SFT调优之旅（一）
大模型开发/技术交流
- 社区上线
- 开箱评测
- SFT
2023.09.154163看过
SFT调优之旅先从代码生成任务开始，使用了开源的leetcode数据集，听说代码任务有助于大模型能力的涌现~
目录
-
SFT概述
-
数据集的构建
-
开启SFT~
SFT概述
大模型SFT微调是一种针对预训练模型进行微调优化的方法，旨在提高模型在特定任务上的性能。期间会伴有模型泛化能力的提高，可以更好的处理之前没有见过的数据。
当然这些都是建立在微调时给定的数据集是准确，充足的情况，因此当你发现微调过后，模型似乎变蠢了，可能就有微调数据集的一些原因。
数据集的构建
-
千帆支持的数据集类型有三种：
-
-
文本对话：一问一答的形式
-
泛文本标注：用于
Post-training（后训练），这个与finetune不同，它是在预训练模型的基础上再进行预训练 -
query问题集：提问的语料，用于后续RLHF训练的输入
-
这里我们选择文本对话，SFT本来就是有监督的学习，当然要给出标签啦~~~我们的目的是想给出要解决的代码问题，让大模型生成代码，这也非常符合这种形式~
因此后面的展示都是在选定了文本对话的基础上
-
选定了数据集的格式，我们就创建并导入数据喽✔️
-
-
数据标注状态：是因为千帆平台支持在线标注呢~，我们可以先导入prompt，再在平台上标注。因为我使用了开源数据集，所以选择有标注信息的选项
-
导入方式，我选择了本地导入，当然这里也有其他方便的形式
-
导入格式，我选择了
jsonl格式，因为那个开源数据集就是这个文件格式🤣。虽然文件格式这样，但是我们需要遵守单条数据格式的要求，能否导入成功，就看它啦~ -
单条数据格式的要求：
-
[{"prompt":<prompt>,"response":[[<response>]]}]
-
-
查看
COIG中的单个数据格式，发现是{"instruction":<instruction>,"input":<input>,"output":output,'task_type'<task_type>,'program_lang':<program_lang>}
-
b. 使用代码转换成千帆平台支持的格式
c. 代码展示：
import jsonxyz = []with open('leetcode_instructions.jsonl','r',encoding='utf-8') as jfp:for line in jfp:data = json.loads(line.strip(" \n"))prompt = data["instruction"]+data["input"]responce = data["output"]result = [{"prompt":prompt,"response":[[responce]]}]xyz.append(result)with open('sft.jsonl','w',encoding='utf-8') as file:for item in xyz:json.dump(item,file,ensure_ascii=False)file.write('\n')
到此我们就构建和导入完成了我们进行SFT的数据集~
哈哈哈，那么我们就要进行SFT训练了吗???当然不是~，其实我们还需要进行许多数据后处理和检验等工作，偷懒的我，看到了一万多条数据，暂时也就没有进行那可能至关重要的工作
开始SFT~
运行 sft 任务，需要先进行创建一个调优任务，再新建运行
-
开通相应的训练服务，当然可以开通所有服务，因为是以按量后付费的形式，不使用相应的服务，是不需要付费的
-
其次我们需要选用自己的数据集（必须将数据集发布出来）
-
选择模型和服务，就开始训练了。
这么大的数据量进行SFT，需要的费用还是挺多的，因此这里没有进行真实的微调。也说明了对于个体开发者来说，优化prompt和使用工具链的方式，是比较推荐的。
评论
