如何开始定制你自己的大型语言模型
source link: https://www.51cto.com/article/784993.html
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
如何开始定制你自己的大型语言模型
2023年的大型语言模型领域经历了许多快速的发展和创新，发展出了更大的模型规模并且获得了更好的性能，那么我们普通用户是否可以定制我们需要的大型语言模型呢？
2023年的大型语言模型领域经历了许多快速的发展和创新，发展出了更大的模型规模并且获得了更好的性能，那么我们普通用户是否可以定制我们需要的大型语言模型呢？
首先你需要有硬件的资源，对于硬件来说有2个路径可以选。高性能和低性能，这里的区别就是是功率，因为精度和消息长度直接与参数计数和GPU功率成比例。
定制语言模型的目标应该是在功能和成本之间取得平衡。只有知道自己的需求和环境，才能够选择响应的方案。因为无论你计划如何训练、定制或使用语言模型，都是要花钱的。你能做的唯一免费的事情就是使用一个开源的语言模型。
无论是租用的云GPU还是在购买的GPU都无关紧要。因为我们使用的库和代码是通用的，这里关键的区别在于价格。
高性能模型
我们这里定义的高性能模型的参数至少有25B+
如果想要好一些的模型，40B+才可以，如上图所示。
但是模型参数大意味着需要更多的预算，下面我们看看如果需要使用这个模型需要什么样的GPU。48GB VRAM每月600+美元，如果希望使用远程服务器创建自己的高性能LLM，那么这将是最低的成本。
如果我们要购买这个GPU，则需要大概5000美元：
所以如果你想选择高性能的模型，这个是最低的预算了，下面我们看看如果我们不太看重性能，或者只想进行学习，我们应该怎么选择。
低性能模型
我们可以以更便宜的价格使用性能较低的模型。但是要记住，任何低于7B的参数都可以不考虑，因为目前来看0.5B到4B参数对于测试、开发模型和微调来说是很好的，但对于实际使用来说效果很差，所以建议最少使用7B参数。
对于较低的7B模型，我认为你至少需要12GB的VRAM。理想情况下，最好有大约20GB的VRAM。
这种GPU我们就可以直接购买了，因为如果使用云GPU的话就不太值。
让我们看看价格:
最便宜的12GB的3060不到美元。在家里做个开发，或者玩玩你游戏都可以，不过我还是建议16G以上的GPU，这样用起来更方便一些。
比如这个4060ti，450美元，我这里就把它当作入门的最低配置了
有了GPU，下一步就是训练了，一般情况下transformers 都为我们准备好了，我们只需要准备好数据集即可。
首先加载模型：
HuggingFace的transformers 库已经将方法全部封装好了，我们只要按照文档调用即可。如果你想深入学习，可以在使用transformer库一段时间后，切换到纯PyTorch或开始更详细地了解如何训练模型。
然后我们需要定义数据集，创建一个 Dataset 类来加载您的训练数据和验证数据。这里是一个简单的示例：
class TextDataset(Dataset):
def __init__(self, tokenizer, data_file, block_size=128):
self.examples = []
with open(data_file, 'r', encoding='utf-8') as f:
lines = f.readlines()
for line in lines:
line = line.strip()
tokenized_text = tokenizer.convert_tokens_to_ids(tokenizer.tokenize(line))
for i in range(0, len(tokenized_text) - block_size + 1, block_size):
self.examples.append(tokenizer.build_inputs_with_special_tokens(tokenized_text[i:i+block_size]))
def __len__(self):
return len(self.examples)
def __getitem__(self, idx):
return torch.tensor(self.examples[idx], dtype=torch.long)这里根据不同的目标可能有所不同
然后就是数据加载：
train_data_file = 'path_to_train_data.txt'
eval_data_file = 'path_to_eval_data.txt'
train_dataset = TextDataset(tokenizer, train_data_file)
eval_dataset = TextDataset(tokenizer, eval_data_file)
train_loader = DataLoader(train_dataset, batch_size=4, shuffle=True)
eval_loader = DataLoader(eval_dataset, batch_size=4, shuffle=False)定义训练参数
training_args = TrainingArguments(
output_dir='./results', # 训练结果的输出目录
num_train_epochs=3,
per_device_train_batch_size=4,
per_device_eval_batch_size=4,
logging_dir='./logs',
logging_steps=500,
save_steps=1000,
evaluation_strategy='steps',
eval_steps=500,
warmup_steps=500,
weight_decay=0.01,
logging_first_step=True,
load_best_model_at_end=True,
metric_for_best_model="loss",
)定义训练器和开始训练
trainer = Trainer(
model=model,
args=training_args,
data_collator=lambda data: torch.tensor(data).long(),
train_dataset=train_dataset,
eval_dataset=eval_dataset,
)
trainer.train()保存微调后的模型
model.save_pretrained("path_to_save_model")这样我们就根据自己的数据训练出了一个定制的模型
我们要使用或者看看我们的模型效果怎么样，这时就可以使用Ollama 和Open Web UI了
我们可以通过Ollama加载自定义模型，模型交付给Open Web UI，看起来像这样:
也就是说，我们把Ollama当作后端，Open Web UI作为前端，创建了一个类似chatgpt的聊天机器人。
虽然深度学习的感念抽象的，并且数学的原理学习起来非常的复杂，但是已经有现成的库、方法和框架，将这些概念汇总和抽象出来，我们只要会一些python的开发就可以直接拿来使用。
如果你想深入的学习，也可以从最顶层最抽象的部分开始，然后往下一步一步进行学习，这样就不会因为底层的概念太过复杂而放弃。
当然最后所有的基础是你需要有一块能够工作的GPU。
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK