一文带你全面了解大模型训练

大模型训练被分解成了预训练，监督调优，对齐等阶段。

先看预训练，预训练，即Pre-training。

预训练的目的是让模型学习语言的特性，主要是学习语言表达的流畅性和规则。

至于具体的语言任务，比如对话，角色扮演，信息抽取，翻译，阅读理解，问答等，则需要放到监督调优。

预训练是大模型的基础和核心，预训练阶段决定了模型的基础能力和上限。需要注意：

一、模型架构

1.1 模型架构

虽然业内普遍采用的是Decoder，但在词表、向量化、注意力、神经网络等各层依然有比较大的差异。基于时间、资源等方面考虑，可以从主流开源的大模型中选择一款作为参考。流程走通之后，再修改模型架构。

比如训练中文常规的大语言模型，可以从下面的列表中选择：

清华智谱的chatglm架构

百川的Baichuan模型架构

阿里的Qwen模型架构

零一万物的0-1模型架构

1.2模型参数量

理论上讲，最好选择可以承担的最大规模参数的模型。

当然，从实验的角度考虑，可以优选小一点的模型，逐步扩大模型参数规模。

比如，可以选择0.5B左右的参数量。

实际上，现在HuggingFace已经推出更小的参数规模，参考：

SmolLM：一个超快速、超高性能的小模型集合 (huggingface.co)huggingface.co/blog/zh/smollm

能力也不错：

二、训练数据

2.1 数据类型

​ 初次训练通用的大模型，不需要包括翻译、代码、数学等专业知识的大模型。可以筛选掉这些数据。

2.2 数据量

​ 根据数据和模型参数20倍比的关系，如果选择0.5B参数，则需要数据量：20*0.5B= 10B

​ 换算成1000 Token/sample，则需要：10*1，000,000,000/1000=10,000,000 samples，即不少于1千万行。据说是越多越好。

2.3数据从哪里来

理论上讲，学习过程应该包括： 百科，新闻、作文、小说、书籍、杂志、论文、中小学教材等。

可以不包括古文、古诗、歌词、代码等。

三、训练成本估算

如果选择0.5B参数，10B训练数据。

0.5B参数，需要的显存大小可以估算：40*0.5= 20GB，单张4090可以训练。按单张4090卡进行训练。

计算量=0.5_109*10*109_8=4*10^19

4090能力=83Tfloats = 83*10^12/s

训练时长：计算量/4090能力/GPU卡利用效率(0.3)/3600 = 446 hours

按租用4090一小时2.5元，预计成本1116元。

如果使用多张卡，比如4张，时长在120小时左右。

---

优快云独家福利

最后，感谢每一个认真阅读我文章的人，礼尚往来总是要有的，下面资料虽然不是什么很值钱的东西，如果你用得到的话可以直接拿走：