GPT2从放弃到入门(二)

引言

本文介绍如何利用GPT2从零训练一个多轮对话聊天机器人,按照本文的思路可以轻松地训练自己的数据。

数据处理

⚠️ 这是本文的核心部分,其他的内容甚至可以不用看。

本小节阐述多轮对话数据的处理。

数据来自网上的一份开源数据:https://huggingface.co/datasets/BelleGroup/multiturn_chat_0.8M 。

这是一份中文的多轮对话数据集,共包含83万个对话,由ChatGPT产生的,可以用于做指令微调。数据的样例如下:

{
  "instruction": "Human:请根据题材「健身房」,写一篇800字的文章。\nAssistant:好的,以下是由我生成的800字「健身房」题材文章:\n在现代社会,人们越来越珍视健康和身材。健身房就是一个人们可以锻炼身体的场所,也是一个社交的场所。在健身房,人们可以通过器械训练,有氧运动和瑜伽等方式来达到健身的目的。\n对于喜欢力量训练的人来说,选择健身房的一个原因是因为那里的器械更加完备,可以满足训练的需求。当然,不仅仅是体力上的训练,健身房同样也是锻炼毅力和耐力的地方。因为每一次锻炼的过程都需要坚持和勇气。\n而对于那些想要减肥的人来说,健身房也是非常重要的。有氧运动比如慢跑,跳操,游泳等都是非常有效的减肥方式。而且因为健身房的压力比较大,所以很容易使人们保持锻炼的热情和动力。\n一些人则会选择瑜伽馆作为健身的场所,因为它们通常比较安静,能够让人们放松。瑜伽有纾解压力,提高柔韧性,强化肌肉的好处,而且更适合那些不喜欢高强度训练的人。\n总的来说,健身房和瑜伽馆是现代社会不可或缺的健身场所。无论您是力量训练爱好者,减肥追求者还是想要放松的人,您都可以在这里找到适合自己的锻炼方式。\nHuman:请从上文摘取三个句子进行打分。\nAssistant:",
  "input": "",
  "output": "好的。以下是我摘取的三个句子:\n1. \"在健身房,人们可以通过器械训练,有氧运动和瑜伽等方式来达到健身的目的。\"\n2. \"而对于那些想要减肥的人来说,健身房也是非常重要的。\"\n3. \"总的来说,健身房和瑜伽馆是现代社会不可或缺的健身场所。\"\n网页端评分界面还未准备好,不能在这里为你进行打分,请见谅。"
}

本来用于将instruction输入给大模型,微调大模型输出output部分。

我们这里将instructionoutput拼接在一起,并区分人类和AI助理的回答,即:

Human:请根据题材「健身房」,写一篇800字的文章。
Assistant:好的,以下是由我生成的800字「健身房」题材文章:\n在现代社会,人们越来越珍视健康和身材。健身房就是一个人们可以锻炼身体的场所,也是一个社交的场所。在健身房,人们可以通过器械训练,有氧运动和瑜伽等方式来达到健身的目的。\n对于喜欢力量训练的人来说,选择健身房的一个原因是因为那里的器械更加完备,可以满足训练的需求。当然,不仅仅是体力上的训练,健身房同样也是锻炼毅力和耐力的地方。因为每一次锻炼的过程都需要坚持和勇气。\n而对于那些想要减肥的人来说,健身房也是非常重要的。有氧运动比如慢跑,跳操,游泳等都是非常有效的减肥方式。而且因为健身房的压力比较大,所以很容易使人们保持锻炼的热情和动力。\n一些人则会选择瑜伽馆作为健身的场所,因为它们通常比较安静,能够让人们放松。瑜伽有纾解压力,提高柔韧性,强化肌肉的好处,而且更适合那些不喜欢高强度训练的人。\n总的来说,健身房和瑜伽馆是现代社会不可或缺的健身场所。无论您是力量训练爱好者,减肥追求者还是想要放松的人,您都可以在这里找到适合自己的锻炼方式。
Human:请从上文摘取三个句子进行打分。
Assistant: 好的。以下是我摘取的三个句子:\n1. \"在健身房,人们可以通过器械训练,有氧运动和瑜伽等方式来达到健身的目的。\"\n2. \"而对于那些想要减肥的人来说,健身房也是非常重要的。\"\n3. \"总的来说,健身房和瑜伽馆是现代社会不可或缺的健身场所。\"\n网页端评分界面还未准备好,不能在这里为你进行打分,请见谅。

现在问题来了,基于这种多轮对话语料,我们要如何训练模型呢?

一种直观的方法是和预训练任务一样,把它当成自回归预测任务,即自左向右地预测下一个token。如果是人类之间的闲聊还好,但这种人类和AI之间的对话感觉有点奇怪。

另一种方法就是和这个数据集设计的一样,给定一长串人类和AI的对话,希望模型输出最终AI的回复。问题也不大,就是感觉有点浪费,中间其实还有很多AI的回复。

在这两种方法之间取一个折中,就是本文要使用的方法。

我们将上面的对话抽象一下:

Human: utter 1
Assistant: utter 2
Human: utter 3
Assistant: utter 4

image-20240312154920769

如上图所示,我们希望模型仅预测橙色部分,不预测阴影部分,但需要将其视为上下文。

具体地,随着对话的进行。刚开始人类说了一句话:utter 1,模型以它为条件(上下文)输出 utter 2。人类又说了一句话:utter 3。模型此时的条件为Human: utter 1 Assistant: utter 2 Human: utter 3,即此时模型根据对话历史,包括人类和AI说的话,来预测它要说的下一句话。

在实现上,我们要告诉模型哪些是人类说的话,哪些是AI说的话,以及什么时候该结束,否则模型会一直生成下去。

因此,我们引入一些额外的token:<User><Assistant><BOS><EOS>,分别表示人类、AI、语句开始和语句结束。

首先,我们将人类和AI之间的多轮对话转换为:

<User>utter 1<EOS><Assistant>utter 2<EOS><User>utter 3<EOS><Assistant>utter 4<EOS>

然我,我们加入了角色信息和句子开头和结尾标记。

image-20240313105618445

注意这里utter 2utter 4这种是一个句子,为了简单用一个token表示,实际上是很多个token。

整个对话只有一个BOS,实际上可能改成BOC(begin of conversation)更合适一点;每个用户(人类)和AI所说的话后面都增加了一个EOS,让模型知道每句话的边界。

这里的Mask表示在计算损失可以忽略的部分,而不是BERT中的Mask标记。而GPT2源码中使用CrossEntropyLoss作为损失的计算函数,见:

if labels is not None:
    # move labels to correct device to enable model parallelism
    labels = labels.to(lm_logits.device)
    # Shift so that tokens < n predict n
    shift_logits = lm_logits[..., :-1, :].contiguous()
    shift_labels = labels[..., 1:].contiguous()
    # Flatten the tokens
    loss_fct = CrossEntropyLoss()
    loss = loss_fct(shift_logits.view(-1, shift_logits.size(-1)), shift_labels.view(-1))

CrossEntropyLoss包含一个ignore_index参数,表示所对应的token不会参与梯度更新,即不会计算损失,它的值默认为-100

*CLASS*torch.nn.CrossEntropyLoss(*weight=None*, *size_average=None*, *ignore_index=-100*, *reduce=None*, *reduction='mean'*, *label_smoothing=0.0*)

所以,如果我们能将上图的Mask部分的token id都替换为-100就可以让它们都不参与损失计算。

而我们真正关注的是AI的回复,这里是utter2和utter4部分。

而且从源码看,它也会做一个shift操作,所以我们在对话的开头增加了BOS。

❓ 我们如何实现将Mask部分替换为-100呢?需要自己编写代码吗?

其实不用,在HuggingFace有一个叫做trl的库,其中实现了DataCollatorForCompletionOnlyLM类可以帮我们完成这件事,这是一个用于指令微调的库,本节的内容也是受到了它的启发。它的代码也不长,我们一起来看一下(进行了简化):

class DataCollatorForCompletionOnlyLM(DataCollatorForLanguageModeling):
    """
    用于补全任务的数据收集器。确保所有不来自AI助手输出的lables的标记都设置为'ignore_index',以确保损失只计算AI助手回答的部分。

    Args:
        response_template (`Union[str, List[int]]`): 指示响应开头的模板形式,通常类似于'### Response:\n'。
        instruction_template (`Union[str, List[int]]`): 指示人类指令开头的模板形式,通常类似于'### Human:\n'。
        mlm (`bool`, *optional*, 默认为 `False`): 无意义,仅为了兼容。
        ignore_index (`int`, *optional*, 默认为 `-100`):  要忽略的标记的索引

    """

    def __init__(
        self,
        response_template: Union[str, List[int]],
        instruction_template: Optional[Union[str, List[int]]] = None,
        *args,
        mlm: bool = False,
        ignore_index: int = -100,
        **kwargs,
    ):
        super().__init__(*args, mlm=mlm, **kwargs)

        self.instruction_template = instruction_template
        if isinstance(instruction_template, str):
            # 用户提供的是一个字符串,必须进行分词
            # 我们这里是<User> token对应的token_id
            self.instruction_token_ids = self.tokenizer.encode(self.instruction_template, add_special_tokens=False)
        else:
            # 用户已经提供了分词后的ids
            self.instruction_token_ids = instruction_template

        self.response_template = response_template
        if isinstance(response_template, str):
            # 我们这里是<Assistant> token对应的token_id
            self.response_token_ids = self.tokenizer.encode(self.response_template, add_special_tokens=False)
        else:
            self.response_token_ids = response_template
		# 记录忽略token的token_id
        self.ignore_index = ignore_index

   def torch_call(self, examples: List[Union[List[int], Any, Dict[str, Any]]]) -> Dict[str, Any]:
    	# 调用父类(DataCollatorForLanguageModeling)的torch_call得到进行了填充后的tensor
        # 并且已经把<pad> token_id 替换为 -100
        batch = super().torch_call(examples)

        # 遍历批次内的每个样本
        for i in range(len(examples)):
            # 每个元素都是<Assistant>下一个token的index(列表中的索引,不是token id)
            # 下一个token是为了忽略<Assistant>本身这个token
            response_token_ids_idxs = []
            # 每个元素都是<User> token的index
            human_token_ids_idxs = []
			
            for assistant_idx in np.where(batch["labels"][i] == self.response_token_ids[0])[0]:
              	# 找到所有为 <Assistant> token_id的索引
                if (
                    self.response_token_ids
                    == batch["labels"][i][assistant_idx : assistant_idx + len(self.response_token_ids)].tolist()
                ):
                    # <Assistant>的下一个token位置
                    response_token_ids_idxs.append(assistant_idx + len(self.response_token_ids))

            human_token_ids = self.instruction_token_ids
            for human_idx in np.where(batch["labels"][i] == human_token_ids[0])[0]:
                if human_token_ids == batch["labels"][i][human_idx : human_idx + len(human_token_ids)].tolist():
                    # <User> token的位置
                    human_token_ids_idxs.append(human_idx)

            if (
                len(human_token_ids_idxs) > 0
                and len(response_token_ids_idxs) > 0
                and human_token_ids_idxs[0] > response_token_ids_idxs[0]
            ):
                # 如果对话由AI开始
                human_token_ids_idxs = [0] + human_token_ids_idxs
			# 遍历<User>和<Assistant>下一个token之间的位置
            for idx, (start, end) in enumerate(zip(human_token_ids_idxs, response_token_ids_idxs)):
				# 不是第一个
                if idx != 0:
                    batch["labels"][i, start:end] = self.ignore_index
                else:
                    # 第一个则 让第i个样本到end(不包括)
                    batch["labels"][i, :end] = self.ignore_index

    	return batch

举一个故意设计的例子,有一段这样的对话:

[
"你好", # Human
"您好!请说", # AI
"我今天不开心", # Human
"哈哈。" # AI
]

经过处理后(增加了特殊token)变成:

<BOS> <User> 你 好 <EOS> <Assistant> 您 好 ! 请 说 <EOS> <User> 我 今 天 不 开 心 <EOS> <Assistant> 哈 哈 。 <EOS>

假设:

bos token id 21128
eos token id 21129
user token id 21131
bot token id 21130
pad token id 0

所以经过编码后我们得到的token id列表为:

[21128, 21131,   872,  1962, 21129, 21130,  2644,  1962,  8013,  6435,
          6432, 21129, 21131,  2769,   791,  1921,   679,  2458,  2552, 21129,
         21130,  1506,  1506,   511, 21129,     0,     0]

最后的两个0模拟填充后的结果,它也会被替换成忽略token id:

[21128, 21131,   872,  1962, 21129, 21130,  2644,  1962,  8013,  6435,          6432, 21129, 21131,  2769,   791,  1921,   679,  2458,  2552, 21129,         21130,  1506,  1506,   511, 21129,  -100,  -100]

然后找到所有<User><Assistant>token的位置:

human_token_ids_idxs: [1, 12]
response_token_ids_idxs: [6, 21]

为了更好理解,我们把token id转回token:

<BOS> <User> 你 好 <EOS> <Assistant> 您 好 ! 请 说 <EOS> <User> 我 今 天 不 开 心 <EOS> <Assistant> 哈 哈 。 <EOS> <Ignore> <Ignore>

根据上面的代码,会变成:

<Ignore> <Ignore>  <Ignore>  <Ignore>  <Ignore>  <Ignore>  您 好 ! 请 说 <EOS> <Ignore> <Ignore> <Ignore> <Ignore> <Ignore> <Ignore> <Ignore> <Ignore> <Ignore> 哈 哈 。 <EOS> <Ignore> <Ignore>

这里的<Ignore>表示token_id为-100,实际上没有这个token,为了好理解。

通过这种方式,可以高效地训练AI助手的对话,仅所有AI助手说的话参与了梯度更新。其中包括<EOS>,让AI知道什么时候停下来。

分词器

由于GPT的分词器不适用于中文,因为它是BBPE,字节级别的BPE,生成的中文基本是乱码。

那么就得使用其他分词器,比如可以通过sentencepiece去训练自己的分词器,但是需要大量的文本数据。或者使用别人训练好的。本文我们选择bert-base-chinese分词器。

def save_tokenizer(
    vocab_path,
    model_name="gpt2-chatbot-chinese",
    bos_token="<BOS>",
    eos_token="<EOS>",
    bot_token="<Assistant>",
    user_token="<User>",
):
    tokenizer = BertTokenizerFast(vocab_file=vocab_path, model_max_length=1024)
    special_tokens = {
        "bos_token": bos_token,
        "eos_token": eos_token,
        "additional_special_tokens": [bot_token, user_token],
    }
    tokenizer.add_special_tokens(special_tokens)

    tokenizer.save_pretrained(model_name)


if __name__ == "__main__":
    # The vocab.txt was downlowned from https://huggingface.co/google-bert/bert-base-chinese/blob/main/vocab.txt .
    save_tokenizer(
        "./vocab.txt",
        model_name=train_args.tokenizer_name,
        bos_token=train_args.bos_token,
        eos_token=train_args.eos_token,
        bot_token=train_args.bot_token,
        user_token=train_args.user_token,
    )

我们从 https://huggingface.co/google-bert/bert-base-chinese/blob/main/vocab.txt 下载该分词器的词表文件,然后增加一些我们需要用到的特殊token,最后保存这个分词器到本地gpt2-chatbot-chinese目录下。

在该目录下的added_tokens.json文件中包含新增token和对应的id:

{
  "<Assistant>": 21130,
  "<BOS>": 21128,
  "<EOS>": 21129,
  "<User>": 21131
}

我们可以写到配置类中:

@dataclass
class TrainArguments:
    dataset_name: str = "chichat_dataset"
    bos_token: str = "<BOS>"
    eos_token: str = "<EOS>"
    bot_token: str = "<Assistant>"
    user_token: str = "<User>"
    bos_token_id: int = 21128
    eos_token_id: int = 21129
    bot_token_id: int = 21130
    user_token_id: int = 21131
    ignore_index: int = -100

构建数据集

from transformers import BertTokenizerFast, AutoTokenizer
from datasets import Dataset, DatasetDict, load_dataset


import pickle
import os
import re
from tqdm import tqdm
# 上面的配置类
from config import train_args
from log import logger


def get_dataset(source_dataset, tokenizer, args):
    """
    The format we need  is `<BOS><User>utterance1<EOS><Assistant>utterance2<EOS><User>utterance3<EOS><Assistant>utterance4<EOS>`
    """
    dialogues = []

    for example in tqdm(source_dataset["train"]):
        record = example["instruction"] + example["output"]
        utterances = re.split(r"(Human:|Assistant:)", record)

        utterances = [
            x.strip()
            for x in utterances
            if x.strip() not in ["Human:", "Assistant:", ""]
        ]
        dialogues.append(utterances)

    logger.info(f"There are {len(dialogues)} dialogues.")

    print(dialogues[0])

    conversation_list = []

    for utterances in tqdm(dialogues):
        # 每个对话以BOS开头
        input_ids = [args.bos_token_id]
        for turn, utterance in enumerate(utterances):
            if turn % 2 == 0:
                input_ids += (
                    [args.user_token_id]
                    + tokenizer.encode(utterance, add_special_tokens=False)
                    + [args.eos_token_id]
                )
            else:
                input_ids += (
                    [args.bot_token_id]
                    + tokenizer.encode(utterance, add_special_tokens=False)
                    + [args.eos_token_id]
                )
		# 不能超过model_max_length
        if len(input_ids) <= tokenizer.model_max_length:
            conversation_list.append(input_ids)

    tokenized_datasets = Dataset.from_dict({"input_ids": conversation_list})
    tokenized_datasets = tokenized_datasets.with_format("torch")
	# 数据集拆分
    train_valid = tokenized_datasets.train_test_split(test_size=args.valid_size)
    tokenized_datasets = DatasetDict(
        {
            "train": train_valid["train"],
            "valid": train_valid["test"],
        }
    )

    tokenized_datasets.save_to_disk(args.dataset_name)

    print(tokenized_datasets)

    return tokenized_datasets


if __name__ == "__main__":
    # 上面保存的分词器
    tokenizer = AutoTokenizer.from_pretrained("gpt2-chatbot-chinese")
    # 我们针对该数据集进行处理,转换成想要的格式
    source_dataset = load_dataset("BelleGroup/multiturn_chat_0.8M")
    # 获取数据集,并保存到磁盘
    get_dataset(source_dataset, tokenizer, train_args)

这个过程比较耗时,大约10多分钟,不过数据集构建好之后可以一直复用。

$ python .\data_process.py
Special tokens have been added in the vocabulary, make sure the associated word embeddings are fine-tuned or trained.
100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 831036/831036 [00:40<00:00, 20539.42it/s] 
2024-03-14 19:41:39 - INFO - root - There are 831036 dialogues.
['你好,你能帮我解答一个问题吗?', '当然,请问有什么问题?', '我想了解人工智能的未来发展方向,你有什么想法吗?', '人工智能在未来的发展方向可能包括更强大的机器学习算法,更先进的自然语言处理技术,以及更 
加智能的机器人。此外,人工智能还可以帮助解决许多现实世界的问题,例如自动化和改善医疗保健等领域。', '听起来很不错。人工智能可能在哪些方面面临挑战呢?', '人工智能面临的挑战包括数据隐私、安全和道德方面的 
问题,以及影响就业机会的自动化等问题。此外,人工智能可能会带来不平等和歧视风险,这也是需要关注的问题。']
  1%|█▌                                                                                                                                                         | 8484/831036 [00:07<12:14, 1119.32it/s]Token indices sequence length is longer than the specified maximum sequence length for this model (1042 > 1024). Running this sequence through the model will result in indexing errors
100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 831036/831036 [13:14<00:00, 1045.42it/s] 
Saving the dataset (3/3 shards): 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████| 787723/787723 [00:05<00:00, 148342.40 examples/s]
Saving the dataset (1/1 shards): 100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 41460/41460 [00:00<00:00, 296245.05 examples/s]
DatasetDict({
    train: Dataset({
        features: ['input_ids'],
        num_rows: 787723
    })
    valid: Dataset({
        features: ['input_ids'],
        num_rows: 41460
    })
})

可以看到,它有83W+对话,数据量还是挺大的。

完了之后,它会保存到chichat_dataset目录下。

开始训练

本节我们使用Transformers官方的GPT2来训练,我们马上会看到通过HuggingFace相关工具训练很简单。

训练之前我们要定义一些参数,统一放到TrainArguments类中:

from dataclasses import dataclass


@dataclass
class TrainArguments:
    batch_size: int = 4
    weight_decay: float = 1e-1
    epochs: int = 10
    warmup_steps: int = 4000
    learning_rate: float = 5e-5 # 似乎还可以大一点
    logging_steps = 100
    gradient_accumulation_steps: int = 4
    max_grad_norm: float = 2.0
    use_wandb: bool = True
    from_remote: bool = False
    dataset_name: str = "chichat_dataset"
    valid_size: float = 0.05
    model_name: str = "gpt2-chatbot-chinese"
    tokenizer_name: str = "gpt2-chatbot-chinese"
    owner: str = "greyfoss"
    device: str = 0
    bos_token: str = "<BOS>"
    eos_token: str = "<EOS>"
    bot_token: str = "<Assistant>"
    user_token: str = "<User>"
    bos_token_id: int = 21128
    eos_token_id: int = 21129
    bot_token_id: int = 21130
    user_token_id: int = 21131
    ignore_index: int = -100


train_args = TrainArguments()

其中batch_size=4,如果你的显卡比较好,还可以尝试调大一点。

gradient_accumulation_steps=4,即每个批大小实际上为16,这里用的是单卡来训练。一共训练了10轮,每轮要7、8个小时左右,所有没有怎么调参,能达到怎样的效果就怎样。

from transformers import (
    GPT2LMHeadModel,
    GPT2Config,
    BertTokenizerFast,
)

from trl import DataCollatorForCompletionOnlyLM

from transformers import Trainer, TrainingArguments
from datasets import load_from_disk

import torch

import os

from config import train_args



def main():
    tokenizer = BertTokenizerFast.from_pretrained("gpt2-chatbot-chinese")

    tokenized_datasets = load_from_disk(train_args.dataset_name)
	# 修改默认的属性
    model_config = GPT2Config(
        vocab_size=len(tokenizer),
        bos_token_id=tokenizer.bos_token_id,
        eos_token_id=tokenizer.eos_token_id,
    )
	# 从零开始训练
    model = GPT2LMHeadModel(model_config)

    device = torch.device(
        f"cuda:{train_args.device}" if torch.cuda.is_available() else "cpu"
    )

    model.to(device)
	# 定义训练参数
    args = TrainingArguments(
        output_dir="gpt2-chatbot-chinese-output",
        per_device_eval_batch_size=train_args.batch_size,
        per_device_train_batch_size=train_args.batch_size,
        evaluation_strategy="steps",
        eval_steps=2000,
        save_steps=2000,
        # report_to="none",
        gradient_accumulation_steps=train_args.gradient_accumulation_steps,
        num_train_epochs=train_args.epochs,
        weight_decay=train_args.weight_decay,
        warmup_steps=train_args.warmup_steps,
        max_grad_norm=train_args.max_grad_norm,
        lr_scheduler_type="linear",
        learning_rate=train_args.learning_rate,
        save_strategy="epoch", # 按epoch来保存
        fp16=False,
        push_to_hub=False,
    )
	# 通过DataCollatorForCompletionOnlyLM对数据集进行处理
    response_template = train_args.bot_token
    instruction_template = train_args.user_token
    data_collator = DataCollatorForCompletionOnlyLM(
        instruction_template=instruction_template,
        response_template=response_template,
        tokenizer=tokenizer,
        ignore_index=train_args.ignore_index, # -100
    )

    out = data_collator([tokenized_datasets["train"][i] for i in range(2)])
    for key in out:
        print(f"{key} shape : {out[key].shape}")

    print(tokenizer.batch_decode(out["input_ids"]))

    print(out)
	# 定义训练器
    trainer = Trainer(
        model=model,
        tokenizer=tokenizer,
        args=args,
        data_collator=data_collator,
        train_dataset=tokenized_datasets["train"],
        eval_dataset=tokenized_datasets["valid"],
    )
	# 开始训练
    trainer.train()
	# 训练结束,保存最终模型
    trainer.save_model("gpt2-chatbot-chinese-output-finished")


if __name__ == "__main__":
    if not train_args.use_wandb:
        os.environ["WANDB_DISABLED"] = "true"

    main()

input_ids shape : torch.Size([2, 247])
attention_mask shape : torch.Size([2, 247])
labels shape : torch.Size([2, 247])
['<BOS> <User> 生 成 三 个 关 于 夏 天 的 词 汇 。 <EOS> <Assistant> 夏 天 可 以 让 人 联 想 到 阳 光 、 海 滩 和 冰 淇 淋 。 <EOS> <User> 给 我 谷 歌 搜 索 王 菲 的 资 料 。 <EOS> <Assistant> 好 的 , 您 可 以 在 谷 歌 上 找 到 许 多 王 菲 的 资 料 , 包 括 她 的 音 乐 作 品 、 演 唱 会 记 录 和 个 人 生 活 等 。 <EOS> <User> 简 单 介 绍 一 下 量 子 计 算 机 。 <EOS> <Assistant> 量 子 计 算 机 是 一 种 基 于 量 子 力 学 原 理 的 计 算 机 , 它 的 工 作 原 理 不 同 于 传 统 的 二 进 制 计 算 机 。 它 利 用 量 子 叠 加 和 纠 缠 等 特 性 来 进 行 计 算 , 因 此 具 有 高 效 、 快 速 、 并 行 计 算 等 特 点 。 <EOS> <User> 谈 一 下 自 己 对 未 来 的 规 划 。 <EOS> <Assistant> 作 为 一 个 ai 语 言 模 型 , 我 没 有 自 己 的 规 划 。 不 过 , 我 希 望 能 够 继 续 学 习 和 改 进 , 以 更 好 地 为 人 类 服 务 。 <EOS>', '<BOS> <User> 生 成 一 个 笑 话 。 <EOS> <Assistant> 为 什 么 海 绵 宝 宝 不 叫 海 绵 bob ? 因 为 他 是 个 方 头 方 脑 的 ! <EOS> <User> 再 来 一 个 。 <EOS> <Assistant> 好 的 , 为 什 么 笑 话 猪 肉 可 以 营 养 丰 富 ? 因 为 它 有 [UNK] 瘦 肉 精 [UNK] ! <EOS> <User> 不 太 好 笑 , 可 以 换 个 题 材 吗 ? <EOS> <Assistant> 当 然 , 你 想 听 听 有 关 动 物 、 科 技 还 是 其 他 方 案 的 笑 话 ? <EOS> <User> 动 物 方 面 的 好 了 。 <EOS> <Assistant> 好 的 , 为 什 么 松 鼠 很 少 生 病 ? 因 为 他 们 拥 有 坚 果 医 生 ! <EOS> [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD] [PAD]']
{'input_ids': tensor([[21128, 21130,  4495,  2768,   676,   702,  1068,   754,  1909,  1921,
...
  0%|          | 2000/492320 [19:24<73:20:03,  1.86it/s]{'loss': 7.9753, 'learning_rate': 6.25e-06, 'epoch': 0.01}
...

这里打印了一下数据收集器的结果,确保没问题。

推理

本节直接展示一下推理的效果,下篇文章介绍如何实现这种效果。

image-20240321130652168

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/475791.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

【c++入门】命名空间,缺省参数与函数重载

&#x1f525;个人主页&#xff1a; Quitecoder &#x1f525;专栏&#xff1a;c笔记仓 朋友们大家好&#xff01;本篇内容我们进入一个新的阶段&#xff0c;进入c的学习&#xff01;希望我的博客内容能对你有帮助&#xff01; 目录 1.c关键字2.第一个c代码3.命名空间3.1 nam…

Linux - 线程互斥和互斥锁

文章目录 前言一、为什么要线程互斥原子性 二、互斥锁互斥锁的创建与销毁互斥锁进行互斥 前言 前几节课&#xff0c;我们学习了多线程的基础概念&#xff0c;这节课&#xff0c;我们来对线程互斥和互斥锁的内容进行学习。 一、为什么要线程互斥 首先我们要明白&#xff0c;对…

AOP切面编程

1.基本概念&#xff1a; AOP&#xff08;Aspect-Oriented Programming&#xff0c;面向切面编程&#xff09;&#xff0c;跟oop面向过程编程相对&#xff0c;AOP一般用于将公共逻辑和业务逻辑进行拆分&#xff0c;可以减少代码间的耦合性。 有道翻译&#xff1a;AOP—面向切面…

jsp2024.3.21(4) html基础

一、实验目的 1、html 文件的基本结构&#xff1b; 2、html 的常用标记&#xff1b; <HTML> <HEAD> …… </HEAD> <BODY> …… </BODY> </HTML> 二、实验项目内容&#xff08;实验题目&#xff09; HTML常用标记 1&#xff0e;<…

C语言数据在内存中的存续:一篇文章让你秒懂基础!

JAMES别扣了-CSDN博客 &#x1f495;在校大学生一枚。对IT有着极其浓厚的兴趣 ✨系列专栏目前为C语言初阶、后续会更新c语言的学习方法以及c题目分享. &#x1f60d;希望我的文章对大家有着不一样的帮助&#xff0c;欢迎大家关注我&#xff0c;我也会回关&#xff0c;大家一起交…

LeetCode 热题 100 | 堆(一)

目录 1 什么是堆排序 1.1 什么是堆 1.2 如何构建堆 1.3 举例说明 2 215. 数组中的第 K 个最大元素 2.1 子树大根化 2.2 遍历所有子树 2.3 弹出栈顶元素 2.4 完整代码 菜鸟做题&#xff0c;语言是 C 1 什么是堆排序 1.1 什么是堆 堆的定义和分类&#xff…

为什么Hashtable不允许插入nuIl键和null值?

1、典型回答 浅层次的来回答这个问题的答案是&#xff0c;JDK 源码不支持 Hashtable 插入 value 值为 null&#xff0c;如以下 JDK 源码所示&#xff1a; 也就是 JDK 源码规定了&#xff0c;如果你给 Hashtable 插入 value 值为 null 就会抛出空指针异常。 并且看上面的 JDK …

如何搭建DolphinScheduler服务并结合内网穿透公网远程任务调度

文章目录 前言1. 安装部署DolphinScheduler1.1 启动服务 2. 登录DolphinScheduler界面3. 安装内网穿透工具4. 配置Dolphin Scheduler公网地址5. 固定DolphinScheduler公网地址 前言 本篇教程和大家分享一下DolphinScheduler的安装部署及如何实现公网远程访问&#xff0c;结合内…

Stable Diffusion WebUI 生成参数:宽度/高度/生成批次/每批数量/提示词相关性/随机种子

本文收录于《AI绘画从入门到精通》专栏&#xff0c;专栏总目录&#xff1a;点这里。 大家好&#xff0c;我是水滴~~ 本文将继续了解 Stable Diffusion WebUI 的生成参数&#xff0c;主要内容有&#xff1a;宽度、高度、生成批次、每批数量、提示词相关性、随机种子。希望能对你…

大模型主流微调训练方法总结 LoRA、Adapter、Prefix-tuning、P-tuning、Prompt-tuning 并训练自己的数据集

大模型主流微调训练方法总结 LoRA、Adapter、Prefix-tuning、P-tuning、Prompt-tuning 概述 大模型微调(finetuning)以适应特定任务是一个复杂且计算密集型的过程。本文训练测试主要是基于主流的的微调方法:LoRA、Adapter、Prefix-tuning、P-tuning和Prompt-tuning,并对…

STM32驱动CC1101时的正确配置和一些遇到的坑

项目背景 由于项目需要用到CC1101-Q1,所以买了CC1101的模块和驱动底板,插电脑上一发一收。串口调试助手查看接收端的数据,测试正常。 然后想用STM32来驱动其中的一块CC1101模块作为发送端,和另一个买来的接收端测试通信。找到一份STM32驱动CC1101Demo代码,分为软件模拟S…

Certum代码签名证书

代码签名证书是一种数字证书&#xff0c;用于验证软件开发者身份和保证软件完整性的技术。它的作用在于确保软件在传输和安装过程中没有被篡改或损坏&#xff0c;并且确认软件来自可信的开发者。通过代码签名证书&#xff0c;用户可以更放心地下载和安装软件&#xff0c;降低安…

【Linux】文件描述符 - fd

文章目录 1. open 接口介绍1.1 代码演示1.2 open 函数返回值 2. 文件描述符 fd2.1 0 / 1 / 22.2 文件描述符的分配规则 3. 重定向3.1 dup2 系统调用函数 4. FILE 与 缓冲区 1. open 接口介绍 使用 man open 指令查看手册&#xff1a; #include <sys/types.h> #include …

AI系统性学习06—开源中文语言大模型

1、ChatGLM ChatGLM-6B的github地址&#xff1a;https://github.com/THUDM/ChatGLM-6B ChatGLM-6B 是一个开源的、支持中英双语的对话语言模型&#xff0c;基于 General Language Model (GLM) 架构&#xff0c;具有 62 亿参数。结合模型量化技术&#xff0c;用户可以在消费级…

透视未来工厂:山海鲸可视化打造数字孪生新篇章

在信息化浪潮的推动下&#xff0c;数字孪生工厂项目正成为工业制造领域的新宠。作为一名山海鲸可视化的资深用户&#xff0c;我深感其强大的数据可视化能力和数字孪生技术在工厂管理中的应用价值&#xff0c;同时我们公司之前也和山海鲸可视化合作制作了一个智慧工厂项目&#…

OceanBase生产环境安装部署的最优实践

关于生产环境&#xff0c;为了尽量确保性能和稳定性&#xff0c;我们比较建议采用标准化的配置进行部署&#xff0c;例如接下来会提到的服务初始化、日志管理和数据分盘等关键步骤。而在非生产环境中&#xff0c;如果条件满足&#xff0c;同样建议遵循规范部署的原则。 前期准备…

项目实战-开发工具入门/基本框架搭建/项目初始化/引入组件库

上周更新完了之前vue3的shopping项目&#xff0c;接下来&#xff0c;将会开启一个新的项目&#xff0c;效果是类似于移动端的一个伙伴匹配项目&#xff0c;今天这篇文章从需求分析到架构设计再到项目初始化&#xff0c;基本框架搭建几个部分来为大家详细介绍。 从这个项目开始…

YOLOV5 改进:替换backbone为Swin Transformer

1、前言 本文会将YOLOV5 backbone更换成Swin Transformer 具体为什么这样实现参考上文:YOLOV5 改进:替换backbone(MobileNet为例)-CSDN博客 这里只贴加入的代码 训练结果如下: 2、common文件更改 在common文件中加入下面代码: 这里是swin transformer的实现,参考:…

VMware部署银河麒麟遇到的问题记录

1. 解决VMware Workstation安装VMware Tools显示灰色的办法 1.关闭虚拟机; 2.在虚拟机设置分别设置CD/DVD、CD/DVD2和软盘为自动检测三个步骤; 3.再重启虚拟机,灰色字即点亮。 2.Linux安装vmTool

Pytest接口自动化测试框架搭建模板

auto_api_test 开发环境: Pycharm 开发语言&版本: python3.7.8 测试框架: Pytest、测试报告: Allure 项目源码Git地址 项目目录结构 api – 模仿PO模式, 抽象出页面类, 页面类内包含页面所包含所有接口, 并封装成方法可供其他模块直接调用config – 配置文件目录data…