3b24a9fd1e
- 在README中新增模型下载章节，包含ModelScope链接 - 更新模型示例代码中的默认检查点路径 - 优化训练脚本的注释和参数说明 - 添加中文文档的模型下载和体验地址 - 修复文档中的训练时长和设备信息
155 lines
8.8 KiB
Python
155 lines
8.8 KiB
Python
import os
|
||
import pickle
|
||
from contextlib import nullcontext
|
||
import torch
|
||
from k_model import ModelConfig, Transformer
|
||
from transformers import AutoTokenizer, AutoModelForCausalLM
|
||
import argparse
|
||
|
||
class TextGenerator:
|
||
def __init__(self,
|
||
checkpoint='./base_model_215M/pretrain_1024_18_6144.pth', # 模型检查点路径
|
||
tokenizer_model_path='./tokenizer_k/', # 分词器模型路径
|
||
seed=42, # 随机种子，确保可重复性
|
||
device=None, # 设备，优先使用 CUDA，如果没有可用的 CUDA，则使用 CPU
|
||
dtype="bfloat16"): # 数据类型，默认为 float32，可以选择 float16 或 bfloat16
|
||
"""
|
||
初始化 TextGenerator 类，加载模型、设置设备和分词器等。
|
||
"""
|
||
# 模型加载配置
|
||
self.checkpoint = checkpoint # 保存的模型检查点路径
|
||
self.tokenizer_model_path = tokenizer_model_path # 分词器模型文件路径
|
||
self.seed = seed # 随机数种子，用于生成的可重复性
|
||
self.device = device or ('cuda:0' if torch.cuda.is_available() else 'cpu') # 根据硬件条件选择设备
|
||
self.dtype = dtype # 模型的浮点数类型
|
||
self.device_type = 'cuda' if 'cuda' in self.device else 'cpu' # 判断当前设备是否为 CUDA
|
||
|
||
# 设置随机种子，确保生成的可重复性
|
||
torch.manual_seed(seed) # 设置 CPU 随机种子
|
||
torch.cuda.manual_seed(seed) # 设置 CUDA 随机种子
|
||
torch.backends.cuda.matmul.allow_tf32 = True # 允许 CUDA 使用 TF32 精度进行矩阵乘法运算
|
||
torch.backends.cudnn.allow_tf32 = True # 允许 cuDNN 使用 TF32 精度加速
|
||
|
||
# 根据 dtype 选择适当的自动混合精度上下文
|
||
ptdtype = {'float32': torch.float32, 'bfloat16': torch.bfloat16, 'float16': torch.float16}[self.dtype]
|
||
self.ctx = nullcontext() if self.device_type == 'cpu' else torch.amp.autocast(device_type=self.device_type, dtype=ptdtype)
|
||
|
||
# 加载模型检查点文件
|
||
checkpoint_dict = torch.load(self.checkpoint, map_location=self.device) # 加载模型参数 # 初始化模型参数
|
||
self.model = Transformer(ModelConfig(dim=1024, n_layers=18)) # 实例化 Transformer 模型
|
||
sunwanted_prefix = '_orig_mod.'
|
||
for k, v in list(checkpoint_dict.items()):
|
||
if k.startswith(sunwanted_prefix):
|
||
checkpoint_dict[k[len(sunwanted_prefix):]] = checkpoint_dict.pop(k)
|
||
self.model.load_state_dict(checkpoint_dict, strict=False)
|
||
|
||
# 计算模型参数量
|
||
num_params = sum(p.numel() for p in self.model.parameters() if p.requires_grad)
|
||
print(f"Model has {num_params / 1e6:.3f} M parameters.")
|
||
# 设置模型为评估模式（evaluation mode），防止训练模式下的 dropout 等操作影响结果
|
||
self.model.eval()
|
||
# 将模型放置到正确的设备上（GPU 或 CPU）
|
||
self.model.to(self.device)
|
||
# 初始化分词器
|
||
self.tokenizer = AutoTokenizer.from_pretrained(self.tokenizer_model_path) # 根据指定的路径加载分词器
|
||
|
||
def chat_template(self, prompt):
|
||
message = [
|
||
{"role": "system", "content": "你是一个AI助手，你的名字叫小明。"},
|
||
{"role": "user", "content": prompt}
|
||
]
|
||
return self.tokenizer.apply_chat_template(message, tokenize=False, add_generation_prompt=True)
|
||
|
||
def sft_sample(self,
|
||
start="Hello!", # 生成文本的起始提示词，可以是任意字符串
|
||
num_samples=3, # 生成样本的数量，默认生成 3 个样本
|
||
max_new_tokens=256, # 每个样本生成的最大 token 数，默认最多生成 256 个 token
|
||
temperature=0.7, # 控制生成的随机性，1.0 为标准，值越大越随机
|
||
top_k=300): # 保留概率最高的 top_k 个 token，限制生成时的选择范围
|
||
"""
|
||
根据给定的起始文本生成样本。
|
||
|
||
:param start: 生成文本的起始提示词
|
||
:param num_samples: 要生成的文本样本数
|
||
:param max_new_tokens: 每个样本生成的最大 token 数
|
||
:param temperature: 控制生成的随机性，值越小生成越确定，值越大生成越随机
|
||
:param top_k: 限制生成时选择的 token 范围
|
||
:return: 生成的文本样本列表
|
||
"""
|
||
start = self.chat_template(start)
|
||
# 将起始文本编码为 token id 序列
|
||
start_ids = self.tokenizer(start).data['input_ids']
|
||
# print('start_ids:', start_ids)
|
||
x = (torch.tensor(start_ids, dtype=torch.long, device=self.device)[None, ...]) # 将编码后的 token id 转为 PyTorch 张量
|
||
generated_texts = [] # 用于保存生成的文本样本
|
||
with torch.no_grad(): # 禁用梯度计算，提升效率
|
||
with self.ctx: # 进入自动混合精度的上下文（如果是 GPU 并使用 float16 时）
|
||
for k in range(num_samples): # 循环生成指定数量的样本
|
||
y = self.model.generate(x, self.tokenizer.eos_token_id, max_new_tokens, temperature=temperature, top_k=top_k) # 生成文本
|
||
generated_texts.append(self.tokenizer.decode(y[0].tolist())) # 解码生成的 token 序列为可读文本
|
||
return generated_texts # 返回生成的文本样本
|
||
|
||
|
||
def pretrain_sample(self,
|
||
start="Hello!", # 生成文本的起始提示词，可以是任意字符串
|
||
num_samples=3, # 生成样本的数量，默认生成 3 个样本
|
||
max_new_tokens=256, # 每个样本生成的最大 token 数，默认最多生成 256 个 token
|
||
temperature=0.7, # 控制生成的随机性，1.0 为标准，值越大越随机
|
||
top_k=300): # 保留概率最高的 top_k 个 token，限制生成时的选择范围
|
||
"""
|
||
根据给定的起始文本生成样本。
|
||
|
||
:param start: 生成文本的起始提示词
|
||
:param num_samples: 要生成的文本样本数
|
||
:param max_new_tokens: 每个样本生成的最大 token 数
|
||
:param temperature: 控制生成的随机性，值越小生成越确定，值越大生成越随机
|
||
:param top_k: 限制生成时选择的 token 范围
|
||
:return: 生成的文本样本列表
|
||
"""
|
||
# 如果 start 是以 'FILE:' 开头，表示从文件中读取起始文本
|
||
if start.startswith('FILE:'):
|
||
with open(start[5:], 'r', encoding='utf-8') as f:
|
||
start = f.read() # 读取文件内容作为起始文本
|
||
|
||
# 将起始文本编码为 token id 序列
|
||
start_ids = self.tokenizer(start).data['input_ids']
|
||
# print('start_ids:', start_ids)
|
||
x = (torch.tensor(start_ids, dtype=torch.long, device=self.device)[None, ...]) # 将编码后的 token id 转为 PyTorch 张量
|
||
# print(x.shape)
|
||
generated_texts = [] # 用于保存生成的文本样本
|
||
with torch.no_grad(): # 禁用梯度计算，提升效率
|
||
with self.ctx: # 进入自动混合精度的上下文（如果是 GPU 并使用 float16 时）
|
||
for k in range(num_samples): # 循环生成指定数量的样本
|
||
y = self.model.generate(x, max_new_tokens=max_new_tokens, temperature=temperature, top_k=top_k) # 生成文本
|
||
generated_texts.append(self.tokenizer.decode(y[0].tolist())) # 解码生成的 token 序列为可读文本
|
||
|
||
return generated_texts # 返回生成的文本样本
|
||
|
||
if __name__ == "__main__":
|
||
print("------------------- Pretrain Sample ------------------- \n")
|
||
|
||
pretrain_prompt_datas = [
|
||
'<|im_start|>北京大学是',
|
||
'<|im_start|>中国矿业大学（北京）地球科学与测绘工程学院',
|
||
]
|
||
|
||
generator = TextGenerator(checkpoint='./base_model_215M/pretrain_1024_18_6144.pth') # 初始化生成器
|
||
for i in range(len(pretrain_prompt_datas)):
|
||
samples = generator.pretrain_sample(start=pretrain_prompt_datas[i], num_samples=1, max_new_tokens=120, temperature=0.75)
|
||
print(f"\nSample {i+1}:\n{pretrain_prompt_datas[i]}{samples[0]}\n{'-'*20}") # 打印生成的样本并用分隔线分割
|
||
|
||
print("\n ------------------- SFT Sample ------------------- \n")
|
||
|
||
sft_prompt_datas = [
|
||
'你好呀',
|
||
"中国的首都是哪里？",
|
||
"1+12等于多少？",
|
||
"你是谁？"
|
||
]
|
||
generator = TextGenerator(checkpoint='./sft_model_215M/sft_dim1024_layers18_vocab_size6144.pth') # 初始化生成器
|
||
for i in range(len(sft_prompt_datas)):
|
||
samples = generator.sft_sample(start=sft_prompt_datas[i], num_samples=1, max_new_tokens=128, temperature=0.6)
|
||
print(f"\nSample {i+1}:\nQuestion: {sft_prompt_datas[i]} \nAI answer: {samples[0]}\n{'-'*20}") # 打印生成的样本并用分隔线分割
|
||
|
||
|