前面已经讲过：

怎么让英文大语言模型支持中文？（一）构建中文tokenization

(资料图)

怎么让英文大语言模型支持中文？（二）继续预训练

这里是最后一部分了：怎么让英文大语言模型支持中文？（三）对预训练模型进行指令微调。

代码已上传到github：chinese_llm_sft

在之前讲过的继续预训练之后，我们应该对数据处理到训练、预测的整个流程有所了解，其实，基本上过程是差不多的。我们在选择好一个大语言模型之后。比如chatglm、llama、bloom等，要想使用它，得了解三个方面：输入数据的格式、tokenization、模型的使用方式。接下来我们一一来看。本文主训练代码来自github：Chinese-LLaMA-Alpaca。

数据的输入的话，一般情况下我们要在模型的官方代码上找到数据输入的那部分，或者说找到其它的一些开源的项目里面关于数据预处理的部分。找一份小的数据集，将这部分单独拿出来运行一下，看一下输出是什么。返回的结果是什么。比如一般看一下input_ids里面的特殊标记，labels是怎么构造的。举个例子，cpm-bee在forward里面需要额外传入span和length，与一般的不同只需要传入input_ids和labels。

这里我们看下chatglm的数据格式是怎么样的，在test_dataset.py里面：

importloggingimportosfromdataclassesimportdataclassfromtypingimportOptional,Dict,Sequence,Union,Listimportdatasetsimporttorchimportloggingfromdatasetsimportload_dataset,concatenate_datasetsimportcopyimporttransformersimportrandomIGNORE_INDEX=-100logger=logging.getLogger("__name__")PROMPT_TEMPLATE=("Belowisaninstructionthatdescribesatask.""Writearesponsethatappropriatelycompletestherequest.\n\n""###Instruction:\n{instruction}\n\n###Response:")defbuid_instruction_dataset(data_path:Union[List[str],str],tokenizer:transformers.PreTrainedTokenizer,max_seq_length:int,data_cache_dir=None,preprocessing_num_workers=None,):deftokenization(examples):sources=[]targets=[]#prompt=PROMPT_TEMPLATEforinstruction,input,outputinzip(examples["instruct"],examples["query"],examples["answer"]):ifinputisnotNoneandinput!="":instruction=instruction+"\n"+input#source=prompt.format_map({"instruction":instruction})source=instructiontarget=f"{tokenizer.bos_token}{output}{tokenizer.eos_token}"sources.append(source)targets.append(target)tokenized_sources=tokenizer(sources,return_attention_mask=False,add_special_tokens=False)tokenized_targets=tokenizer(targets,return_attention_mask=False,add_special_tokens=False)print(tokenized_targets)all_input_ids=[]all_labels=[]fors,tinzip(tokenized_sources["input_ids"],tokenized_targets["input_ids"]):s=s+[tokenizer.gmask_token_id]input_ids=torch.LongTensor(s+t)[:max_seq_length]labels=torch.LongTensor([IGNORE_INDEX]*len(s)+t)[:max_seq_length]assertlen(input_ids)==len(labels)all_input_ids.append(input_ids)all_labels.append(labels)results={"input_ids":all_input_ids,"labels":all_labels}returnresultslogging.warning("buildingdataset...")all_datasets=[]ifnotisinstance(data_path,(list,tuple)):data_path=[data_path]forfileindata_path:ifdata_cache_dirisNone:data_cache_dir=str(os.path.dirname(file))cache_path=os.path.join(data_cache_dir,os.path.basename(file).split(".")[0])os.makedirs(cache_path,exist_ok=True)try:processed_dataset=datasets.load_from_disk(cache_path)logger.info(f"trainingdatasets-{file}hasbeenloadedfromdisk")exceptException:print(file)raw_dataset=load_dataset("json",data_files=file,cache_dir=cache_path)print(raw_dataset)tokenization_func=tokenizationtokenized_dataset=raw_dataset.map(tokenization_func,batched=True,num_proc=preprocessing_num_workers,remove_columns=["instruct","query","answer"],keep_in_memory=False,desc="preprocessingondataset",)processed_dataset=tokenized_datasetprocessed_dataset.save_to_disk(cache_path)processed_dataset.set_format("torch")all_datasets.append(processed_dataset["train"])all_datasets=concatenate_datasets(all_datasets)returnall_datasets@dataclassclassDataCollatorForSupervisedDataset(object):"""Collateexamplesforsupervisedfine-tuning."""tokenizer:transformers.PreTrainedTokenizerdef__call__(self,instances:Sequence[Dict])->Dict[str,torch.Tensor]:input_ids=instances["input_ids"]labels=instances["labels"]input_ids=torch.nn.utils.rnn.pad_sequence(input_ids,batch_first=True,padding_value=self.tokenizer.pad_token_id)labels=torch.nn.utils.rnn.pad_sequence(labels,batch_first=True,padding_value=-100)returndict(input_ids=input_ids,labels=labels,)if__name__=="__main__":fromtransformersimportAutoModelForCausalLM,AutoTokenizertokenizer=AutoTokenizer.from_pretrained("model_hub/chatglm-6b",trust_remote_code=True)all_datasets=buid_instruction_dataset(["data/msra/train.txt"],tokenizer,max_seq_length=256)print(all_datasets[0])data_collator=DataCollatorForSupervisedDataset(tokenizer=tokenizer)data=data_collator(all_datasets[:2])print(data)

指令数据一般由三部分组成：instruction(instruct)、input(query)、output(answer)，分别表示提示指令、文本、返回的结果。构造的时候一般是instruction和input进行拼接，当然input可能是为空的，最终对output进行预测。需要注意的是，除了instruction之外，可能还有特殊的prompt，不同模型的prompt是不一样的，比如：

PROMPT_DICT={"chatglm_input":("{instruction}{input}"),"alpaca_input":("Belowisaninstructionthatdescribesatask.""Writearesponsethatappropriatelycompletestherequest.\n\n""###Instruction:\n{instruction}{input}\n\n###Response:"),"bloom_input":("Human:\n{instruction}{input}\n\nAssistant:\n"),}

我们在构造的时候最好想之前预训练模型那样构造样本。

接下来再讲讲input_ids和labels。假设我们现在有样本：我爱北京天安门，你喜欢什么？，分词之后得到["我", "爱", "北京", "天安门", "你", "喜欢", "什么", "？"]，之后转换为token_id，[12, 112, 122324, 22323, 23, 2346, 1233, 545]，我们有Output：我喜欢故宫，转换为token_id：[12, 2346, 654]，一般情况下，output前后会被标识，比如bos_token_id和eos_token_id，假设分别为1和2，那么我们样本的输入就是：[12, 112, 122324, 22323, 23, 2346, 1233, 545] + [1] + [12, 2346, 654] + [2]。至于labels的构建，直接说明为：[-100, -100, -100, -100, -100, -100, -100, -100, 1, 12, 2346, 654, 2]，长度和input_ids保持一致。有人可能会疑惑，不是说是根据上一个字预测下一个字吗?怎么是自己预测自己。这是因为一般的模型内部在前向计算的时候已经帮我们处理了：input_ids = input_ids[-1] labels=labels[1:]。-100是表示在计算损失的时候不考虑标签为-100的位置。如果还设置了文本最大长度，则input_ids后面用pad_token_id进行填充，需要注意可能有的模型的tokenization中pad_token为None，需要自己去设置一个，可以和eos_token_id一样。而标签需要用-100进行填充。

针对于chatglm，除了上述说明的外，它还有一个额外的[gMASK]标记。而它的输入为：

#instruction为instruction+input#[gmask]等标记转换为id，这里直接展示input_ids=instruction_ids+[gmask]++output_ids+#+1是[gmask]-100*len(instruction_ids+1)++output_ids+

所以说不同模型的输入构造可能不大一样，需要注意：

tokenization也很重要，我们一般可以先探索一下，在test_tokenizer.py中：

fromtransformersimportAutoTokenizer,AutoModeltokenizer=AutoTokenizer.from_pretrained("model_hub/chatglm-6b",trust_remote_code=True)text="我爱北京天安门"print(tokenizer(text))print(tokenizer.convert_ids_to_tokens([18060,12247,14949]))print(tokenizer.decode([18060,12247,14949]))#打印特殊tokenprint("BOStoken:",tokenizer.bos_token)print("EOStoken:",tokenizer.eos_token)print("PADtoken:",tokenizer.pad_token)print("UNKtoken:",tokenizer.unk_token)#打印特殊token_idprint("BOStoken:",tokenizer.bos_token_id)print("EOStoken:",tokenizer.eos_token_id)print("PADtoken:",tokenizer.pad_token_id)print("UNKtoken:",tokenizer.unk_token_id)print(tokenizer.decode([130004,67470,24,83049,4,76699,24,83049,4,67357,65065,24,83049,4,64484,68137,63940,24,64539,63972,4,69670,72232,69023,24,83049,4,64372,64149,24,83049,4,63855,24,83049,130005]))#这个是chatglm特有的。input_ids=tokenizer.build_inputs_with_special_tokens([1],[2])print(input_ids)

我们要注意看一下特殊标记是否为空，其它的话一些编码、解码、分词、tokenizer(文本)返回什么（input_ids、attention_mask）之类的。可以根据自己的需要进行尝试。

模型加载方式的话，一般使用的是AutoTenizer和AutoModelForCausalLM，但有的模型可能这么加载会报错。比如LLaMA的加载方式就是：LlamaForCausalLM和LlamaTokenizer,。针对于chatglm的话，加载方式为：AutoTenizer和AutoModel，但需要注意的是其加载的时候设置了trust_remote_code=True，该参数会根据映射找到真正使用的模型文件，比如modeling_chatglm.py。下载好模型权重后，我们可以根据情况先看看效果，在test_model.py里面:

fromtransformersimportAutoTokenizer,AutoModeltokenizer=AutoTokenizer.from_pretrained("model_hub/chatglm-6b",trust_remote_code=True)model=AutoModel.from_pretrained("model_hub/chatglm-6b",trust_remote_code=True).half().cuda()model=model.eval()response,history=model.chat(tokenizer,"你好",history=[])print(response)response,history=model.chat(tokenizer,"晚上睡不着应该怎么办",history=history)print(response)

其它的一些就是结合一些库的使用了，比如：

需要注意的是， 我们可以把数据拆分为很多小文件放在一个文件夹下，然后遍历文件夹里面的数据，用datasets加载数据并进行并行处理后保存到磁盘上。如果中间发现处理数据有问题的话要先删除掉保存的处理后的数据，再重新进行处理，否则的话就是直接加载保存的处理好的数据。

在SFT之后其实应该还有对齐这部分，就是对模型的输出进行规范，比如使用奖励模型+基于人类反馈的强化学习等，这里就不作展开了。

最后，接下来的话终于要开始去好好了解下langchain了，一直都在关注这个但没有好好地看下。

https://github.com/ymcui/Chinese-LLaMA-Alpaca