作者：算力魔方創(chuàng)始人/英特爾創(chuàng)新大使劉力

《用PaddleNLP在4060單卡上實踐大模型預(yù)訓(xùn)練技術(shù)》發(fā)布后收到讀者熱烈反響，很多讀者要求進一步講解更多的技術(shù)細節(jié)。本文主要針對大語言模型的預(yù)訓(xùn)練流程，使用PaddleNLP將FineWeb數(shù)據(jù)集中文本形式的數(shù)據(jù)，經(jīng)過分詞化(Tokenize)，轉(zhuǎn)換為大語言模型能直接使用的二進制數(shù)據(jù)，以便提升訓(xùn)練效果。

ChatGPT發(fā)布后，當(dāng)代大語言模型（LLM）的訓(xùn)練流程基本遵循OpenAI提出的”預(yù)訓(xùn)練+后訓(xùn)練”的訓(xùn)練范式。

預(yù)訓(xùn)練：將海量知識通過無監(jiān)督學(xué)習(xí)的方式壓縮到大語言模型的權(quán)重中，使其具備基本的通用能力，能預(yù)測下一個分詞。預(yù)訓(xùn)練得到的模型叫基礎(chǔ)大模型。

后訓(xùn)練：通過監(jiān)督微調(diào)(SFT)和強化學(xué)習(xí)(RL)等方式，讓大模型按人類專家的方式輸出知識，使其具備專業(yè)能力。

一，PaddleNLP簡介

PaddleNLP是一款基于飛槳深度學(xué)習(xí)框架的大語言模型(LLM)開發(fā)套件，支持在多種硬件上進行高效的大模型訓(xùn)練、無損壓縮以及高性能推理。PaddleNLP 具備簡單易用和性能極致的特點，致力于助力開發(fā)者實現(xiàn)高效的大模型產(chǎn)業(yè)級應(yīng)用。

Github: https://github.com/PaddlePaddle/PaddleNLP

使用PaddleNLP實現(xiàn)訓(xùn)練文本分詞化僅需三行代碼，如下所示：

# 導(dǎo)入PaddleNLP庫中的GPTTokenizer類
from paddlenlp.transformers import GPTTokenizer
# 使用預(yù)訓(xùn)練的"gpt2-en"模型初始化GPTTokenizer，并設(shè)置bos_token為空字符串
tokenizer = GPTTokenizer.from_pretrained("gpt2-en", bos_token="")
# 打印使用tokenizer對字符串"Hello, world!"進行編碼后的結(jié)果
print(tokenizer.encode("Hello, world!"))

進入：

https://tiktokenizer.vercel.app/?model=gpt2

可以對比PaddleNLP的GPTTokenzier對“Hello,World!”的分詞結(jié)果。

二，F(xiàn)ineWeb簡介

FineWeb是由Hugging Face團隊于2024年推出的超大規(guī)模語言模型預(yù)訓(xùn)練數(shù)據(jù)集。作為目前最大的開源預(yù)訓(xùn)練數(shù)據(jù)集之一，F(xiàn)ineWeb數(shù)據(jù)集包含來自 CommonCrawl 的超過 15T 經(jīng)過清理和重復(fù)數(shù)據(jù)刪除的英文網(wǎng)絡(luò)數(shù)據(jù)。其高質(zhì)量的數(shù)據(jù)，有助于大語言模型穩(wěn)定平穩(wěn)的完成預(yù)訓(xùn)練，而不會發(fā)生由重復(fù)低質(zhì)數(shù)據(jù)引發(fā)的Loss Spike。

Link: https://huggingface.co/datasets/HuggingFaceFW/fineweb

本文使用FineWeb數(shù)據(jù)集的sample-10BT子集作為GPT-2的預(yù)訓(xùn)練數(shù)據(jù)集。

三，開發(fā)環(huán)境準(zhǔn)備

本文的開發(fā)環(huán)境依賴PaddlePaddle、PaddleNLP、datasets和tqdm。

首先，請安裝PaddlePaddle框架：

pip install paddlepaddle

然后，安裝其它依賴項：

pip install paddlenlp datasets tqdm

四，代碼實現(xiàn)

用PaddleNLP將FineWeb數(shù)據(jù)集進行分詞化處理，然后轉(zhuǎn)換為大語言模型能直接使用的二進制數(shù)據(jù)的關(guān)鍵步驟有：

1．從HuggingFace Hub加載fineweb數(shù)據(jù)集的10B樣本子集；

2．使用train_test_split按比例分割訓(xùn)練集和驗證集；

3．對每個文本進行編碼，添加結(jié)束符eot_token，返回ids和len；

4．為訓(xùn)練集和驗證集分別創(chuàng)建.bin文件，使用np.memmap高效寫入。

關(guān)鍵代碼如下所示：

完整范例代碼請參見：

https://aistudio.baidu.com/projectdetail/8798975

運行成功后，可以得到如下兩個文件：

五，總結(jié)

PaddleNLP好學(xué)易用，借助PaddleNLP的GPTTokenizer很容易實現(xiàn)FineWeb數(shù)據(jù)集的分詞化，并轉(zhuǎn)換為方便大模型預(yù)訓(xùn)練的二進制數(shù)據(jù)！

如果你有更好的文章，歡迎投稿！

稿件接收郵箱：nami.liu@pasuntech.com

更多精彩內(nèi)容請關(guān)注“算力魔方?”！

審核編輯 黃宇