CN116821684A - 大语言模型的训练方法、装置、设备和介质 - Google Patents
大语言模型的训练方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN116821684A CN116821684A CN202310814621.2A CN202310814621A CN116821684A CN 116821684 A CN116821684 A CN 116821684A CN 202310814621 A CN202310814621 A CN 202310814621A CN 116821684 A CN116821684 A CN 116821684A
- Authority
- CN
- China
- Prior art keywords
- training
- data
- language model
- instruction
- question
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 217
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000000875 corresponding effect Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 13
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000003058 natural language processing Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Machine Translation (AREA)
Abstract
本公开提供了一种大语言模型的训练方法、装置、设备和介质,涉及人工智能技术领域,尤其涉及自然语言处理和深度学习等技术领域。该方法包括:获取大规模无监督文本数据;从大规模问答数据中提取多个问题答案对;基于多个问题答案对,构建弱监督指令数据,包括:针对多个问题答案对中的每一个问题答案对,将该问题答案对中的问题作为样本指令,并将该问题答案对中的答案作为与样本指令对应的真值回复数据,构建与该问题答案对对应的指令训练样本;以及基于与多个问题答案对各自对应的指令训练样本,构建弱监督指令数据;以及利用包括大规模无监督文本数据和弱监督指令数据的混合训练数据,对大语言模型进行预训练。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自然语言处理和深度学习等技术领域,具体涉及一种大语言模型的训练方法、大语言模型的训练装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括自然语言处理技术、计算机视觉技术、语音识别技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种大语言模型的训练方法、大语言模型的训练装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种大语言模型的训练方法,包括:获取大规模无监督文本数据;从大规模问答数据中提取多个问题答案对,多个问题答案对中的每一个问题答案对包括对应的问题文本和答案文本;基于多个问题答案对,构建弱监督指令数据,包括:针对多个问题答案对中的每一个问题答案对,将该问题答案对中的问题文本作为样本指令,并将该问题答案对中的答案文本作为与样本指令对应的真值回复数据,构建与该问题答案对对应的指令训练样本;以及基于与多个问题答案对各自对应的指令训练样本,构建弱监督指令数据;以及利用包括大规模无监督文本数据和弱监督指令数据的混合训练数据,对大语言模型进行预训练。
根据本公开的另一方面,提供了一种大语言模型的训练装置,包括:获取单元,被配置为,获取大规模无监督文本数据;提取单元,被配置为从大规模问答数据中提取多个问题答案对,多个问题答案对中的每一个问题答案对包括对应的问题文本和答案文本;构建单元,被配置为基于多个问题答案对,构建弱监督指令数据,构建单元包括:第一构建子单元,被配置为针对多个问题答案对中的每一个问题答案对,将该问题答案对中的问题文本作为样本指令,并将该问题答案对中的答案文本作为与样本指令对应的真值回复数据,构建与该问题答案对对应的指令训练样本;以及第二构建子单元,被配置为基于与多个问题答案对各自对应的指令训练样本,构建弱监督指令数据;以及预训练单元,被配置为利用包括大规模无监督文本数据和弱监督指令数据的混合训练数据,对大语言模型进行预训练。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中存储器存储有可被至少一个处理器执行的指令,这些指令被至少一个处理器执行,以使至少一个处理器能够执行上述方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行上述方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现上述方法。
根据本公开的一个或多个实施例,通过利用从大规模问答数据中提出当的问题答案对构建弱监督指令数据,能够在不引入额外人力的情况下,低成本地构造出大量指令数据,完成了大语言模型的指令理解能力强化,丰富了大语言模型指令理解能力增强的手段。此外,由于通过上述方法能够构造出大规模的弱监督指令数据,因此可以在预训练阶段使用这些指令数据。通过在预训练阶段将该数据与大规模无监督文本数据混合,并利用混合训练数据对大语言模型进行预训练,使得能够在保证大语言模型的基本语言能力的情况下,显著提升经预训练的大语言模型的指令理解能力,进而可以在此基础上进行微调以得到具有较强的指令理解能力并且能够用于处理各类任务的大语言模型。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的大语言模型的训练方法的流程图;
图3示出了根据本公开的实施例的利用混合训练数据对大语言模型进行预训练的流程图;
图4示出了根据本公开的实施例的大语言模型的训练方法的流程图;
图5示出了根据本公开的实施例的大语言模型的训练装置的结构框图;以及
图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
相关技术中,预训练大语言模型的指令理解能力通常较弱。
为解决上述问题,通过利用从大规模问答数据中提出当的问题答案对构建弱监督指令数据,能够在不引入额外人力的情况下,低成本地构造出大量指令数据,完成了大语言模型的指令理解能力强化,丰富了大语言模型指令理解能力增强的手段。此外,由于通过上述方法能够构造出大规模的弱监督指令数据,因此可以在预训练阶段使用这些指令数据。通过在预训练阶段将该数据与大规模无监督文本数据混合,并利用混合训练数据对大语言模型进行预训练,使得能够在保证大语言模型的基本语言能力的情况下,显著提升经预训练的大语言模型的指令理解能力,进而可以在此基础上进行微调以得到具有较强的指令理解能力并且能够用于处理各类任务的大语言模型。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行本公开的大语言模型的训练方法的一个或多个服务或软件应用。在一个示例性实施例中,服务器上可以部署用于深度学习大语言模型。
在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来使用深度学习大语言模型生成回复数据。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息,例如,可以向用户输出深度学习大语言模型针对用户输入指令所生成的回复。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS);或包括各种移动操作系统,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
根据本公开的一个方面,提供了一种大语言模型的训练方法。如图2所示,大语言模型的训练方法包括:步骤S201、获取大规模无监督文本数据;步骤S202、从大规模问答数据中提取多个问题答案对,多个问题答案对中的每一个问题答案对包括对应的问题文本和答案文本;步骤S203、基于多个问题答案对,构建弱监督指令数据,包括:步骤S2031、针对多个问题答案对中的每一个问题答案对,将该问题答案对中的问题文本作为样本指令,并将该问题答案对中的答案文本作为与样本指令对应的真值回复数据,构建与该问题答案对对应的指令训练样本;以及步骤S2032、基于与多个问题答案对各自对应的指令训练样本,构建弱监督指令数据;以及步骤S204、利用包括大规模无监督文本数据和弱监督指令数据的混合训练数据,对大语言模型进行预训练。
由此,通过利用从大规模问答数据中提出当的问题答案对构建弱监督指令数据,能够在不引入额外人力的情况下,低成本地构造出大量指令数据,完成了大语言模型的指令理解能力强化,丰富了大语言模型指令理解能力增强的手段。此外,由于通过上述方法能够构造出大规模的弱监督指令数据,因此可以在预训练阶段使用这些指令数据。通过在预训练阶段将该数据与大规模无监督文本数据混合,并利用混合训练数据对大语言模型进行预训练,使得能够在保证大语言模型的基本语言能力的情况下,显著提升经预训练的大语言模型的指令理解能力,进而可以在此基础上进行微调以得到具有较强的指令理解能力并且能够用于处理各类任务的大语言模型。
在本公开中,大语言模型为生成式的大语言模型。大语言模型具有端到端的特性,能够基于用户输入的指令数据直接生成回复数据。换句话说,大语言模型本身具有生成功能。大语言模型通常拥有数十亿甚至数千亿个参数,它们通常在大规模的文本数据或其他模态的数据上进行训练。大语言模型可以用于各种自然语言处理任务,例如文本生成、语言翻译和问答系统等。
大语言模型例如可以采用具有编码器(Encoder)和解码器(Decoder)的N层Transformer网络结构,或者是统一预训练语言模型(Unified pre-trained LanguageModel,UniLM)网络结构。可以理解的是,大语言模型还可以是其他的基于Transformer网络结构的神经网络模型,在此不作限定。大语言模型的输入和输出均是由令符(token)构成的。每一个令符可以对应一个单字、字符、词、特殊符号。大语言模型可以利用预训练任务进行训练,并使用指令数据和相应的真值回复数据进行微调,以具备上述生成功能。
在一些实施例中,大规模无监督文本数据的来源例如可以包括书籍、网页、小说、百科等数据。这类数据包括通常包含丰富的语言知识和世界知识,通过使用这类数据对大语言模型进行无监督预训练,可以帮助大语言模型学习语言的基本规律、学习不同领域不同类型的世界知识。
在一些实施例中,大规模问答数据例如可以来自公司内部数据、开源数据或者网络公开数据。
根据一些实施例,大规模问答数据可以包括问答场景的大规模网页数据。问答场景的网页数据例如可以包括论坛、知识问答、博客等。这些网页数据通常具有单轮或多轮的问题答案形式,这类数据虽然和大语言模型处理的指令数据有一定区别,但在任务形式上接近指令数据与满足指令的回复数据这样的形式,特别是可以海量收集,形式、类别、领域多样,能够显著提升大语言模型在处理不同类型不同领域下的用户的多样化指令的能力。
在一些实施例中,可以使用结构化信息提取的方式从大规模问答数据(例如,网页数据)中提取多个问题答案对,也可以采用其他方式进行提取,在此不作限定。
在一个示例性实施例中,从大规模问答数据中提取出的问题答案对可以包括:“问题:A国的首都在哪里?”——“答案:B市”。
在一些实施例中,可以针对多个问题答案对中的每一个问题答案对构造指令训练样本,并基于所有的指令训练样本构造弱监督指令数据;也可以在构造指令训练样本时设置相应的选择或过滤规则,以提升构造的指令训练样本的质量。真值(ground truth)回复数据可以视为满足对应的样本指令的回复数据。
在大语言模型的训练过程中,学习率决定了在每步参数更新中,模型参数有多大程度(或多快、多大步长)的调整。根据一些实施例,步骤S204、利用包括大规模无监督文本数据和弱监督指令数据的混合训练数据,对大语言模型进行预训练可以包括:基于递增的学习率,利用混合训练数据对大语言模型进行预设训练步数的预训练,以得到中间大语言模型;以及基于递减的学习率,利用混合训练数据对中间大语言模型进行预训练。
由此,通过在预训练初期先让学习率逐渐增加,然后再按照一定的衰减策略逐渐降低学习率,这种方式能够有效避免大语言模型在训练初期出现不稳定的情况,特别是在用于预训练的训练数据较为复杂(包括两个类型的数据)且训练难度较高(弱监督指令数据)的情况下,从而能够加速大语言模型的收敛速度。而通过让后期的学习率逐渐下降,能够提升训练精度。
在一些实施例中,递增的学习率、递减的学习率以及在学习率递增阶段的训练步数(即,预设训练步数)和/或学习率递减阶段的训练步数(例如,最大训练步数)可以是在训练开始前预先设置好的。在一些实施例中,学习率递增阶段的最后一轮的学习率可以是预训练过程中达到的最大学习率,在之后的预训练中,学习率相比于该最大学习率逐步递减。
根据一些实施例,预设训练步数的预训练中的每一步所使用的混合训练数据中的弱监督指令数据的比例可以是基于当前训练步数和预设训练步数而确定的。由此,通过使用当前训练步数和学习率增加阶段的预设训练步数确定该阶段的每一步训练所使用的混合训练数据中的弱监督指令数据的比例,使得预训练过程中能够动态调整混合训练数据中的大规模无监督文本数据和弱监督指令数据的比例,从而提升训练效果,加速大语言模型收敛。
根据一些实施例,弱监督指令数据的比例可以与当前训练步数和预设训练步数的比值呈正相关。由此,在学习率递增的训练阶段中逐步增加弱监督指令数据的比例,避免了大语言模型在训练初期具备较弱的基本语言处理能力时使用太多难度较大的指令训练样本进行训练,使得训练数据的难度与大语言模型当前的能力匹配。
在一些实施例中,在学习率递减的训练阶段,由于此时大语言模型已经具备了一定的基本语言处理能力,因此可以维持弱监督指令数据的比例不变。
根据一些实施例,弱监督指令数据的比例可以等于第一值和第二值的和。第一值可以等于当前训练步数和预设训练步数的比值与预设的基准训练比例的乘积,第二值可以为预设的最小训练比例。
在一些实施例中,弱监督指令数据的训练比例β可以表示为:
其中,t为当前训练步数,M为预设训练步数,即学习率递增阶段的步数,base_ratio为预设的基准训练比例(例如,0.2),min_ratio为预设的最小训练比例(例如,0.01)。该式还描述了在学习率递减的训练阶段,维持弱监督指令数据的比例不变,为预设的基准训练比例与预设的最小训练比例的和。
由此,通过上述方式,可以确保在预训练的全过程中,弱监督指令数据的训练比例一直维持在合适的数值。
根据一些实施例,如图3所示,步骤S204、利用包括大规模无监督文本数据和弱监督指令数据的混合训练数据,对大语言模型进行预训练可以包括:步骤S301、针对混合训练数据中的弱监督指令数据,将弱监督指令数据所包括指令训练样本中的样本指令输入大语言模型,以得到预测回复数据;步骤S302、基于真实回复数据和预测回复数据,确定损失值;以及步骤S303、基于损失值,调整大语言模型的参数。由此,通过上述方式,实现了利用弱监督指令数据对大语言模型进行预训练,以增强大语言模型的指令理解能力。
可以理解的是,在实施本公开中的技术方案时,可以根据需求预先确定损失函数,并利用预先确定的损失函数,基于真实回复数据和预测回复数据确定相应的损失值。此外,还可以使用其他训练方法和技巧来利用弱监督指令数据对大语言模型进行训练,在此不作赘述。
根据一些实施例,如图3所示,利用包括大规模无监督文本数据和弱监督指令数据的混合训练数据,对大语言模型进行预训练可以包括:步骤S304、针对混合训练数据中的大规模无监督文本数据,基于掩码语言模型任务、语言模型、对话语言模型、下句预测任务中的至少一个,利用大规模无监督文本数据对大语言模型进行预训练。由此,通过上述方式,实现了利用大规模无监督文本数据对大语言模型进行预训练,以增强大语言模型的基本语言处理能力。
可以理解的是,除掩码语言模型任务(Masked Language Model,MLM)、语言模型、对话语言模型(Dialogue Language Model,DLM)、下句预测任务(Next SentencePrediction,NSP)等任务外,还可以选择其他无监督任务或自行设计相应的无监督任务对大语言模型进行训练,在此不作限定。
根据一些实施例,如图4所示,训练方法还包括:步骤S404、利用大规模无监督文本数据对初始大语言模型进行预训练,以得到大语言模型。图4中的步骤S401-步骤S403、步骤S405的操作与图2中的步骤S201-步骤S204的操作类似,在此不作赘述。
由此,通过基于持续学习技术,先利用大规模无监督文本数据完成大语言模型的一阶段的预训练,使其初步掌握大规模无监督文本数据中的通用知识,然后将无监督训练训练数据和弱监督指令数据混和在一起,持续进行二阶段的预训练,使得大语言模型进一步掌握指令理解能力。通过这样的方式,可以使得模型具有更强的基本语言处理能力。
根据一些实施例,训练方法还包括:步骤S406、利用人工指令监督数据对预训练后的大语言模型进行监督微调,以得到经训练的大语言模型。经训练的大语言模型可以用于基于用户的输入指令生成回复数据。由此,通过在预训练模型上基于大规模富集的人工指令监督数据进行监督微调(supervised fine-tune,SFT),能够使大语言模型指令理解能力进一步大幅提升。可以理解的是,还可以使用其他方式对预训练后的大语言模型进行微调,以使得经训练的大语言模型具备执行特定的语言任务的能力。
综上,本公开的方法能够有效在预训练过程中提升大规模语言模型的指令理解能力。
根据本公开的另一方面,提供了一种大语言模型的训练装置。如图5所示,装置500包括:获取-单元510,被配置为,获取大规模无监督文本数据;提取单元520,被配置为从大规模问答数据中提取多个问题答案对,多个问题答案对中的每一个问题答案对包括对应的问题文本和答案文本;构建单元530,被配置为基于多个问题答案对,构建弱监督指令数据,构建单元包括:第一构建子单元532,被配置为针对多个问题答案对中的每一个问题答案对,将该问题答案对中的问题文本作为样本指令,并将该问题答案对中的答案文本作为与样本指令对应的真值回复数据,构建与该问题答案对对应的指令训练样本;以及第二构建子单元534,被配置为基于与多个问题答案对各自对应的指令训练样本,构建弱监督指令数据;以及预训练单元540,被配置为利用包括大规模无监督文本数据和弱监督指令数据的混合训练数据,对大语言模型进行预训练。
可以理解的是,装置500中的单元510-单元540的操作与图2中的步骤S201-步骤S204的操作类似,在此不作赘述。
根据一些实施例,大规模问答数据可以包括问答场景的大规模网页数据。
根据一些实施例,第一预训练单元可以包括:第一预训练子单元,被配置为基于递增的学习率,利用混合训练数据对大语言模型进行预设训练步数的预训练,以得到中间大语言模型;以及第二预训练子单元,被配置为基于递减的学习率,利用混合训练数据对中间大语言模型进行预训练。
根据一些实施例,预设训练步数的预训练中的每一步所使用的混合训练数据中的弱监督指令数据的比例可以是基于当前训练步数和预设训练步数而确定的。
根据一些实施例,弱监督指令数据的比例可以与当前训练步数和预设训练步数的比值呈正相关。
根据一些实施例,弱监督指令数据的比例等于第一值和第二值的和,第一值可以等于当前训练步数和预设训练步数的比值与预设的基准训练比例的乘积,第二值可以为预设的最小训练比例。
根据一些实施例,第一预训练单元可以包括:输入子单元,被配置为针对混合训练数据中的弱监督指令数据,将弱监督指令数据所包括指令训练样本中的样本指令输入大语言模型,以得到预测回复数据;确定子单元,被配置为基于真实回复数据和预测回复数据,确定损失值;以及调参子单元,被配置为基于损失值,调整大语言模型的参数。
根据一些实施例,第一预训练单元可以包括:第三预训练子单元,被配置为针对混合训练数据中的大规模无监督文本数据,基于掩码语言模型任务、语言模型、对话语言模型、下句预测任务中的至少一个,利用大规模无监督文本数据对大语言模型进行预训练。
根据一些实施例,装置500还可以包括(图中未示出):第二预训练单元,被配置为利用大规模无监督文本数据对初始大语言模型进行预训练,以得到大语言模型。
根据一些实施例,装置500还可以包括(图中未示出):微调单元,被配置为利用人工指令监督数据对预训练后的大语言模型进行监督微调,以得到经训练的大语言模型。经训练的大语言模型可以用于基于用户的输入指令生成回复数据。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
参考图6,现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,电子设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备,输入单元606可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如大语言模型的训练方法。例如,在一些实施例中,大语言模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的大语言模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行大语言模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (23)
1.一种大语言模型的训练方法,包括:
获取大规模无监督文本数据;
从大规模问答数据中提取多个问题答案对,所述多个问题答案对中的每一个问题答案对包括对应的问题文本和答案文本;
基于所述多个问题答案对,构建弱监督指令数据,包括:
针对所述多个问题答案对中的每一个问题答案对,将该问题答案对中的问题文本作为样本指令,并将该问题答案对中的答案文本作为与所述样本指令对应的真值回复数据,构建与该问题答案对对应的指令训练样本;以及
基于与所述多个问题答案对各自对应的指令训练样本,构建所述弱监督指令数据;以及
利用包括所述大规模无监督文本数据和所述弱监督指令数据的混合训练数据,对大语言模型进行预训练。
2.根据权利要求1所述的方法,其中,利用包括所述大规模无监督文本数据和所述弱监督指令数据的混合训练数据,对大语言模型进行预训练包括:
基于递增的学习率,利用所述混合训练数据对所述大语言模型进行预设训练步数的预训练,以得到中间大语言模型;以及
基于递减的学习率,利用所述混合训练数据对所述中间大语言模型进行预训练。
3.根据权利要求2所述的方法,其中,所述预设训练步数的预训练中的每一步所使用的混合训练数据中的弱监督指令数据的比例是基于当前训练步数和所述预设训练步数而确定的。
4.根据权利要求3所述的方法,其中,所述弱监督指令数据的比例与所述当前训练步数和所述预设训练步数的比值呈正相关。
5.根据权利要求4所述的方法,其中,所述弱监督指令数据的比例等于第一值和第二值的和,所述第一值等于所述当前训练步数和所述预设训练步数的比值与预设的基准训练比例的乘积,所述第二值为预设的最小训练比例。
6.根据权利要求1-5中任一项所述的方法,还包括:
利用所述大规模无监督文本数据对初始大语言模型进行预训练,以得到所述大语言模型。
7.根据权利要求1-5中任一项所述的方法,还包括:
利用人工指令监督数据对预训练后的大语言模型进行监督微调,以得到经训练的大语言模型,所述经训练的大语言模型用于基于用户的输入指令生成回复数据。
8.根据权利要求1-5中任一项所述的方法,其中,利用包括所述大规模无监督文本数据和所述弱监督指令数据的混合训练数据,对大语言模型进行预训练包括:
针对所述混合训练数据中的弱监督指令数据,将所述弱监督指令数据所包括指令训练样本中的样本指令输入所述大语言模型,以得到预测回复数据;
基于所述真实回复数据和所述预测回复数据,确定损失值;以及
基于所述损失值,调整所述大语言模型的参数。
9.根据权利要求1-5中任一项所述的方法,其中,利用包括所述大规模无监督文本数据和所述弱监督指令数据的混合训练数据,对大语言模型进行预训练包括:
针对所述混合训练数据中的大规模无监督文本数据,基于掩码语言模型任务、语言模型、对话语言模型、下句预测任务中的至少一个,利用所述大规模无监督文本数据对所述大语言模型进行预训练。
10.根据权利要求1-5中任一项所述的方法,其中,所述大规模问答数据包括问答场景的大规模网页数据。
11.一种大语言模型的训练装置,包括:
获取单元,被配置为获取大规模无监督文本数据;
提取单元,被配置为从大规模问答数据中提取多个问题答案对,所述多个问题答案对中的每一个问题答案对包括对应的问题文本和答案文本;
构建单元,被配置为基于所述多个问题答案对,构建弱监督指令数据,所述构建单元包括:
第一构建子单元,被配置为针对所述多个问题答案对中的每一个问题答案对,将该问题答案对中的问题文本作为样本指令,并将该问题答案对中的答案文本作为与所述样本指令对应的真值回复数据,构建与该问题答案对对应的指令训练样本;以及
第二构建子单元,被配置为基于与所述多个问题答案对各自对应的指令训练样本,构建所述弱监督指令数据;以及
第一预训练单元,被配置为利用包括所述大规模无监督文本数据和所述弱监督指令数据的混合训练数据,对大语言模型进行预训练。
12.根据权利要求11所述的装置,其中,所述第一预训练单元包括:
第一预训练子单元,被配置为基于递增的学习率,利用所述混合训练数据对所述大语言模型进行预设训练步数的预训练,以得到中间大语言模型;以及
第二预训练子单元,被配置为基于递减的学习率,利用所述混合训练数据对所述中间大语言模型进行预训练。
13.根据权利要求12所述的装置,其中,所述预设训练步数的预训练中的每一步所使用的混合训练数据中的弱监督指令数据的比例是基于当前训练步数和所述预设训练步数而确定的。
14.根据权利要求13所述的装置,其中,所述弱监督指令数据的比例与所述当前训练步数和所述预设训练步数的比值呈正相关。
15.根据权利要求14所述的装置,其中,所述弱监督指令数据的比例等于第一值和第二值的和,所述第一值等于所述当前训练步数和所述预设训练步数的比值与预设的基准训练比例的乘积,所述第二值为预设的最小训练比例。
16.根据权利要求11-15中任一项所述的装置,还包括:
第二预训练单元,被配置为利用所述大规模无监督文本数据对初始大语言模型进行预训练,以得到所述大语言模型。
17.根据权利要求11-15中任一项所述的装置,还包括:
微调单元,被配置为利用人工指令监督数据对预训练后的大语言模型进行监督微调,以得到经训练的大语言模型,所述经训练的大语言模型用于基于用户的输入指令生成回复数据。
18.根据权利要求11-15中任一项所述的装置,其中,所述第一预训练单元包括:
输入子单元,被配置为针对所述混合训练数据中的弱监督指令数据,将所述弱监督指令数据所包括指令训练样本中的样本指令输入所述大语言模型,以得到预测回复数据;
确定子单元,被配置为基于所述真实回复数据和所述预测回复数据,确定损失值;以及
调参子单元,被配置为基于所述损失值,调整所述大语言模型的参数。
19.根据权利要求11-15中任一项所述的装置,其中,所述第一预训练单元包括:
第三预训练子单元,被配置为针对所述混合训练数据中的大规模无监督文本数据,基于掩码语言模型任务、语言模型、对话语言模型、下句预测任务中的至少一个,利用所述大规模无监督文本数据对所述大语言模型进行预训练。
20.根据权利要求11-15中任一项所述的装置,其中,所述大规模问答数据包括问答场景的大规模网页数据。
21.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。
23.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310814621.2A CN116821684A (zh) | 2023-07-04 | 2023-07-04 | 大语言模型的训练方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310814621.2A CN116821684A (zh) | 2023-07-04 | 2023-07-04 | 大语言模型的训练方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116821684A true CN116821684A (zh) | 2023-09-29 |
Family
ID=88118251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310814621.2A Pending CN116821684A (zh) | 2023-07-04 | 2023-07-04 | 大语言模型的训练方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116821684A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033667A (zh) * | 2023-10-07 | 2023-11-10 | 之江实验室 | 一种知识图谱构建方法、装置、存储介质及电子设备 |
CN117173517A (zh) * | 2023-11-03 | 2023-12-05 | 中国科学院空天信息创新研究院 | 面向空天异构的时序数据处理方法、装置、设备及介质 |
-
2023
- 2023-07-04 CN CN202310814621.2A patent/CN116821684A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033667A (zh) * | 2023-10-07 | 2023-11-10 | 之江实验室 | 一种知识图谱构建方法、装置、存储介质及电子设备 |
CN117033667B (zh) * | 2023-10-07 | 2024-01-09 | 之江实验室 | 一种知识图谱构建方法、装置、存储介质及电子设备 |
CN117173517A (zh) * | 2023-11-03 | 2023-12-05 | 中国科学院空天信息创新研究院 | 面向空天异构的时序数据处理方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116821684A (zh) | 大语言模型的训练方法、装置、设备和介质 | |
CN114612749B (zh) | 神经网络模型训练方法及装置、电子设备和介质 | |
CN116521841B (zh) | 用于生成回复信息的方法、装置、设备及介质 | |
WO2023231350A1 (zh) | 利用整数规划求解器实现的任务处理方法、设备和介质 | |
CN115470381A (zh) | 信息交互方法、装置、设备及介质 | |
CN116541536B (zh) | 知识增强的内容生成系统、数据生成方法、设备和介质 | |
CN115862031B (zh) | 文本处理方法、神经网络的训练方法、装置和设备 | |
CN115600646B (zh) | 语言模型的训练方法、装置、介质及设备 | |
CN115631251B (zh) | 基于文本生成图像的方法、装置、电子设备和介质 | |
CN115879469B (zh) | 文本数据处理方法、模型训练方法、装置及介质 | |
CN116842155A (zh) | 文本生成方法、文本生成模型的训练方法及装置 | |
CN114881170B (zh) | 用于对话任务的神经网络的训练方法和对话任务处理方法 | |
CN115601555A (zh) | 图像处理方法及装置、设备和介质 | |
CN113590782A (zh) | 推理模型的训练方法、推理方法及装置 | |
CN115879468B (zh) | 基于自然语言理解的文本要素提取方法、装置和设备 | |
CN116842156B (zh) | 数据生成方法及装置、设备和介质 | |
CN116303962B (zh) | 对话生成方法、深度学习模型的训练方法、装置和设备 | |
CN115713071A (zh) | 用于处理文本的神经网络的训练方法和处理文本的方法 | |
CN116860328A (zh) | 生成指令数据的方法、装置、设备和介质 | |
CN117390445A (zh) | 大语言模型的训练方法、文本处理方法、装置和设备 | |
CN115982583A (zh) | 预训练语言模型的训练方法、装置、设备和介质 | |
CN114048759A (zh) | 模型训练方法、数据处理方法、装置、设备及介质 | |
CN115115051A (zh) | 神经网络模型的量化方法、装置、电子设备和存储介质 | |
CN113887417A (zh) | 文本匹配方法、装置、设备和介质 | |
CN117291191A (zh) | 文本处理方法及装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |