【基础模型】开始构建我们自己的大语言模型3：训练我们的模型（内附免费完整训练资源）

在前两章中，我们介绍了如何准备数据集以及搭建基本的语言模型架构。现在，我们进入到模型的训练阶段（这一章很简单）

训练资源

提供鲁迅作品数据集：数据集文件源URL
和MPTS数据集：数据集文件2源URL
(mpts数据集虽然是json格式，但可以不用预处理，直接将带有json语法的数据集拿去训练也行)

代码概览

本篇博文将通过分析提供的代码片段来介绍如何训练一个语言模型。该代码包含了一些实用的功能，比如损失记录、模型检查点保存、实时绘图展示训练过程中的损失变化等。

准备工作

确保你已经完成了以下准备工作：

• 数据集已经被正确地处理和准备好。
• 模型架构已经被定义好。
• 导入了必要的库（例如 matplotlib 和 tensorflow）。

训练循环

训练循环是模型训练的核心部分。在我们的代码中，训练循环被组织在一个简单的 for 循环中，它遍历每个 epoch，并在每个 epoch 中遍历数据集的每一个 batch。

for epoch in range(ste, EPOCHS):
    for ii, dd in enumerate(dataset):
        # ...
1
2
3

在这个循环中，我们首先检查是否需要跳过某些 batch，然后获取当前 batch 的数据并预处理为模型所需的输入格式。接下来，我们调用模型的 train_on_batch 方法来进行一次前向传播和反向传播，更新模型权重以最小化损失函数。

input_sequences, target_sequences = preprocess_data_for_training(dd)#这个函数上一张定义了
loss = model.train_on_batch(input_sequences, target_sequences)#训练1个batch的数据
1
2

监控训练进度

为了监控训练过程，我们记录每次训练迭代的损失值，并将其可视化显示出来。这有助于我们了解模型的学习情况。

vli.append(loss)
plt.plot(range(1, len(vli) + 1), vli)
plt.show(block=False)
plt.pause(0.05)
1
2
3
4

模型检查点与保存

在训练过程中，我们通常会定期保存模型的权重，以便在训练中断或完成时能够恢复或评估模型。此外，我们还允许用户通过文件指示来控制模型的保存。

if ii % save_every == 0:
    model.save_weights(ncheckpoint_prefix)
elif 'true' in s or '1' in s:
    model.save_weights(ncheckpoint_prefix)
1
2
3
4

测试模型

在训练过程中，我们还可以定期测试模型的生成能力，这对于验证模型的有效性非常有帮助。

if 'true' in sp or '1' in sp:
    m, d = test.load(ckpt_dir=ncheckpoint_dir, model_type=mt)
    ret = test.generate_texts_fast(m, d, yw, num_generate=16, ret_ori=False)
    print('原文：', yw, '\n\n测试续写：', repr(ret))
1
2
3
4

总结

在本篇博文中，我们介绍了如何设置训练循环来训练一个语言模型，包括监控训练进度、保存模型检查点、以及进行中间测试。这些步骤对于训练任何深度学习模型都是非常重要的，希望这篇博文能帮助你更好地理解和实践模型训练的过程。

下一步

接下来，你可以尝试运行这段代码并观察模型的训练过程。调整超参数如学习率、批次大小等，看看它们如何影响模型的表现。此外，还可以尝试使用不同的数据集或模型架构来进一步提高模型的性能（详见下几章）。

基础模型1-3的完整代码(代码了一下，导入库的步骤和文件路径可以自己加)，调用train函数就可以直接训练了：

训练函数以及后面的调用模型推理的函数会使用配置变量dic，格式如下：

• dic={0.01:[int(256420.7),int(1024420.7),512],
  }
  • 解释：{mt(model_type):[embedding_dim, rnn_units]}
    【你可以把它写到conf.pkl里面，每次调用dic的时候用pickle反序列化一下。】

代码有问题可以私信联系我，临时调整的格式。我用的tf版本是2.10.1。

                                            
def train(
    mt=3,
    big_file=False,#是否采用大文件加载策略
    #数据集
    path_to_file = r'en_novel.txt',
    ntype_='_en',#保存为微调模型名称
    #设置vocab版本
    vtype_='_lx',#type_#
    fen=50,#数据量分几份
    fwidx=0,#第几份
    BATCH_SIZE = 64,
    loadmodel=False,
    pass_=-1,
    ste=0,
    ):'''
    多出的参数不必理会，后面会用到
    '''
    global LR,param_data,p_ntype
    p_ntype=ntype_
    


    if ntype_[0]!='_':ntype_='_'+ntype_
    type_=ntype_
    print('path_to_file',path_to_file)
    print('LR',LR)

    

    import os
    #dataset与vocab是配对的！
    if not os.path.exists(r'dataset/vocab'+vtype_+'.txt'):
        raise Exception("can't reading vocab from "+r'E:\小思框架\论文\ganskchat\vocab'+vtype_+'.txt')
    else:
        with open('dataset/vocab'+vtype_+'.txt','r',encoding='utf-8') as f:
            vocab=eval(f.read())

    UNK=0
    unkli=[]
    
    char2idx = {
   u:i for i, u in enumerate(vocab)}
    idx2char = np.array(vocab)

    print('{')
    for char,_ in zip(char2idx, range(20)):
        print('  {:4s}: {:3d},'.format(repr(char), char2idx[char]))
    print('  ...\n}')

    # 设定每个输入句子长度的最大值
    seq_length = dic[mt][2]
    
    def split_input_target(chunk):
        input_text = chunk[:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54