仅用61行代码，你也能从零训练大模型

关注

原创最新推荐文章于 2026-04-14 09:39:15 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

Java 使用Hanlp训练模型的代码 Java 使用 HanLP 训练模型的代码主要分为以下几个步骤：首先，你需要下载 HanLP 的源代码，并将其导入到你的 Java 项目中。可以从 GitHub 上下载 HanLP 源代码：https://github.com/hankcs/HanLP。然后，你需要加载 HanLP 的配置文件，并创建一个 PerceptronTrainer 对象来训练模型。下面是一个示例代码： Pro... 阅读详情

导读

本文并非基于微调训练模型，而是从头开始训练出一个全新的大语言模型的硬核教程。看完本篇，你将了解训练出一个大模型的环境准备、数据准备，生成分词，模型训练、测试模型等环节分别需要做什么。AI 小白友好~文中代码可以直接实操运行。欢迎阅读体验。

👉目录

1 准备训练环境

2 准备训练数据

3 训练分词器

4 训练模型

5 测试模型

6 完整代码

通过这篇文章，你可以预训练一个全新大语言模型。

注意是全新的模型，不是微调。

全新训练的好处是训练的数据、训练的参数都是可修改的，通过调试运行我们可以更好的理解大模型训练过程。我们可以用特定类型数据的训练，来完成特定类型数据的输出。

关于大模型已经有很多文章，微调模型的文章比较多，全新预训练全新模型的文章很少。个人觉得有的也讲的很复杂，代码也很难跑通。本文不会讲的很复杂，代码也很容易运行。仅用61行代码，就能训练出一个全新大语言模型。

本文以代码为主，运行代码需要 Python 环境。

01

准备训练环境

我的训练环境基于腾讯云的 GPU 机器。

地址：https://cloud.tencent.com/product/gpu

在这里插入图片描述

02

准备训练数据

首先我们要为训练准备数据，比如我就想基于《三国演义》训练一个模型。三国演义下载地址：

https://raw.githubusercontent.com/xinzhanguo/hellollm/main/text/sanguoyanyi.txt

03

训练分词器

分词（tokenization）是把输入文本切分成有意义的子单元（tokens）。通过以下代码，根据我们的数据生成一个新的分词器：

from tokenizers import Tokenizer
from tokenizers.models import BPE
from tokenizers.trainers import BpeTrainer
from tokenizers.normalizers import NFKC, Sequence
from tokenizers.pre_tokenizers import ByteLevel
from tokenizers.decoders import ByteLevel as ByteLevelDecoder
from transformers import GPT2TokenizerFast

# 构建分词器 GPT2 基于 BPE 算法实现
tokenizer = Tokenizer(BPE(unk_token="<unk>"))
tokenizer.normalizer = Sequence([NFKC()])
tokenizer.pre_tokenizer = ByteLevel()
tokenizer.decoder = ByteLevelDecoder()

special_tokens = ["<s>","<pad>","</s>","<unk>","<mask>"]
trainer = BpeTrainer(vocab_size=50000, show_progress=True, inital_alphabet=ByteLevel.alphabet(), special_tokens=special_tokens)
# 创建 text 文件夹，并把 sanguoyanyi.txt 下载，放到目录里
files = ["text/sanguoyanyi.txt"]
# 开始训练了
tokenizer.train(files, trainer)
# 把训练的分词通过GPT2保存起来，以方便后续使用
newtokenizer = GPT2TokenizerFast(tokenizer_object=tokenizer)
newtokenizer.save_pretrained("./sanguo")

运行时显示如下图：

成功运行代码后，我们在 sanguo 目录生成如下文件：
在这里插入图片描述

现在我们已经成功训练了一个大语言模型的分词器。

04

训练模型

利用下面代码进行模型训练：

在这里插入图片描述

运行比较耗时，显示训练数据如下图：

成功运行代码，我们发现 sanguo 目录下面多了三个文件：
在这里插入图片描述

现在我们就成功生成训练出基于《三国演义》的一个大语言模型。

05

测试模型

我们用文本生成，对模型进行测试代码如下：
在这里插入图片描述

运行显示模型输出了三国相关的文本：“吕布十二回张翼德张翼德时曹操武侯计计计”

再测试一条：

在这里插入图片描述

“接着奏乐\u3000却说曹操引军因二人”

这内容不忍直视，如果想优化，我们也可以基于全新的模型进行微调训练；我们也可以适当地调整下训练参数，以达到较好的效果。

06

完整代码

以下是完整代码，代码地址：

https://github.com/xinzhanguo/hellollm/blob/main/sanguo.py

linux 中运行方法：
在这里插入图片描述

以上我们就完成一个全新的模型训练。代码去除注释空行总共61行。

本文代码模型是基于 GPT2 的，当然你也可以基于 LLama 或者 Bert 等模型去实现全新的大语言模型。

代码虽然不是很多，但是如果初次尝试运行的话你也许会遇到很多问题，比如环境搭建。为了避免其他烦恼，我建议用 docker 方式运行代码:

在这里插入图片描述

更多代码可以参考：Hello LLM!

https://github.com/xinzhanguo/hellollm

以上就是本篇文章的全部内容。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述