|
|
--- |
|
|
license: apache-2.0 |
|
|
--- |
|
|
|
|
|
基于Llama2-7b训练的中英文增强大模型 |
|
|
|
|
|
# GoGPT |
|
|
|
|
|
|
|
|
<p align="center"> |
|
|
<br> |
|
|
<img src="resources/assets/gogpt-banner-tou.png" width="600"/> |
|
|
<br> |
|
|
</p> |
|
|
<p align="center"> |
|
|
<img alt="GitHub" src="https://img.shields.io/github/license/ymcui/Chinese-LLaMA-Alpaca.svg?color=blue&style=flat-square"> |
|
|
<img alt="GitHub top language" src="https://img.shields.io/github/languages/top/ymcui/Chinese-LLaMA-Alpaca"> |
|
|
</p> |
|
|
|
|
|
> ICT中英文底座增强大模型：70亿参数、130亿参数 |
|
|
|
|
|
## step1：训练分词器 |
|
|
|
|
|
[🐱怎么从零到一训练一个LLM分词器](https://github.com/yanqiangmiffy/how-to-train-tokenizer) |
|
|
|
|
|
```text |
|
|
├── data |
|
|
│ └── corpus.txt 训练语料 |
|
|
├── llama |
|
|
│ ├── tokenizer_checklist.chk |
|
|
│ └── tokenizer.model |
|
|
├── merged_tokenizer_hf 合并结果 hf格式 |
|
|
│ ├── special_tokens_map.json |
|
|
│ ├── tokenizer_config.json |
|
|
│ └── tokenizer.model |
|
|
├── merged_tokenizer_sp |
|
|
│ └── open_llama.model # |
|
|
├── merge_tokenizer |
|
|
│ └── tokenizer.model |
|
|
├── open_llama.model 训练的sp模型 |
|
|
├── open_llama.vocab 训练的sp词汇表 |
|
|
├── README.md |
|
|
├── step0_step0_process_text.py 基于多分数据集准备训练语料 |
|
|
├── step1_make_corpus.py 基于中文Wikipedia数据准备训练语料 |
|
|
├── step2_train_tokenzier.py 训练分词器 |
|
|
├── step3_tokenzier_segment.py 测试训练后的模型，包括编码和解码测试样例 |
|
|
└── step4_merge_tokenizers.py 与原版llama的分词器进行合并，得到hf格式的tokenizer |
|
|
|
|
|
``` |
|
|
|
|
|
## step2：二次预训练 |
|
|
|
|
|
> 在中文预训练语料上对LLaMA进行增量预训练、继续预训练 |
|
|
|
|
|
## step3: 有监督微调 |
|
|
|
|
|
- belle数据：120k数据 v1 |
|
|
- stanford_alapca：52k数据 v2 |
|
|
- [sharegpt](data%2Ffinetune%2Fsharegpt):90k数据 |
|
|
|
|
|
## 免责声明 |
|
|
|
|
|
本项目相关资源仅供学术研究之用，严禁用于商业用途。 使用涉及第三方代码的部分时，请严格遵循相应的开源协议。 |
|
|
|
|
|
模型生成的内容受模型计算、随机性和量化精度损失等因素影响，本项目不对其准确性作出保证。 |
|
|
|
|
|
对于模型输出的任何内容，本项目不承担任何法律责任，亦不对因使用相关资源和输出结果而可能产生的任何损失承担责任。 |
|
|
|
|
|
|
