《从零构建大模型》第五至七章串讲笔记
·
核心主线: 预训练 → 分类微调 → 指令微调，完成从"无标注文本"到"可对话助手"的完整闭环
一、整体架构图
第五章 → 第六章 → 第七章 技术演进对比表
| 维度 | 第五章：预训练 | 第六章：分类微调 | 第七章：指令微调 |
|---|---|---|---|
| 核心目标 | 让模型学会“理解语言和生成文本” | 让模型学会“识别特定类别” | 让模型学会“听懂指令并自由回复” |
| 输入数据 | 无标注文本（维基百科、书籍语料） | 标注数据（短信 + 标签：spam / ham） | 指令数据集（instruction + input + output） |
| 输出形式 | 能“接龙”生成文本的基础模型 | 垃圾短信检测器 / 情感分析器（固定类别） | 能执行指令的聊天助手（自由文本） |
| 模型改造 | 无（原始 GPT 架构） | 替换输出层：50257 维 → 2 维（分类头） | 保持原词表输出层不变，不添加分类头 |
| 训练策略 | 预测下一个 token | 冻结 Transformer 层，只训练分类头（可选解冻） | 掩码指令部分，只优化 Response 部分的每个 token |
| 损失函数 | 交叉熵损失（全部 token） | 只优化最后一个 token 的交叉熵损失 | 只优化 Response token 的交叉熵损失 |
| 优化器 | AdamW（带权重衰减） | AdamW（同上） | AdamW（同上） |
| 解码/生成 | 温度缩放 + Top‑k 采样 | 不需要生成（直接用 argmax 分类） | generate() 自回归 + 温度/Top‑k 控制 |
| 评估方法 | 训练/验证损失 | 分类准确率（Accuracy） | 人工评估 + 自动评估（OpenAI API / Ollama） |
| 局限性 | 只能做无监督生成 | 只能预测训练时见过的固定类别 | 需要高质量指令数据，评估较主观 |
二、逐章核心要点
第五章：在无标注数据上进行预训练
目标：让模型通过海量无标注文本自学语言规律，获得"接龙"能力。
| 类别 | 技术/概念 | 说明 |
|---|---|---|
| 数据预处理 | 教师强制 | 目标序列为输入序列右移一位（如输入"A B C"，目标为"B C D"），用于自回归训练。 |
| 优化器 | AdamW | 改进Adam的权重衰减实现，避免权重与梯度耦合，成为大语言模型训练的标准优化器。 |
| 生成策略 | 温度缩放 | 调整logits除以温度参数：>1增加多样性，<1降低随机性（如0.5使输出更确定）。 |
| Top-k采样 | 仅保留概率最高的k个token，其余置零后重新归一化，平衡生成质量与多样性（常用k=50）。 | |
| 模型管理 | 模型持久化 | 使用torch.save保存模型权重、优化器状态；torch.load恢复训练或部署。 |
| 加载预训练权重 | 支持加载OpenAI GPT-2系列（124M至1558M参数）至自定义实现架构，需结构匹配。 |
关键补充说明
- 教师强制：训练时使用真实历史token作为输入，避免错误累积，但推理时需切换为自回归生成。
- AdamW优化器：权重衰减直接作用于参数，而非梯度，提升超参数鲁棒性。
- 温度与Top-k：两者可结合使用，例如温度=0.7且k=40，控制生成多样性与集中度。
一句话总结：第五章让模型"学会说话"——给它任意前缀，它能合理地续写下去。
第六章：进行文本分类的微调
目标：将预训练模型改造成特定任务的分类器。
| 配置项 | 参数/说明 |
|---|---|
| 数据集 | SMS Spam Collection（约5000条短信，标签为spam/ham） |
| 架构改造 | 输出层维度从[batch, seq, 50257]调整为[batch, seq, 2]，仅保留最后一个token的输出 |
| 冻结策略 | 选项1：冻结全部Transformer层，仅训练分类头 选项2：解冻部分Transformer层 |
| 损失计算 | 仅对序列最后一个token的输出计算交叉熵损失（非整个序列） |
| 评估指标 | 分类准确率（Accuracy） |
关键说明
- 输出层调整：原始语言模型的50257维输出对应词汇表大小，改造后适应二分类任务。
- 冻结策略：解冻部分层时需注意梯度传播效率，建议从顶层开始逐步解冻。
- 损失计算优化：仅计算序列末端损失可显著减少计算量，符合分类任务特性。
只取最后一个token的输出进行分类
一句话总结：第六章让模型"学会判断"——给它一段文本，它能输出一个固定类别标签。
第七章：进行遵循指令的微调
目标：让模型成为能理解自然语言指令并自由生成回复的通用助手。
| 关键要素 | 说明 |
|---|---|
| 数据格式 | 每条样本包含 instruction/input/output，按Alpaca模板格式化 |
| 损失计算掩码 | 训练时掩码指令部分（设为-100），仅计算Response部分的损失 |
| 模型规模选择 | 使用GPT-2 medium（355M参数），比预训练时更大以提升微调效果 |
| 生成方式 | 调用generate()函数自回归解码，支持温度（Temperature）和Top-k采样控制 |
| 评估方法 | 人工并排对比 + 调用更强模型（如GPT-4/Ollama）自动打分 |
| 进阶优化方向 | 多轮对话支持、偏好对齐（DPO/RLHF）、参数高效微调（LoRA/QLoRA） |
一句话总结：第七章让模型"学会对话"——给它一个指令，它能理解意图并生成完整、有用的回答。
三、三章对比总表
| 维度 | 第五章（预训练） | 第六章（分类微调） | 第七章（指令微调） |
|---|---|---|---|
| 数据类型 | 无标注文本 | 标注数据（文本+标签） | 指令-响应对 |
| 数据规模 | 海量（GB级） | 小规模（千级） | 小规模（千级） |
| 输出层 | 词表维度（50257） | 类别维度（如2） | 词表维度（50257） |
| 损失范围 | 整个序列每个token | 仅最后一个token | 仅Response部分的token |
| 模型改造 | 无 | 替换输出层为分类头 | 无（保持原架构） |
| 生成方式 | 接龙生成 | 无（直接输出类别） | 自回归生成完整回复 |
| 应用场景 | 获得基础语言能力 | 垃圾检测/情感分析 | 聊天机器人/智能助手 |
| 关键技能 | 温度/Top-k采样 | 冻结层/准确率评估 | 指令掩码/自动评估 |
第五章：预训练 —— 预测下一个token，生成接龙文本
第六章：分类微调 —— 只关心最后一个token，输出类别标签
第七章：指令微调 —— 只优化Response部分，生成指令回复
四、总结
第五章让模型"会说话"（预训练接龙）
第六章让模型"会判断"（分类打标签）
第七章让模型"会对话"（指令生成回复）
三章连起来，就是从"文盲"到"专家"再到"助手"的完整成长路径。
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
5
0- 0
已为社区贡献6条内容
所有评论(0)