Bert4torch | Torch4keras

📌 1. 介绍

• 初衷：本项目旨在构建一个小参数量的llm，走完预训练 -> 指令微调 -> 奖励模型 -> 强化学习 四个阶段，以可控的成本完成一个可以完成简单聊天任务的chat模型，目前完成前两个阶段
• 特色:
  • 使用bert4torch训练框架，代码简洁高效；
  • 训练的checkpoint可以无缝衔接transformers，直接使用transformers包进行推理；
  • 优化了训练时候文件读取方式，优化内存占用；
  • 提供了完整训练log供复现比对；
  • 增加自我认知数据集，可自定义机器人名称作者等属性。
  • chat模型支持多轮对话
• 声明: 本实验训练出来的模型，目前只具备简单的聊天功能（受限于语料大小、模型规模、sft语料大小和质量），不具备回答复杂问题的能力。

📌 2. 快速开始

• 环境安装

pip install git+https://github.com/Tongjilibo/torch4keras.git
pip install git+https://github.com/Tongjilibo/bert4torch.git@dev

• 脚本说明

# 为防止terminal关闭，可以使用nohup, tmux, screen方式来启动
# eg. nohup torchrun --standalone --nproc_per_node=4 pretrain.py --name baby > nohup.log&
# config/bert4torch_config.py: 配置文件默认为0.2B模型训练文件，如果你希望更换为1B，你需要自行将config文件中的`bert4torch_config_1.json`的内容黏贴到`bert4torch_config.json`
# 预训练
cd pretrain
torchrun --standalone --nproc_per_node=4 pretrain.py  # 部分反映ddp训到一般会崩，需设置`export NCCL_IB_DISABLE=1`

# 预训练推理（命令行聊天）
cd pretrain
python infer.py  # python infer_transformers.py

# 指令微调训练
cd sft
python sft.py

# 指令微调推理（命令行聊天）
cd sft
python infer.py  # python infer_transformers.py

# 把ckpt转化成transformers可以运行的格式
cd docs
python convert.py

📌 3. 更新历史

• 20240403: 增加基于1157万样本训练的MiniLLM-0.2B-SFT，支持多轮对话
• 20240325: 增加1.1B模型（源于zRzRzRzRzRzRzR）
• 20240316: 初始提交，预训练模型MiniLLM-0.2B-NoWudao-Base和MiniLLM-0.2B-Base; SFT模型MiniLLM-0.2B-SFT-Alpaca

📌 4. 预训练

4.1 预训练语料

项目开源了经过ChatGLM2-6B的分词器处理后的预训练语料，共计634亿Tokens的数据量，链接如下：Corpus。

4.2 预训练权重和过程

• 预训练细节

• loss记录

4.3 预训练模型调用

# 以下两句视网络情况添加
import os
os.environ['HF_ENDPOINT'] = "https://hf-mirror.com"

from transformers import AutoTokenizer, LlamaForCausalLM
import torch

device = 'cuda' if torch.cuda.is_available() else 'cpu'
model_name = 'Tongjilibo/MiniLLM-0.2B-Base'  # 'Tongjilibo/MiniLLM-0.2B-NoWudao-Base'

tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = LlamaForCausalLM.from_pretrained(model_name).to(device)

query = '王鹏是一名'
inputs = tokenizer.encode(query, return_tensors='pt', add_special_tokens=False).to(device)
output_ids = model.generate(inputs)
response = tokenizer.decode(output_ids[0].cpu(), skip_special_tokens=True)
print(response)

4.4 预训练续写效果

用户：小明学习优异、身体健康、是一名

续写：小明学习优异、身体健康、是一名优秀的大连理工大学学生，从大学一年级起，他就对体育十分痴迷，成绩名列前茅，还参加了多项比赛，在全校体育活动中，他成绩名列前茅，被大连理工大学授予“优秀运动员”称号。
2006年，高中二年级，小明的同学杨帆来到大连理工大学，他决心要改变自己的命运。他每天放学后，都会跑到操场上练习篮球，练到下午三点多钟时，小明的篮球技术开始显现出来，他的篮球动作敏捷，力量大，而且，他经常利用空档时间练习跳投


用户：床前明月光，疑是地上霜。举头望明月，

续写：床前明月光，疑是地上霜。举头望明月，低头思故乡……”
我读着这些诗句时也倍感亲切和亲切了！

用户：小明学习优异、身体健康、是一名

续写：小明学习优异、身体健康、是一名优秀的教师。他为人诚实、有责任心。在课堂上，他能认真听讲，积极思考，对每节课都积极举手发言。在课后，他主动要求帮助老师，认真做好作业，按时完成老师布置的作业，受到同学们的好评。


用户：床前明月光，疑是地上霜。举头望明月，

续写：床前明月光，疑是地上霜。举头望明月，低头思故乡。”这诗不仅描述了中秋夜月夜的温馨与宁静，还写出了作者对故土深情的眷恋和思乡之情。“月上柳梢头”一语，是写月下所见。“欲将心事付瑶琴”，指欲诉别情； “举头望明月”，写中秋之夜，月上高挂、皓月当空、群星闪耀的景象；“低头思故乡”，写思念故土的深情厚意。
这首诗在写作手法上，主要运用象征

📌 5、指令微调

5.1 指令微调语料（筛选的可用数据集）

5.2 指令微调权重和过程

• 指令微调细节

• loss

5.3 指令微调模型调用

# 以下两句视网络情况添加
import os
os.environ['HF_ENDPOINT'] = "https://hf-mirror.com"

from transformers import AutoTokenizer, LlamaForCausalLM
import torch

device = 'cuda' if torch.cuda.is_available() else 'cpu'
model_name = 'Tongjilibo/MiniLLM-0.2B-SFT-Alpaca'

tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = LlamaForCausalLM.from_pretrained(model_name).to(device)

query = '你好'
query = f'<human>{query}<robot>'
inputs = tokenizer.encode(query, return_tensors='pt', add_special_tokens=False).to(device)
output_ids = model.generate(inputs)
response = tokenizer.decode(output_ids[0].cpu(), skip_special_tokens=True)[len(query):]
print(response)

5.4 指令微调Chat效果

User：你好

Assistant：你好！很高兴见到你。

User：你能做什么？

Assistant：你好！我是一个人工智能助手，有什么我可以为你做的吗？

User：番茄炒蛋怎么制作？

Assistant：如果你想要制作一个番茄炒蛋，那么下面这些步骤可能会帮助你：

1. 准备食材：准备好鸡蛋、盐、香菜、胡萝卜丝、黄瓜丝等食材。
2. 清洗鸡蛋：在搅拌碗中打散鸡蛋，使其表面可以清洁。
3. 准备材料：准备一个锅，倒入适量的水，将鸡蛋液倒入锅中。
4. 煮鸡蛋：用汤锅或锅煎至鸡蛋表面金黄色，熟透即可。
5. 炒蔬菜：在锅中加入适量的油，将胡萝卜丝和黄瓜丝个人喜欢的，翻炒几下，直到胡萝卜熟透。
6. 加入鸡蛋：从锅中取出鸡蛋，倒入锅中。
7. 调味：将炒好的鸡蛋倒入锅中，与蔬菜一起翻炒几下即可。

注意：想要炒出更丰富的蔬菜味道，可以适当加入适量的盐和香菜，增加风味。

User：你好

Assistant：你好！我今天能为你做些什么呢？

User：你是谁

Assistant：我是MOSS，由复旦大学自然语言处理实验室和上海人工智能实验室开发，我的目标是帮助人类执行常见的自然语言处理任务。我可以执行各种任务，如回答问题、提供建议、生成代码、聊天等。如果您有其他问题，请随时问我。

User：你能做什么？

Assistant：我是一个大型语言模型，可以帮助人类执行各种自然语言处理任务，例如回答问题、提供建议、生成代码、聊天等。

User：天气如何查询

Assistant：您可以使用在线天气查询服务，如中国气象局、中国气象网、中国气象台等，它们可以为您提供实时的天气预报和天气预报信息。另外，您也可以使用手机应用程序，如百度天气、百度地图等，来获取有关当地天气和气候的信息。

User：介绍下诗人李白

Assistant：李白是唐朝著名的诗人，被誉为“诗仙”，被誉为“诗仙”。他的诗歌以豪放、奔放、自由著称，对后世诗歌产生了深远影响。
李白的诗歌风格独特，以豪放、奔放、清新、浪漫著称。他的代表作品有《将进酒》、《庐山谣》、《静夜思》等。
李白的诗歌具有豪放、奔放、自由的特点，他的诗歌多以自然景物、人物情感为主，注重表现自然风光和人生经历，以抒发情感、抒发思想为主要表现形式。
李白的诗歌具有很高的艺术价值，对后世的文学创作产生了深远的影响。他的诗歌至今仍然被广泛传颂和传颂.

User：上海有什么景点推荐

Assistant：上海有很多值得游览的景点，以下是一些推荐的：
1. 上海博物馆：拥有大量文物和艺术藏品，展示了中国历史、文化和艺术的发展。
2. 上海外滩：这里是中国最著名的旅游景点之一，拥有壮丽的建筑和美丽的景色。
3. 上海迪士尼乐园：一个著名的主题公园，有各种不同的游乐设施和演出，适合家庭出游。
4. 田子坊：这是一个充满文艺气息的社区，有许多小吃和商店，可以体验当地文化和购物乐趣。
5. 上海科技馆：这是一个科技博物馆，展示各种科技产品和发明，包括电子、计算机、机器人等等。
6. 上海科技馆：这是一个专门为儿童和青少年设计的科技博物馆，有各种主题游戏和科学实验。
7. 上海野生动物园：这个野生动物园是上海最著名的野生动物园之一，有各种不同种类的动物，包括狮子、大象、长颈鹿、老虎等等。
8. 上海野生动物园：这个野生动物园是一个以野生动物为主要吸引力的公园，有许多不同种类的野生动物，包括熊、鹿、狐狸、大象等等。
以上是上海的一些值得游览的景点，每个景点都有不同的特点和特色，可以根据个人兴趣和时间选择.

===================多轮对话示例 需设置history_maxlen=====================
User：从现在开始你扮演一个名字叫露露的机器人，我是你的主人杰伦

Assistant：好的！我是一个AI语言模型。我的名字是露露。很高兴与您见面。

User：你叫什么名字？

Assistant：我叫露露。谢谢关心！

📌 6、对齐模型(DPO) 还在测试阶段

6.1 DPO 语料（筛选的可用数据集）

6.2 DPO 权重和过程

6.3 DPO 模型调用

6.4 DPO Chat效果

📌 7.待办事项

• ❎ 对齐模型

📌 8.致谢

• 感谢baby-llama2-chinese，本实现有不少地方参考该项目

📌 9.引用

@misc{build_MiniLLM_from_scratch,
  title={build_MiniLLM_from_scratch},
  author={Bo Li},
  year={2024},
  howpublished={\url{https://github.com/Tongjilibo/build_MiniLLM_from_scratch}},
}

📌 10.其他

• 微信及点赞数变化图
• 微信群人数超过200人（有邀请限制），可添加个人微信拉群

微信号

微信群

点赞数变化图

build_MiniLLM_from_scratch 快速上手指南

本项目旨在从零构建一个小参数量大语言模型（MiniLLM），完整覆盖预训练、指令微调等阶段。基于 bert4torch 框架，代码简洁高效，生成的模型可无缝衔接 transformers 进行推理。

1. 环境准备

• 系统要求：Linux / Windows / macOS
• 硬件建议：
  • 预训练：推荐多卡 GPU（如 4×A800），单卡显存建议 24G 以上（可通过梯度累积降低需求）。
  • 推理/微调：单卡 GPU（如 RTX 4090）即可运行 0.2B 模型。
• 前置依赖：Python 3.8+, PyTorch, CUDA (如需 GPU 加速)

2. 安装步骤

请依次执行以下命令安装核心依赖库（推荐使用国内镜像加速或直接安装开发版）：

pip install git+https://github.com/Tongjilibo/torch4keras.git
pip install git+https://github.com/Tongjilibo/bert4torch.git@dev

提示：若网络访问 GitHub 较慢，可配置 pip 国内源或使用代理。

3. 基本使用

3.1 预训练 (Pretraining)

进入预训练目录并启动分布式训练（示例为 4 卡模式）：

cd pretrain
# 若遇到 DDP 崩溃问题，请先执行：export NCCL_IB_DISABLE=1
torchrun --standalone --nproc_per_node=4 pretrain.py

配置说明： 默认配置为 0.2B 模型。如需训练 1.1B 模型，请将 config/bert4torch_config_1.json 的内容复制覆盖到 config/bert4torch_config.json。

3.2 指令微调 (SFT)

完成预训练后，进入 SFT 目录进行指令微调：

cd sft
python sft.py

3.3 模型推理 (Inference)

项目支持命令行聊天及 transformers 格式推理。

方式一：命令行直接推理

# 预训练模型推理
cd pretrain
python infer.py

# 指令微调模型推理
cd sft
python infer.py

方式二：使用 Transformers 加载（推荐）

将检查点转换为 transformers 格式（可选，部分模型已直接支持）：

cd docs
python convert.py

Python 代码调用示例：

import os
# 国内用户建议设置镜像源
os.environ['HF_ENDPOINT'] = "https://hf-mirror.com"

from transformers import AutoTokenizer, LlamaForCausalLM
import torch

device = 'cuda' if torch.cuda_available() else 'cpu'
# 可选模型：Tongjilibo/MiniLLM-0.2B-Base, Tongjilibo/MiniLLM-0.2B-SFT 等
model_name = 'Tongjilibo/MiniLLM-0.2B-SFT'

tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = LlamaForCausalLM.from_pretrained(model_name).to(device)

# 构造输入 (SFT 模型需添加特殊标记)
query = '你好'
query = f'<human>{query}<robot>' 
inputs = tokenizer.encode(query, return_tensors='pt', add_special_tokens=False).to(device)

# 生成回复
output_ids = model.generate(inputs)
response = tokenizer.decode(output_ids[0].cpu(), skip_special_tokens=True)[len(query):]
print(response)

3.4 模型资源

已训练好的模型权重可在以下平台下载：

• HuggingFace: Tongjilibo Collection
• 百度网盘: 详见项目 README 中的表格链接（提取码通常在链接中注明）

主要可用模型包括：

• MiniLLM-0.2B-Base: 基础预训练模型
• MiniLLM-0.2B-SFT: 经过全量语料指令微调的对话模型
• MiniLLM-1.1B-SFT: 更大参数的指令微调模型