/drive/MyDrive/movie.csv')``df.head()
1

我们将把数据集分成训练集和验证集。您还可以将数据拆分为训练集、验证集和测试集，但为了简单起见，我只是将数据集拆分为训练集和验证集。

x_train, x_val, y_train, y_val = train_test_split(df.text, df.label, random_state = 42, test_size = 0.2, stratify = df.label)
1

2、导入并加载 BERT 模型

让我们导入并加载 BERT 模型和分词器。

from transformers.models.bert.modeling_bert import BertForSequenceClassification``# import BERT-base pretrained model``BERT = BertModel.from_pretrained('bert-base-uncased')``# Load the BERT tokenizer``tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
1

我们将使用分词器将文本转换为最大长度为 250 的标记，并在需要时进行填充和截断。

train_tokens = tokenizer.batch_encode_plus(x_train.tolist(), max_length = 250, pad_to_max_length=True, truncation=True)``val_tokens = tokenizer.batch_encode_plus(x_val.tolist(), max_length = 250, pad_to_max_length=True, truncation=True)
1

分词器返回一个字典，其中包含三个键值对，其中包含 input_ids，它们是与特定单词相关的标记；token_type_ids，它是区分输入的不同段或部分的整数列表。Attention_mask 指示要关注哪个标记。

将这些值转换为张量

train_ids = torch.tensor(train_tokens['input_ids'])``train_masks = torch.tensor(train_tokens['attention_mask'])``train_label = torch.tensor(y_train.tolist())``val_ids = torch.tensor(val_tokens['input_ids'])``val_masks = torch.tensor(val_tokens['attention_mask'])``val_label = torch.tensor(y_val.tolist())
1

加载 TensorDataset 和 DataLoaders 以进一步预处理数据并使其适合模型。

from torch.utils.data import TensorDataset, DataLoader``train_data = TensorDataset(train_ids, train_masks, train_label)``val_data = TensorDataset(val_ids, val_masks, val_label)``train_loader = DataLoader(train_data, batch_size = 32, shuffle = True)``val_loader = DataLoader(val_data, batch_size = 32, shuffle = True)
1

我们的任务是使用分类器冻结 BERT 的参数，然后在自定义数据集上训练这些层。那么，让我们冻结模型的参数。
for param in BERT.parameters():
param.requires_grad = False
现在，我们必须为我们添加的层定义前向和后向传递。BERT 模型将充当特征提取器，而我们必须明确定义分类的前向和后向传递。

class Model(nn.Module):`  `def __init__(self, bert):`    `super(Model, self).__init__()`    `self.bert = bert`    `self.dropout = nn.Dropout(0.1)`    `self.relu = nn.ReLU()`    `self.fc1 = nn.Linear(768, 512)`    `self.fc2 = nn.Linear(512, 2)`    `self.softmax = nn.LogSoftmax(dim=1)`  `def forward(self, sent_id, mask):`    `# Pass the inputs to the model`    `outputs = self.bert(sent_id, mask)`    `cls_hs = outputs.last_hidden_state[:, 0, :]`    `x = self.fc1(cls_hs)`    `x = self.relu(x)`    `x = self.dropout(x)`    `x = self.fc2(x)`    `x = self.softmax(x)`    `return x
1

让我们将模型移至 GPU

model = Model(BERT)``# push the model to GPU``model = model.to(device)
1

3、定义优化器

# optimizer from hugging face transformers``from transformers import AdamW``# define the optimizer``optimizer = AdamW(model.parameters(),lr = 1e-5)
1

到目前为止，我们已经预处理了数据集并定义了我们的模型。现在是训练模型的时候了。我们必须编写代码来训练和评估模型。
火车功能：

def train():`  `model.train()`  `total_loss, total_accuracy = 0, 0`  `total_preds = []`  `for step, batch in enumerate(train_loader):`    `# Move batch to GPU if available`    `batch = [item.to(device) for item in batch]`    `sent_id, mask, labels = batch`    `# Clear previously calculated gradients`    `optimizer.zero_grad()`    `# Get model predictions for the current batch`    `preds = model(sent_id, mask)`    `# Calculate the loss between predictions and labels`    `loss_function = nn.CrossEntropyLoss()`    `loss = loss_function(preds, labels)`    `# Add to the total loss`    `total_loss += loss.item()`    `# Backward pass and gradient update`    `loss.backward()`    `optimizer.step()`    `# Move predictions to CPU and convert to numpy array`    `preds = preds.detach().cpu().numpy()`    `# Append the model predictions`    `total_preds.append(preds)`  `# Compute the average loss`  `avg_loss = total_loss / len(train_loader)`  `# Concatenate the predictions`  `total_preds = np.concatenate(total_preds, axis=0)`  `# Return the average loss and predictions`  `return avg_loss, total_preds
1

4、评估函数

def evaluate():`  `model.eval()`  `total_loss, total_accuracy = 0, 0`  `total_preds = []`  `for step, batch in enumerate(val_loader):`    `# Move batch to GPU if available`    `batch = [item.to(device) for item in batch]`    `sent_id, mask, labels = batch`    `# Clear previously calculated gradients`    `optimizer.zero_grad()`    `# Get model predictions for the current batch`    `preds = model(sent_id, mask)`    `# Calculate the loss between predictions and labels`    `loss_function = nn.CrossEntropyLoss()`    `loss = loss_function(preds, labels)`    `# Add to the total loss`    `total_loss += loss.item()`    `# Backward pass and gradient update`    `loss.backward()`    `optimizer.step()`    `# Move predictions to CPU and convert to numpy array`    `preds = preds.detach().cpu().numpy()`    `# Append the model predictions`    `total_preds.append(preds)`  `# Compute the average loss`  `avg_loss = total_loss / len(val_loader)`  `# Concatenate the predictions`  `total_preds = np.concatenate(total_preds, axis=0)`  `# Return the average loss and predictions``  return avg_loss, total_preds
1

我们现在将使用这些函数来训练模型：

# set initial loss to infinite``best_valid_loss = float('inf')``#defining epochs``epochs = 5``# empty lists to store training and validation loss of each epoch``train_losses=[]``valid_losses=[]``#for each epoch``for epoch in range(epochs):`  `print('\n Epoch {:} / {:}'.format(epoch + 1, epochs))`  `#train model`  `train_loss, _ = train()`  `#evaluate model`  `valid_loss, _ = evaluate()`  `#save the best model`  `if valid_loss < best_valid_loss:`    `best_valid_loss = valid_loss`    `torch.save(model.state_dict(), 'saved_weights.pt')`    `# append training and validation loss`  `train_losses.append(train_loss)`  `valid_losses.append(valid_loss)`  `print(f'\nTraining Loss: {train_loss:.3f}')`  `print(f'Validation Loss: {valid_loss:.3f}')
1

现在你就得到了它。您可以使用经过训练的模型来推断您选择的任何数据或文本。

结论

本文探讨了训练大型语言模型 (LLM) 的世界及其对自然语言处理 (NLP) 的重大影响。讨论预训练过程，其中LLM使用自我监督学习对大量未标记文本进行训练。我们还深入研究了训练，其中涉及针对特定任务和提示调整预先训练的模型，其中为模型提供上下文以生成相关输出。此外，我们还研究了不同的训练技术，例如特征提取、完整模型训练和基于适配器的训练。大型语言模型已经彻底改变了 NLP，并继续推动各种应用程序的进步。

大模型岗位需求

大模型时代，企业对人才的需求变了，AIGC相关岗位人才难求，薪资持续走高，AI运营薪资平均值约18457元，AI工程师薪资平均值约37336元，大模型算法薪资平均值约39607元。

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括Prompt，LangChain，LoRA等技术开发、运营、产品等方向全栈工程；

• 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用；

• 薪资上浮10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域；

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。为了让大家少走弯路，少碰壁，这里我直接把全套AI技术和大模型入门资料、操作变现玩法都打包整理好，希望能够真正帮助到大家。

-END-

---

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/盐析白兔/article/detail/899197