Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

Awesome Lists | Featured Topics | Projects

https://github.com/charent/Phi2-mini-Chinese

Phi2-Chinese-0.2B 从0开始训练自己的Phi2中文小模型，支持接入langchain加载本地知识库做检索增强生成RAG。Training your own Phi2 small chat model from scratch.
https://github.com/charent/Phi2-mini-Chinese

language-model phi-2 retrieval-augmented-generation text-generation

Last synced: 2 months ago
JSON representation

Phi2-Chinese-0.2B 从0开始训练自己的Phi2中文小模型，支持接入langchain加载本地知识库做检索增强生成RAG。Training your own Phi2 small chat model from scratch.

Awesome Lists containing this project

README 

        
# Phi2-Chinese-0.2B 从0开始训练自己的Phi2中文小模型



**本项目为实验项目，开源代码及模型权重，预训练数据较少，如果需要效果更好的中文小模型，可以参考项目[ChatLM-mini-Chinese](https://github.com/charent/ChatLM-mini-Chinese)**



> [!CAUTION]

> 本项目为实验性项目，随时会大改，包括训练数据、模型结构、文件目录结构等。

> 第一版模型及请查看`tag v1.0`



- 支持flash attention 2 加速



# 1. ⚗️数据清洗

比如句末添加句号、繁体转简体、删除重复的标点符号（比如有些对话语料非常多`"。。。。。"`）、NFKC Unicode标准化（主要是全角转半角及网页数据的\u3000 \xa0问题）等等。   

具体的数据清洗过程请参考项目[ChatLM-mini-Chinese](https://github.com/charent/ChatLM-mini-Chinese)。  



# 2. 🗨️tokenizer训练 

本项目使用`byte level`的`BPE`分词器。共提供的两种分词器`char level` 和`byte level`的训练代码。  



训练完的tokenizer记得检查词表中是否有常见的特殊符号，如`\t`、`\n`等，可以尝试编一句包含特殊字符的文本`encode`、`decode`看看能不能还原。如果不包含这些特殊字符，通过`add_tokens`函数添加。使用`len(tokenizer)`获取词表大小，`tokenizer.vocab_size`不统计自己通过`add_tokens`函数添加的字符。     



tokenizer训练非常吃内存：  



- `byte level`训练1亿个字符至少需要`32G`内存（其实`32G`还是不太够，会频繁触发swap），`13600k`训练时长大概1个小时。   



- `char level`训练6.5亿个字符（刚好是中文wiki百科的数据量）至少需要32G内存，因为多次触发了swap，实际使用量远不止32G，`13600K`训练时长约半个小时。   



所以大数据集时（GB级别），建议训练`tokenizer`时从数据集中进行采样。  



# 3. ⛏️CLM因果模型预训练 



用大量文本进行无监督预训练，主要使用`bell open source`的数据集[BELLE](https://github.com/LianjiaTech/BELLE)。  



数据集格式：一个样本一句话，太长的可以截断分为多个样本。  



CLM预训练过程中，模型输入和输出是一样的，计算交叉熵损失的时候，要错开一位（`shift`）。  



处理百科语料时，建议在每个词条结束后加上`'[EOS]'`标记。其他语料处理也类似，一个`doc`的结束（可以时一篇文章结束或者段落结束）都要加上`'[EOS]'`标记。开始标记`'[BOS]'`可加可不加。



# 4. ⚒️SFT指令微调 



主要使用`bell open source`的数据集。感谢大佬[BELLE](https://github.com/LianjiaTech/BELLE)。  



SFT训练的数据格式如下：  

```python

text = f"##提问:\n{example['instruction']}\n##回答:\n{example['output'][EOS]"

```

模型计算损失时会忽略标记`"##回答:"`之前的部分（`"##回答:"`也会被忽略），从`"##回答:"`后面开始。



记得添加`EOS`句子结束特殊标记，否则模型`decode`的时候不知道要什么时候停下来。`BOS`句子开始标记可填可不填。



# 5. 📝RLHF优化



采用更简单、更节省显存的dpo偏好优化方法。  



根据个人喜好对SFT模型微调，数据集要构造三列`prompt`、`chosen`和 `rejected`，`rejected`这一列有部分数据我是从sft阶段初级模型（比如sft训练4个`epoch`，取0.5个`epoch`检查点的模型）生成，如果生成的`rejected`和`chosen`相似度在0.9以上，则不要这条数据。  



DPO过程中要有两个模型，一个是要训练的模型，一个是参考的模型，在加载的时候其实是同一个模型，只不过参考模型不参与参数更新。  



# 6. 📑本项目模型使用方法

## 6.1 普通对话能力

模型权重`huggingface`仓库：[Phi2-Chinese-0.2B](https://huggingface.co/charent/Phi2-Chinese-0.2B)  

```python

from transformers import AutoTokenizer, AutoModelForCausalLM, GenerationConfig

import torch



device = torch.device("cuda") if torch.cuda.is_available() else torch.device("cpu")



tokenizer = AutoTokenizer.from_pretrained('charent/Phi2-Chinese-0.2B')

model = AutoModelForCausalLM.from_pretrained('charent/Phi2-Chinese-0.2B').to(device)



txt = '感冒了要怎么办？'

prompt = f"##提问:\n{txt}\n##回答:\n"



# greedy search

gen_conf = GenerationConfig(

    num_beams=1,

    do_sample=False,

    max_length=320,

    max_new_tokens=256,

    no_repeat_ngram_size=4,

    eos_token_id=tokenizer.eos_token_id,

    pad_token_id=tokenizer.pad_token_id,

)



tokend = tokenizer.encode_plus(text=prompt)

input_ids, attention_mask = torch.LongTensor([tokend.input_ids]).to(device), \

    torch.LongTensor([tokend.attention_mask]).to(device)



outputs = model.generate(

    inputs=input_ids,

    attention_mask=attention_mask,

    generation_config=gen_conf,

)



outs = tokenizer.decode(outputs[0].cpu().numpy(), clean_up_tokenization_spaces=True, skip_special_tokens=True,)

print(outs)



```

```txt

##提问:

感冒了要怎么办？

##回答:

感冒是由病毒引起的，感冒一般由病毒引起，以下是一些常见感冒的方法：

- 洗手，特别是在接触其他人或物品后。

- 咳嗽或打喷嚏时用纸巾或手肘遮住口鼻。

- 用手触摸口鼻，特别是喉咙和鼻子。

- 如果咳嗽或打喷嚏，可以用纸巾或手绢来遮住口鼻，但要远离其他人。

- 如果你感冒了，最好不要触摸自己的眼睛、鼻子和嘴巴。

- 在感冒期间，最好保持充足的水分和休息，以缓解身体的疲劳。

- 如果您已经感冒了，可以喝一些温水或盐水来补充体液。

- 另外，如果感冒了，建议及时就医。

```



## 6.2 检索式生成（RAG）

具体代码见`rag_with_langchain.ipynb`



![rag](./imgs/rag.png)



# 7、🎓引用

如果你觉得本项目对你有所帮助，欢迎引用。  

```conf

@misc{Charent2023,

    author={Charent Chen},

    title={A small Chinese causal language model with 0.2B parameters base on Phi2},

    year={2023},

    publisher = {GitHub},

    journal = {GitHub repository},

    howpublished = {\url{https://github.com/charent/Phi2-mini-Chinese}},

}

```



# 8、🤔其他事项

本项目不承担开源模型和代码导致的数据安全、舆情风险或发生任何模型被误导、滥用、传播、不当利用而产生的风险和责任。