LLM/Linly-OpenLLaMA基础模型【深大从头训练LLaMA】__及增量训练中文Falcon基础模型

code地址：https://github.com/CVI-SZU/Linly ：：：：伶荔（Linly）

0 Linly-OpenLLaMA基础模型【从头训练LLaMA】https://github.com/CVI-SZU/Linly/wiki/Linly-OpenLLaMA

Linly-OpenLLaMA模型在大规模中英文语料上从头训练词表和模型参数，包含3B、7B、13B规模，在1TB中英文语料预训练，针对中文优化字词结合tokenizer，使用的数据包含中、英文无监督数据和平行语料，在语料上重新训练spm tokenizer，在中文上获得字词结合的分词效果。与Meta的原始LLaMA相同的模型结构和训练参数从头预训练。模型以 Apache License 2.0 协议开源，支持商业用途。训练细节

0.0 构建 tokenizer

首先在大规模中英文语料上训练 SPM，词表大小为 50000。
根据结巴分词词频前20000的词表扩充中文词，并扩充简繁体汉字。扩充后词表大小为 66242。

0.1 预训练数据

在第一阶段预训练，共使用100GB语料，其中20G中文语料、10G平行语料、70G英文语料。

0.2 模型结构

Linly-OpenLLaMA使用和Meta相同的模型结构

0.3 预训练参数

基本上采用 LLaMA 的训练参数，其中 Batch Size 通过梯度累积实现。

Sequence Length: 2048
Batch Size: 4096
Learning Rate: 3e-4
cosine schedule, 0.1 weight decay

0.4 预测--模型下载OpenLLaMA-13B：Linly-AI/OpenLLaMA-13B at main

Linly-OpenLLaMA 模型在大规模中英文语料上从头训练词表和模型参数，与原始 LLaMA 模型结构和使用方法一致。模型以 Apache License 2.0 协议开源，支持商业用途。训练细节

模型下载	分类	训练数据	训练序列长度	版本	更新时间
OpenLLaMA-13B	基础模型	100G 通用语料	2048	v0.1	2023.5.29

1 增量训练中文Falcon基础模型：模型实现和训练细节

Falcon系列模型使用经过筛选的1万亿tokens进行预训练，然而Falcon模型在使用上面临和 LLaMA模型类似的问题：1）由于模型主要在英文数据集上训练，因此它理解和生成中文的能力偏弱；2）Falcon 在构建词表时没有加入中文字/词，中文字会被拆分成多个 token 的组合，这导致中文文本会被拆分成更长的 tokens 序列，降低了编码和生成效率。

针对以上问题，“伶荔Linly”项目团队以 Falcon 模型为底座扩充中文词表，利用中文和中英平行增量预训练将模型的语言能力迁移学习到中文，实现 Chinese-Falcon。本文介绍中文Falcon的实现方案：包括数据集构建、中文字词扩充、模型结构【Falcon、LLaMA 与传统 GPT 的异同】和训练参数等。

1.1 Falcon模型结构：GPT、LLaMA和Falcon的计算流程对比

Falcon与GPT系列一样采用单向Transformer-decoder模型架构，并以语言模型作为训练目标。与GPT-3相比，Falco的结构具有如下变化：1. 位置编码：Falcon使用旋转位置编码（RoPE），近期的大模型包括GPT-Neo、PaLM和LLaMA等都采用了RoPE。2. 注意力机制：使用Multi-Query将key和value映射到单个注意力头，只有query保留多头矩阵，这种简化方案能提升生成效率；使用FlashAttention将注意力矩阵分块，加速计算并降低内存IO开销。3. Transformer：只使用单个layer_norm层，将Attention和MLP并行。

从Transformer模型结构上看，LLaMA将Layer-Norm层放在Ateention和FFN的输入，这样有助于大模型训练稳定性（由GPT2论文提出），FFN部分使用了门控线性层（GLU），这种结构最初被用在T5-1.1，实验效果优于MLP。LLaMA的设计着重于性能提升；；而Falcon对Transformer的改进着重于效率提升：将Layer-Norm层减少到一个并简化了注意力的计算（Multi-Query Attention），因此Falcon比LLaMA的生成速度更快。

“伶荔（Linly）”项目中Falcon实现方案：使用TencentPretrain复现Falcon模型结构，用语言模型目标增量训练模型。根据Falcom的模型结构，新增了FlashAttention（Multi-Query）模块，复用已有的MLP、Transformer、LM_target等模块，来复现Falcon模型。。。。TencentPretrain 是 UER-py 预训练框架的多模态版本，支持 BERT、GPT、T5、ViT、Dall-E、Speech2Text 等文本、图像和语音预训练模型及下游任务。TencentPretrain 基于模块化设计，可以通过模块组合的方式构成各种模型，也可以通过复用已有的模块进行少量修改来实现新的模型。

不同模型使用到的模块如下图所示：

1.2 数据构建

中文字词扩充：首先扩充Falcon词表，包括 8,701 个常用汉字，jieba 词表中前 20,000个中文高频词以及 60 个中文标点符号。去重后共增加 25,022 个 token，词表大小扩充为 90,046。改变词表后，embedding 和 target.output_layer 矩阵也要对应的扩充。将每个新增字/词在原始 tokenizer 中的对应向量的平均作为初始化。

数据集构建：在第一阶段使用50GB数据进行预训练，其中20G中文通用语料为模型提供中文语言能力和中文知识，10G中英文平行语料用于对齐模型的中英文表示，将英文语言能力迁移到中文上，20G英文语料用于数据回放，缓解模型遗忘。数据已在Linly项目中公开，细节如图所示：

1.3 训练

在模型训练阶段使用与Falcon预训练相同的超参数设置：AdamW，ZeRO Optimizer，Batch size 2304，对于增量训练，我们设置更低的学习率2e-5。

作为中文embedding初始化，先冻结Transformer权重，只更新embedding和output_layer部分，训练16k steps。进一步，在通用语料上启动全参数训练（Full-tuning）

除了第一阶段的50GB语料外，还将使用自建中文数据集和SlimPajama数据集共2TB语料训练中文Falcon基础模型，在伶荔项目中持续更新。

预训练框架：https://github.com/Tencent/Tenc

增量训练：https://github.com/CVI-SZU/Linly/wiki/%E5%A2%9E%E9%87%8F%E8%AE%AD%E7%BB%83

LoRA训练：https://github.com/CVI-SZU/Linly/wiki/LoRA%E8%AE%AD%E7%BB%83

1.4 预测--模型下载Linly-Chinese-Falcon：Linly-AI/Chinese-Falcon-7B at main

Chinese-Falcon 模型在 Falcon 基础上扩充中文词表，在中英文数据上增量预训练。模型以 Apache License 2.0 协议开源，支持商业用途。模型实现和训练细节

模型下载	分类	训练数据	训练序列长度	版本	更新时间
Chinese-Falcon-7B (hf格式)	基础模型	50G 通用语料	2048	v0.2	2023.6.15

from transformers import AutoTokenizer, AutoModelForCausalLM
import transformers
import torch
model = "Linly-AI/Chinese-Falcon-7B"


tokenizer = AutoTokenizer.from_pretrained(model)
pipeline = transformers.pipeline(
    "text-generation",
    model=model,
    tokenizer=tokenizer,
    torch_dtype=torch.bfloat16,
    trust_remote_code=True,
    device_map="auto",
)
sequences = pipeline(
   "User: 你如何看待996？\nBot: 我认为996制度是一种不可取的工作时间安排，因为这会导致员工过多的劳累和身心健康问题。此外，如果公司想要提高生产效率，应该采用更有效的管理方式，而不是通过强行加大工作量来达到目的。\nUser: 那么你有什么建议？\nBot:",
    max_length=200,
    do_sample=True,
    top_k=10,
    num_return_sequences=1,
    eos_token_id=tokenizer.eos_token_id,
)


for seq in sequences:
    print(f"Result: {seq['generated_text']}")

2 伶荔（Linly）

以LLaMA为底座-基于LLaMA权重和词表，利用中文和中英平行数据增量预训练，将它在英文上语言能力迁移到中文上；基于TencentPretrain预训练框架全参数训练（Full-tuning）得到中文基础模型Linly-Chinese-LLaMA。进一步汇总目前公开的多语言指令数据，对中文基础模型Linly-Chinese-LLaMA进行了大规模指令训练，实现 Linly-ChatFlow中文对话模型。

模型下载	分类	训练数据	训练序列长度	版本	更新时间
Chinese-LLaMA-7B	基础模型	100G 通用语料	2048	v1.2	2023.5.29
ChatFlow-7B	对话模型	5M 指令数据	1024	v1.1	2023.5.14
Chinese-LLaMA-13B	基础模型	100G 通用语料	2048	v1.2	2023.5.29
ChatFlow-13B	对话模型	5M 指令数据	1024	v1.1	2023.5.14
Chinese-LLaMA-33B (hf格式)	基础模型	30G 通用语料	512	v1.0	2023.4.27