使用gpt2-medium基座说明模型微调

预训练与微调的背景

预训练：在大规模数据集上训练模型，以捕捉通用的特征和模式。例如，GPT-2 模型在大量文本上进行训练，学习语言的基本结构和语法。
微调：在特定领域或任务的数据上对预训练模型进行训练，以使其更好地适应特定需求。微调通常需要的数据量少于从头开始训练模型所需的数据量。

微调的过程

微调过程通常包括以下几个步骤：

选择预训练模型：选择一个适合任务的预训练模型，通常根据模型在相似任务上的表现来决定。
准备数据：收集并清洗与目标任务相关的数据，确保数据的质量和代表性。
调整模型参数：
- 学习率：微调时通常使用较小的学习率，因为模型已经在大规模数据上学习到了丰富的特征，微调的目的是精细调整这些特征。
- 冻结部分层：在某些情况下，可以选择冻结预训练模型的某些层，只训练后面的几层，以避免破坏已经学习到的知识。
训练过程：使用特定任务的数据对模型进行训练，计算损失并进行反向传播，以更新模型参数。
评估与优化：在验证集上评估模型性能，根据需要调整超参数或训练策略，直到达到满意的结果。

下面使用gpt2-medium 来说明

import torch
import tqdm
from transformers import GPT2LMHeadModel, GPT2Tokenizer
from torch.utils.data import Dataset, DataLoadernum_epochs=1000
# 设置设备
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")# 加载预训练模型和tokenizer
model_name = "gpt2-medium"
tokenizer = GPT2Tokenizer.from_pretrained(model_name)
model = GPT2LMHeadModel.from_pretrained(model_name)
model.to(device)# 定义微调数据集
class CustomDataset(Dataset):def __init__(self, data):self.input_ids = datadef __len__(self):return len(self.input_ids)def __getitem__(self, index):return torch.tensor(self.input_ids[index])training = False
if training:# 加载和处理数据train_data = ['我家门前有两棵树,一棵是枣树,另一棵也是枣树。']  # 微调用的训练数据tokenizer.pad_token = tokenizer.eos_tokentokenizer.add_special_tokens({'pad_token': '[PAD]'})train_encodings = tokenizer(train_data, truncation=True, padding=True)train_dataset = CustomDataset(train_encodings["input_ids"])train_dataloader = DataLoader(train_dataset, batch_size=4, shuffle=True)# 设置优化器optimizer = torch.optim.AdamW(model.parameters(), lr=1e-5)# 微调模型model.train()for id, epoch in enumerate(tqdm.tqdm(range(num_epochs))):for batch in train_dataloader:input_ids = batch.to(device)model.zero_grad()outputs = model(input_ids, labels=input_ids)loss = outputs.lossloss.backward()optimizer.step()# 保存微调后的模型model.save_pretrained("data/nlp_model")tokenizer.save_pretrained("data/nlp_model")if not training:# 加载微调后的模型和tokenizermodel_name = "data/nlp_model"  # 微调后模型的路径tokenizer = GPT2Tokenizer.from_pretrained(model_name)model = GPT2LMHeadModel.from_pretrained(model_name)# 设置设备device = torch.device("cuda" if torch.cuda.is_available() else "cpu")model.to(device)# 生成文本prompt = "门前有树是我家的"input_ids = tokenizer.encode(prompt, return_tensors="pt").to(device)# 生成对应的 attention maskattention_mask = (input_ids != 0).int()output = model.generate(input_ids, max_length=100, num_return_sequences=1, attention_mask=attention_mask)generated_text = tokenizer.decode(output[0], skip_special_tokens=True)print("Generated Text:")print(generated_text)

代码展示了如何使用 PyTorch 和 Hugging Face 的 Transformers 库微调一个预训练的 GPT-2 模型，具体是 gpt2-medium 版本，并使用中文文本进行训练和生成任务。以下是代码的详细解释和模型微调的技术要点。

代码解释

导入所需的库：
```
import torch
import tqdm
from transformers import GPT2LMHeadModel, GPT2Tokenizer
from torch.utils.data import Dataset, DataLoader
```
这部分代码导入了 PyTorch、进度条库 tqdm、Hugging Face 的 Transformers 库中的模型和 tokenizer，以及 PyTorch 的数据集和数据加载器工具。
设置设备：
```
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
```
检测是否有可用的 GPU，如果有，则使用 GPU。

加载模型和 tokenizer：

model_name = "gpt2-medium"
tokenizer = GPT2Tokenizer.from_pretrained(model_name)
model = GPT2LMHeadModel.from_pretrained(model_name)
model.to(device)

加载预训练的 GPT-2 模型和相应的 tokenizer，并将模型移动到指定的设备上。

定义自定义数据集：

class CustomDataset(Dataset):def __init__(self, data):self.input_ids = datadef __len__(self):return len(self.input_ids)def __getitem__(self, index):return torch.tensor(self.input_ids[index])

创建一个自定义数据集类，继承自 PyTorch 的 Dataset 类，主要用于处理输入数据。

数据处理和准备：

train_data = ['我家门前有两棵树,一棵是枣树,另一棵也是枣树。']
tokenizer.pad_token = tokenizer.eos_token
tokenizer.add_special_tokens({'pad_token': '[PAD]'})
train_encodings = tokenizer(train_data, truncation=True, padding=True)
train_dataset = CustomDataset(train_encodings["input_ids"])
train_dataloader = DataLoader(train_dataset, batch_size=4, shuffle=True)

定义训练数据。
设置 tokenizer 的填充标记。
对文本进行编码，生成输入 ID。
创建一个数据集实例和数据加载器，以便在训练过程中批量处理数据。

设置优化器：
```
optimizer = torch.optim.AdamW(model.parameters(), lr=1e-5)
```
使用 AdamW 优化器，设置学习率为 1e-5。

微调模型：

model.train()
for id, epoch in enumerate(tqdm.tqdm(range(num_epochs))):for batch in train_dataloader:input_ids = batch.to(device)model.zero_grad()outputs = model(input_ids, labels=input_ids)loss = outputs.lossloss.backward()optimizer.step()

将模型置于训练模式。
遍历多个训练轮次（epochs）。
对每个批次进行前向传播、计算损失、反向传播和优化步骤。

保存微调后的模型：

model.save_pretrained("data/nlp_model")
tokenizer.save_pretrained("data/nlp_model")

保存微调后的模型和 tokenizer。

文本生成：

prompt = "xxxx"
input_ids = tokenizer.encode(prompt, return_tensors="pt").to(device)attention_mask = (input_ids != 0).int()
output = model.generate(input_ids, max_length=100, num_return_sequences=1, attention_mask=attention_mask)
generated_text = tokenizer.decode(output[0], skip_special_tokens=True)print("Generated Text:")
print(generated_text)

使用微调后的模型生成文本，给定一个提示词（prompt）。
编码提示词并生成文本序列，最后解码为可读文本并输出。

测试下微调效果

对于资源并不充沛的公司而言

一个可行的思路是结合参数较小的模型进行微调，再利用向量数据库和知识图谱使用去实现RAG

模型微调的技术要点

数据准备：微调时使用的数据应与目标应用场景相符，以便模型能够学习特定的上下文和语言特征。
超参数设置：学习率、批量大小、训练轮数等超参数对模型性能有重要影响。通常需要通过实验来找到最适合的设置。
损失计算：在微调过程中，通常使用模型输出的损失值进行优化，以指导模型学习。
模型保存：微调后的模型需要保存，以便后续使用或部署。
文本生成：使用微调后的模型生成文本时，可以通过调整 max_length、num_return_sequences 等参数来控制生成文本的长度和数量。