原创 August 2024-12-19 23:13 浙江
冬令营优秀学习笔记（二）
Datawhale分享
作者：August
大模型微调的过程
?建议严格按照此流程来，不要跳步，不然可能会做无用功。
比如如果没有好好构建数据集，最后发现微调模型效果不佳是数据集的问题，就事倍功半了。
方案的构思与落地：几种可能的选择
我有个问题，我现在写了一个prompt，用户可以自己输入内容，但我不想让用户看见这个prompt，只有一个输入区在那儿，要怎么实现呢？
我怎么能够调用两个模型，让他们相互衔接呢？
……
在正式开始之前，需要先想好以下问题：
自己想要做的到底是什么？它要达到什么效果？预期目标是什么？
自己做的到底是一个广而泛之的大模型、还是一个封装好的产品（如智能体）？
创新点是在于专业领域的深耕（意味着需要训练新模型）、还是已有内容的衔接（意味着调用已有模型，用到工作流），还是二者都有？
❓什么是Agent？
——Agent指的是基于人工智能技术，尤其是大型语言模型（LLM），能够感知和理解环境，并采取行动以完成目标的智能实体
在讯飞MaaS上，如果我们想做一个Agent，可以在大模型应用平台中实现。
❓什么是workflow？
——工作流（Workflow）是指完成特定任务或一系列任务的步骤和过程。在讯飞MaaS的大模型应用平台中有对应的模块。目前已经上线的节点有：大模型、代码、决策、分支器、变量提取器、文本拼接等等。
如果你的idea需要训练新模型，那么可以继续往下。但如果你的idea只是涉及已有模型的流程拼接，则可以直接用workflow实现，不涉及以下过程。
数据集的获取与构建
数据集的获取
练成数据集，微调就成功了一大半。
——不要葱姜蒜老师
对于新手而言，我们可以根据数据集的可获得性分为两种：公开已有的、难以获得的。
❓如何获得公开已有的数据？
——最简单的数据集获取方案是去相关开源平台搜索并下载，如：github、hugging face、魔搭等平台。尤其是小说等文本类数据特别多。
也可以尝试从网站上爬取，但需要一定技术支持。
❓如果我需要的数据全网没有/难以获得怎么办？
——自行构建数据集。
然而，自行构建几百上千条数据集非常麻烦，如何能够快速实现这一过程？这里介绍两个思路
借助讯飞MaaS平台的数据增强功能。可以先尝试自己手搓50条数据，然后再借助讯飞MAAS平台【数据增强】功能让数据翻倍。
借助大模型快速构建数据集。手搓了几十条数据后，把数据作为示例丢给大模型，让它输出类似的内容
❗一开始不要让大模型生成太多，建议第一轮先让大模型生成20条，精读这20条，找大模型经常会犯的错误。然后把这些错误作为错误示例加入到Prompt中
个人经验：大模型一轮可以做到生成200条及以上的数据
一个简单的Prompt示例（来自@August）
参照示例，输出20个类似的“近期运气”问题给我，注意要生活化、语言不要太夸张，最好不要有场景、有类似于“在活动中”、“在比赛中”之类的定语与状语；语句不要太累赘、尤其是不要有太多定语，正常人不这样说话。示例：我这个季度顺利吗？我这个季度会发财吗？最近有哪些事情在等着我？最近会发生什么事情？近期我能否被幸运之神垂青？
数据的清洗
原始数据集并不符合模型训练可以接受的形式，因此需要对原始数据进行清理，处理为模型可以学习的格式。
在讯飞MaaS平台中，微调数据集通常以AIpaca的形式构建。具体内容详见讯飞开放平台说明。
AIpaca
特点：结构简单，适用于文本生成、翻译、总结等任务，尤其是单轮的、任务导向的指令微调
instruction任务的指令，类似于用户的直接输入
input任务所需的输入内容。通常情况下为空（因为若任务是开放式的，或者不需要明确输入，可以为空字符串）
output在给定指令和输入的情况下，模型需要生成的期望输出，也就是对应的正确结果或参考答案。
system可以理解成模型的预先Prompt
[{"instruction": "人类指令（必填）","input": "人类输入（选填）","output": "模型回答（必填）","system": "系统提示词（选填）","history": [["第一轮指令（选填）", "第一轮回答（选填）"],["第二轮指令（选填）", "第二轮回答（选填）"]]}]
简单来说，这个结构可以理解为：请大模型记住现在的角色history，当用户输入类似于instruction内容的时候，大模型需要返回类似于output的结果
相当于帮助大模型建立了问题-回答之间的映射关系。
可以把数据集理解为给模型的练习题
instruction+input = 问题
output = 答案
模型基底的比较
在正式开始调试模型前，特别重要的是选择一个合适的模型基底。尽管讯飞MaaS平台已经对模型擅长的内容有了一些介绍，但具体到各个垂直领域，还是需要自行测试与总结。
其中，讯飞MaaS平台上提供的Llama3模型主要基于英文语料（训练语料中只有0.2%是中文）所以经常会有同学有以下问题：
❓如何实现Llama3的输出是中文？
——输入自己的中文数据集，然后选择全参数微调，然后再次进行lora训练。
同时，也可以在自己的中文数据集的system部分加入“请输出中文”（但目前讯飞MaaS平台好像不支持这个）
模型训练
构建好数据集、选择好模型基底后，可以开始训练模型啦！
参数的选择
在训练模型的过程中，有很多参数可以选择。
?个人的经验是，需要尤其注意其中的“训练次数”！若数据集超过10000了，训练次数最高也要低于5，不然会出现过拟合问题（下章）
效果的评估
大家都说效果不好，那你的预期目标效果是什么呢？
——葱姜蒜煎蛋老师
对于模型效果的评估，我们可以用客观+主观的标准来衡量。尤其要注意出现过拟合问题。
❓什么是过拟合？
——过拟合指的是模型学习数据时，不仅记住了数据中的细节，还把偶然出现、不重要的东西（即“噪声”）同时记住了。
当出现过拟合问题的时候，可以考虑
数据集问题：提升数据集质量/数据集过多
微调问题：学习轮次与数据条数不匹配，学习轮次过多
主观的标准：根据自己对产品的预期，确定预期目标效果的评估框架。这是最重要的
客观的标准：查看loss曲线。
Loss曲线是用于评估模型学习状态（学习损失）的曲线。
你的loss曲线调到0.1、0.2了，肯定不行呀
——葱姜蒜煎蛋老师
理想的拟合状态
有待提升的拟合状态
以下内容来自Cheng Xiaojuan的笔记和机器学习术语表
表现1：loss下降的非常平缓，以至于似乎并没有下降，这说明模型根本没从数据中学到东西（欠拟合）。
表现2：曲线振荡
表现3：模型急剧跳跃
表现4：loss值过低，快到0.2、0.3了（来自@August）
模型的发布
模型做好发布后，可以直接调用API，请求地址如下：
wss://xingchen-api.cn-huabei-1.xf-yun.com/v1.1/chat调用API可参考以下文档：开源大模型 Web API文档
还有更多需要考虑……
目前得益于讯飞MaaS平台的开放性和公益性，模型的训练、发布、调用很多都不需要考虑成本问题。
然而在实际过程中，模型的每一次测试、训练等都是有成本的。如果想把模型打造成一个商业产品，则一定需要考虑成本问题。
你的模型商业成本是多少？已经最低了吗？
比如：
❓如果有两种技术实现路径，第一个路径是用一个模型、一次实现，但是Prompt超级长（差不多2000字）、另一个是用workflow，涉及到2~3个模型，整个workflow的prompt字数可能在1000以内。一般哪个路径更便宜呢？
——费用主要看模型的输入输出的token，如果都差不多的话，那价格也差不多。
作者主页：https://blog.csdn.net/weixin_45092438/category_12856410.html
一起“点赞”三连↓
