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
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
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。
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。
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。
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。
主要使用bell open source的数据集。感谢大佬BELLE。
SFT训练的数据格式如下：
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。
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。
模型权重huggingface仓库：Phi2-Chinese-0.2B
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)##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。具体代码见rag_with_langchain.ipynb
如果你觉得本项目对你有所帮助，欢迎引用。
@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}},
}
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。