LLM实践--支线:拯救Continue Pretrain的数据

背景

首先介绍下什么是Continue Pretrain(CP)。CP 和 Pretrain、SFT一样指的是 LLM 训练的一个阶段,在前大模型时代还被称作Post Pretrain。CP 是在Pretrain和SFT之间的训练阶段,目的是为模型注入领域知识,这个领域是泛指的领域,既包含金融、法律、创作这种学科领域,也包含推理、理解这种能力领域。现在很多论文工作都说明了我们的通用基座模型还没有达到各个尺寸模型的上限,也就是我们的模型还能学习更多知识,进行更准确的推理。但是做法却并不容易,简单的next token loss + generate 已经无法满足要求了。但是如果只求提升某一方面的能力,那在某一个领域训练一个领域大模型无疑是更简单有效的方法。根据我的训练经验,做领域相关的通用任务,比如金融领域的文档总结或信息抽取,再比如小说剧本的创作,领域模型通常是好于通用模型的。

经常有人问我注入领域知识SFT不行吗,为什么要CP?我的回答是并没有不行,只是看量而已。SFT和Pretrain主要区别就是数据量和多样性,Pretrain的数据量更大,多样性更丰富,和现实世界自然语料的分布更接近,因此不需要case by case的关注数据质量,更多的只要保证数据源的质量和可信度,多样性可以由其他数据源混合来提高。SFT可以认为数据是人类偏好、任务导向的数据,相比于自然世界的语料是有偏的。需要严格确保数据质量和丰富性,防止出现hacking。

灾难性遗忘

灾难性遗忘是指在训练domain数据时,模型向domain数据的分布偏移,导致通用能力大幅减弱。缓解灾难性遗忘除了各种trick,如模型部分训练、加正则、减小学习率、模型融合等,必做的操作是混合common数据。但是这里有一个关键问题,common数据怎么混?我的暴论:“不能复现的模型不是开源模型,只是免费模型”,目前大量“开源”模型不仅不公布数据,甚至不公布配比。就算有配比,非大厂的研究者、从业者通常也搞不到大厂里那么高质量的common数据。用质量不高的数据、非官方的配比,训练模型本身就有损通用能力,拿来作为防止灾难性遗忘的数据就更有点贻笑大方了。数据不好洗,配比不好验,CP就只能胎死腹中了吗?或许我们可以从PPO里面找找解决办法。

重要性采样

重要性采样是一种蒙特卡洛方法,用于估计目标分布的期望值。核心思想是当目标分布 难以直接采样时,可以从一个更容易采样的分布 中抽样,并通过对这些样本加权来修正估计的偏差。也就是说重要性采样能够让我们从偏的方式采样,但是无偏的估计原分布。更加正规化的解释是这样的:

假设计算一个随机变量 的函数 在概率分布 下的期望值:

但是原始分布 采样困难,那我们可以寻找一个“建议分布” 进行采样:

再通过蒙特卡洛估计,可以把公式转换为:

这里需要注意的是, 采样困难,并不是计算 的概率困难。重要性采样成立的前提是 的支撑必须覆盖整个 且 与 的乘积具有有限的方差。白话说就是采样的这个 需要是 的子集,且两个分布的差异越小越好。PPO利用重要性采样是为了提高数据利用效率,让新策略能够重用旧策略产生的数据。

看看CP,也是从 采样困难(从抛座模型的训练数据采样困难),从 采样容易(从开源或自己的数据采样容易),那就可以尝试把重要性采样引入CP。

Continue Pretrain结合重要性采样

语言模型的优化目标是:这里 表示原始模型使用的训练数据分布, 是从 中采样的一条语料, 表示语料中的第 个 token。

做一下重要性采样:最后的问题是,怎么获得语料 在当前数据中的概率 和在原始语料中的概率 。我这里用当前正在训练的模型 CP 估计 ,用没有经过训练的预训练模型 P 估计 ,也就是:

Domain 数据

解决了common数据问题,就剩下domain数据了。通常情况下,我们会根据要强化的方向选择分布相似的数据,比如法律模型收集法条、判例、裁判文书等等。但是具体哪些数据对模型是有好处的?这个一般都是加一些数据训一下小模型,看看评估指标是否有提升。但是更取巧一点的办法是用退火,这在Llama3.1的技术报告里也提到了。退火是指模型训练过程中动态衰减学习率的一种训练方式。退火在不同数据上会呈现不同的效果:

  • 在拟合程度高的数据上,退火可以让模型快速找到局部最优,快速降低 loss。

  • 在欠拟合的数据上,退火会加剧欠拟合。

可以在少量数据上退火,同时加入大比例的待测试数据,这样可以让模型快速拟合测试数据,又不会过度遗忘通用能力。方便我们观察待测数据对评估指标的影响。

其他

最后再提一嘴,除了训练数据,评估数据的准备也非常重要,甚至可以比训练数据更重要。评估数据的好坏决定了评估是否能忠实反应模型能力,是模型优化方向的重要指导。指导错了模型还能有好?

读者福利:如果大家对大模型感兴趣,这套大模型学习资料一定对你有用

对于0基础小白入门:

如果你是零基础小白,想快速入门大模型是可以考虑的。

一方面是学习时间相对较短,学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括:大模型学习线路汇总、学习阶段,大模型实战案例,大模型学习视频,人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型!

😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
在这里插入图片描述

👉AI大模型学习路线汇总👈

大模型学习路线图,整体分为7个大的阶段:(全套教程文末领取哈)

第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;

第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;

第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;

第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;

第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;

第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;

第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。

在这里插入图片描述

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频,看书籍和视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
在这里插入图片描述
在这里插入图片描述

👉学会后的收获:👈

• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;

• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;

• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;

• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。

👉获取方式:

😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
在这里插入图片描述

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:http://www.mzph.cn/bicheng/56690.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

mqtt客户端订阅一直重复连接?

文章 前言错误场景问题分析解决方案后言 前言 ✨✨ 他们是天生勇敢的开发者,我们创造bug,传播bug,毫不留情地消灭bug,在这个过程中我们创造了很多bug以供娱乐。 前端bug这里是博主总结的一些前端的bug以及解决方案,感兴…

解决使用MobaXterm不能向Ubuntu上传下载文件的问题

如上图所示 解决方案 新建连接,使用root账户建立ssh会话,就是建立会话的时候,用户名使用root。ubuntu系统默认不允许远程root账户建立连接,表现就是你新建ssh会话,在第一步输入root密码的时候,密码正确会报…

一文探索RareShop:首个面向消费者的RWA NFT商品发售平台

作者:Weilin,PANews 本轮牛市中,加密消费级应用正成为一种热门趋势,比如pump.fun和Polymarket等产品已成为C端用户的明星。加密货币正日益渗透到日常消费者的产品、服务和行为中。这意味着加密货币的使用不再局限于投机交易或去中…

appium启动hbuild打包的apk异常解决

目录 一、错误信息 二、问题解决 2.1 通过以下命令获取安装包名称: 2.2 这个launcher状态下的安装包名称和active,替换原先的安装包名称 一、错误信息 通过adb shell dumpsys activity | findstr "mResume" 命令获取的安装包信息&#xff…

从零开始学习OMNeT++系列第三弹——新建一个使用INET框架的工程

上一篇学习了如何新建一个omnet的工程,这篇来学习下INET框架以及如何使用INET框架来新建一个工程。 INET框架是什么 INET框架是一个开源模型库,用于OMNeT仿真环境。它为研究者和学生在使用通信网络时提供协议、代理和其他模型。当设计和验证新协议或探…

深入理解计算机系统--计算机系统漫游

对于一段最基础代码的文件hello.c&#xff0c;解释程序的运行 #include <stdio.h>int main() {printf ( "Hello, world\n") ;return 0; }1.1、信息就是位上下文 源程序是由值 0 和 1 组成的位&#xff08;比特&#xff09;序列&#xff0c;8 个位被组织成一组…

wx.chooseMedia深入研究!

如何处理wx.chooseMedia选择的媒体文件&#xff1f; 当使用wx.chooseMedia选择媒体文件后&#xff0c;可以根据以下步骤进行处理&#xff1a; 一、获取媒体文件信息 在成功回调函数中&#xff0c;可以通过res.tempFiles获取选择的媒体文件数组。每个元素包含了媒体文件的相关…

安防监控摄像头图传模组,1公里WiFi无线传输方案,监控新科技

在数字化浪潮汹涌的今天&#xff0c;安防监控领域也迎来了技术革新的春风。今天&#xff0c;我们就来聊聊这一领域的产品——摄像头图传模组&#xff0c;以及它如何借助飞睿智能1公里WiFi无线传输技术&#xff0c;为安防监控带来未有的便利与高效。 一、安防监控的新篇章 随着…

mysql--基本查询

目录 搞定mysql--CURD操作&#xff0c;细节比较多&#xff0c;不难&#xff0c;贵在多多练 1、Create--创建 &#xff08;1&#xff09;单行插入 / 全列插入 &#xff08;2&#xff09;插入否则替换 &#xff08;3&#xff09;替换 2、Retuieve--select 1&#xff09;全…

其他-自己手动更换汽车电磁进排气阀0.9.2

其他-自己手动更换汽车电磁进排气阀0.9.0 背景本次工具流程注意参考 2024年10月18日08:57:00—0.9.2 背景 昨天手动更换了电磁阀&#xff0c;记录下过程和注意事项&#xff0c;简单总结了一下 本次工具 10号套筒和工具老虎钳锤子一字改刀新的进排气电磁阀 流程 打开引擎盖…

波克 上海 Unity开发笔试题 2024

波克 Unity开发笔试题 2024 主要分为四部分 如果没有准备好,不要点击笔试链接,进入就会自动开始 Unity 1.Unity生命周期执行顺序 Awake → OnEnable → Start → FixedUpdate → Update → LateUpdate 2.阅读代码,可能会出现哪些问题? string cnt = ""; lis…

FreeRTOS - 软件定时器

在学习FreeRTOS过程中&#xff0c;结合韦东山-FreeRTOS手册和视频、野火-FreeRTOS内核实现与应用开发、及网上查找的其他资源&#xff0c;整理了该篇文章。如有内容理解不正确之处&#xff0c;欢迎大家指出&#xff0c;共同进步。 1. 软件定时器 软件定时器也可以完成两类事情…

JDK-23与JavaFX的安装

一、JDK-23的安装 1.下载 JDK-23 官网直接下载&#xff0c;页面下如图&#xff1a; 2.安装 JDK-23 2.1、解压下载的文件 找到下载的 ZIP 文件&#xff0c;右键点击并选择“解压到指定文件夹”&#xff0c;将其解压缩到您希望的目录&#xff0c;例如 C:\Program Files\Java\…

多进程思维导图

1> 思维导图 2> 使用父子进程完成两个文件的拷贝&#xff0c;父进程拷贝前一半&#xff0c;子进程拷贝后一半&#xff0c;两个进程同时进行&#xff08;君子作业&#xff09; #include <myhead.h> typedef struct sockaddr_in addr_in_t; typedef struct sockaddr…

LeetCode //C - 412. Fizz Buzz

412. Fizz Buzz Given an integer n, return a string array answer (1-indexed) where: answer[i] “FizzBuzz” if i is divisible by 3 and 5.answer[i] “Fizz” if i is divisible by 3.answer[i] “Buzz” if i is divisible by 5.answer[i] i (as a string) if no…

毕业设计选题:基于django+vue的个人博客系统设计与开发

开发语言&#xff1a;Python框架&#xff1a;djangoPython版本&#xff1a;python3.7.7数据库&#xff1a;mysql 5.7数据库工具&#xff1a;Navicat11开发软件&#xff1a;PyCharm 系统展示 管理员登录 管理员功能界面 博主管理 博客文章管理 博文排行管理 博文打赏管理 博文…

Spring 的依赖注入的最常见方式

在 Spring 中&#xff0c;依赖注入的方式有多种选择。下面我们来逐一分析它们的特点、适用场景和注意事项&#xff1a; 1. 构造函数注入 构造函数注入要求在对象创建时提供所有依赖。这种方式确保依赖在对象创建后不可变&#xff0c;特别适合必须强制存在的依赖。所有依赖在对…

MyBatis 动态 SQL 详解

1. 什么是动态 SQL&#xff1f; 在使用 MyBatis 进行数据库查询时&#xff0c;可能会遇到一些需要根据条件动态生成 SQL 语句的情况。MyBatis 提供了强大的动态 SQL 支持&#xff0c;通过标签和条件语句&#xff0c;可以让 SQL 语句根据不同的输入参数动态生成。这大大提高了代…

JavaWeb 22.Node.js_简介和安装

有时候&#xff0c;后退原来是向前 —— 24.10.7 一、什么是Node.js Node.js 是一个于 Chrome V8 的 JavaScript 运行时环境&#xff0c;可以使 JavaScript 运行在服务器端。使用 Node.js&#xff0c;可以方便地开发服务器端应用程序&#xff0c;如 Web 应用、API、后端服务&a…

Python 工具库每日推荐 【FastAPI】

文章目录 引言Web 框架的重要性今日推荐:FastAPI Web 框架主要功能:使用场景:安装与配置快速上手示例代码代码解释实际应用案例案例:构建一个简单的博客 API案例分析高级特性依赖注入系统后台任务扩展阅读与资源优缺点分析优点:缺点:总结【 已更新完 TypeScript 设计模式…