大模型训练（超全面！超详细！）收藏这一篇就够了！

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=0.510^9*10*1098=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。

四、结果评测

训练的结果可以使用多种大语言模型评测工具进行评测。

下面是参考qwen2模型架构，使用0.5B参数，4.6B数据（900万行*512/行）进行预训练，未进行Chat调优的模型，训练时长为120小时。

那么，如何系统的去学习大模型LLM？

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。

作为一名热心肠的互联网老兵，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。

所有资料 ⚡️ ，朋友们如果有需要全套 《LLM大模型入门+进阶学习资源包》，扫码获取~

篇幅有限，部分资料如下：

👉LLM大模型学习指南+路线汇总👈

💥大模型入门要点，扫盲必看！

💥既然要系统的学习大模型，那么学习路线是必不可少的，这份路线能帮助你快速梳理知识，形成自己的体系。

路线图很大就不一一展示了 （文末领取）

👉大模型入门实战训练👈

💥光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉国内企业大模型落地应用案例👈

💥两本《中国大模型落地应用案例集》 收录了近两年151个优秀的大模型落地应用案例，这些案例覆盖了金融、医疗、教育、交通、制造等众多领域，无论是对于大模型技术的研究者，还是对于希望了解大模型技术在实际业务中如何应用的业内人士，都具有很高的参考价值。 （文末领取）

👉GitHub海量高星开源项目👈

💥收集整理了海量的开源项目，地址、代码、文档等等全都下载共享给大家一起学习！

👉LLM大模型学习视频👈

💥观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。 （文末领取）

👉640份大模型行业报告（持续更新）👈

💥包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

👉获取方式：

这份完整版的大模型 LLM 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓