Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/yuanzhoulvpi2017/zero_nlp
中文nlp解决方案(大模型、数据、模型、训练、推理)
https://github.com/yuanzhoulvpi2017/zero_nlp
bert chatglm-6b clip gpt gpt2 huggingface-transformers llama llama2 llava nlp pytorch text-generation transformers
Last synced: 6 days ago
JSON representation
中文nlp解决方案(大模型、数据、模型、训练、推理)
- Host: GitHub
- URL: https://github.com/yuanzhoulvpi2017/zero_nlp
- Owner: yuanzhoulvpi2017
- License: mit
- Created: 2023-02-05T07:11:18.000Z (about 2 years ago)
- Default Branch: main
- Last Pushed: 2025-01-02T12:57:39.000Z (about 1 month ago)
- Last Synced: 2025-01-02T13:34:01.449Z (about 1 month ago)
- Topics: bert, chatglm-6b, clip, gpt, gpt2, huggingface-transformers, llama, llama2, llava, nlp, pytorch, text-generation, transformers
- Language: Jupyter Notebook
- Homepage:
- Size: 50.8 MB
- Stars: 3,120
- Watchers: 30
- Forks: 379
- Open Issues: 97
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
- StarryDivineSky - yuanzhoulvpi2017/zero_nlp
- my-awesome - yuanzhoulvpi2017/zero_nlp - 6b,clip,gpt,gpt2,huggingface-transformers,llama,llama2,llava,nlp,pytorch,text-generation,transformers pushed_at:2025-01 star:3.2k fork:0.4k 中文nlp解决方案(大模型、数据、模型、训练、推理) (Jupyter Notebook)
README
# zero to nlp
## 特点
1. 🎯`目标`：基于`pytorch`、`transformers`做中文领域的nlp开箱即用的训练框架，提供全套的训练、微调模型（包括大模型、文本转向量、文本生成、多模态等模型）的解决方案；
2. 💽`数据`：
- 从开源社区，整理了海量的训练数据，帮助用户可以快速上手；
- 同时也开放训练数据模版，可以快速处理垂直领域数据；
- 结合多线程、内存映射等更高效的数据处理方式，即使需要处理`百GB`规模的数据，也是轻而易举；
3. 💻`流程`：每一个项目有完整的模型训练步骤，如：数据清洗、数据处理、模型构建、模型训练、模型部署、模型图解；
4. 🔥`模型`：当前已经支持`gpt2`、`clip`、`gpt-neox`、`dolly`、`llama`、`chatglm-6b`、`VisionEncoderDecoderModel`等多模态大模型；
5. 🚀`多卡串联`
：当前，多数的大模型的尺寸已经远远大于单个消费级显卡的显存，需要将多个显卡串联，才能训练大模型、才能部署大模型。因此对部分模型结构进行修改，实现了`训练时`、`推理时`
的多卡串联功能。
6. ⚙️`模型工具`：添加了大模型的`词表裁切`和`词表扩充`
教程[model_modify](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/model_modify)
## 目录
[//]: # (### 源码解读)
[//]: # ()
[//]: # (当前`transformers`包，确实好用，包括训练等，但是我们不能停留于表面，不能浅尝辄止。要深入源码底部，挖掘出每一个细节。因此，在这个模块中，我将把)
[//]: # (`transfrmers`包中用到的python高级用法、优秀的数据处理思路和方法，尽可能的讲解清楚。)
[//]: # ()
[//]: # (⚠️将逐步完善，敬请期待)
[//]: # (| 模块 | 文件名称 | 作用 | 实现细节 |)
[//]: # (|------------|------|-----|------|)
[//]: # (| Tokenizer | ☑️ | ☑️ | ☑️ |)
[//]: # (| Datasets | ☑️ | ☑️ | ☑️ |)
[//]: # (| Model | ☑️ | ☑️ | ☑️ |)
[//]: # (| Trainer | ☑️ | ☑️ | ☑️ |)
[//]: # (| AutoClass | ☑️ | ☑️ | ☑️ |)
[//]: # (| AutoConfig | ☑️ | ☑️ | ☑️ |)
### 模型训练
| 中文名称 | 文件夹名称 | 数据 | 数据清洗 | 大模型 | 模型部署 | 图解 |
|-----------------------------------|-----------------------------------------------------------------------------------------------------------------------|----|------|-----|------|----|
| 中文文本分类 | [chinese_classifier](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/chinese_classifier) | ✅ | ✅ | ✅ | ❌ | ✅ |
| 中文`gpt2` | [chinese_gpt2](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/chinese_gpt2) | ✅ | ✅ | ✅ | ✅ | ❌ |
| 中文`clip` | [chinese_clip](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/chinese_clip_ddp) | ✅ | ✅ | ✅ | ❌ | ✅ |
| 图像生成中文文本 | [VisionEncoderDecoderModel](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/vit-gpt2-image-chinese-captioning) | ✅ | ✅ | ✅ | ❌ | ✅ |
| vit核心源码介绍 | [vit model](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/vit) | ❌ | ❌ | ❌ | ❌ | ✅ |
| `Thu-ChatGlm-6b`(`v1`版本 作废) | [simple_thu_chatglm6b](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/simple_thu_chatglm6b) | ✅ | ✅ | ✅ | ✅ | ❌ |
| 🌟chatglm-`v2`-6b🎉 | [chatglm_v2_6b_lora](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/chatglm_v2_6b_lora) | ✅ | ✅ | ✅ | ❌ | ❌ |
| 中文`dolly_v2_3b` | [dolly_v2_3b](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/chinese_dolly_v2_3b) | ✅ | ✅ | ✅ | ❌ | ❌ |
| 中文`llama`(作废) | [chinese_llama](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/chinese_llama) | ✅ | ✅ | ✅ | ❌ | ❌ |
| 中文`bloom` | [chinese_bloom](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/chinese_bloom) | ✅ | ✅ | ✅ | ❌ | ❌ |
| 中文`falcon`(注意：falcon模型和bloom结构类似) | [chinese_bloom](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/chinese_bloom) | ✅ | ✅ | ✅ | ❌ | ❌ |
| 中文**预训练**代码 | [model_clm](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/model_clm) | ✅ | ✅ | ✅ | ❌ | ❌ |
| 百川大模型 | [model_baichuan](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/model_baichuan) | ✅ | ✅ | ✅ | ✅ | ❌ |
| 模型修剪✂️ | [model_modify](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/model_modify) | ✅ | ✅ | ✅ | | |
| llama2 流水线并行 | [pipeline](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/pipeline) | ✅ | ✅ | ✅ | ❌ | ❌ |
| 百川2-7b-chat的`dpo` | [DPO baichuan2-7b-chat ](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/baichuan2_dpo) | ✅ | ✅ | ✅ | ❌ | ❌ |
| 训练时候，数据占比发生变化 | [train_data_sample ](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/train_data_sample) | ✅ | ✅ | ✅ | ❌ | ❌ |
| internlm-base sft | [internlm-sft ](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/internlm-sft) | ✅ | ✅ | ✅ | ❌ | ❌ |
| train qwen2 | [train_qwen2 ](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/train_qwen) | ✅ | ✅ | ✅ | ✅ | ❌ |
| train llava | [train_llava ](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/train_llava) | ✅ | ✅ | ✅ | ✅ | ✅ |
### 工程介绍 debug vllm
1. 介绍如何debug
vllm，对vllm工程上了解的更加透彻 [debug vllm](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/debug_vllm)
数据流程图解
我一直觉得，数据流程通过图解的形式表达出来，其实是最清楚的，因此我都会尽可能的把每一个任务的都图解出来。
### 文本分类数据图解
### 中文gpt2
### 中文clip
### 图像生成中文文本
### vit 源码
# 分享transformers源码解读
一直在做transformers的源码解读，可以去B站查看视频👉[良睦路程序员](https://space.bilibili.com/45156039)
[//]: # (# 分享数据)
[//]: # ()
[//]: # (一直在整理开源数据，如果有需要，可以关注公众号`统计学人`，回复`nlp数据`即可。目前还在整理数据中)
[//]: # ()
[//]: # ()