作者：算力魔方創(chuàng)始人/英特爾創(chuàng)新大使劉力

之前我們分享了《從零開始訓練一個大語言模型需要投資多少錢》，其中高昂的預訓練費用讓許多對大模型預訓練技術感興趣的朋友望而卻步。

應廣大讀者的需求，本文將手把手教您如何在單張消費級顯卡上，利用PaddleNLP實踐OpenAI的GPT-2模型的預訓練。GPT-2的預訓練關鍵技術與流程與GPT-4等大參數(shù)模型如出一轍，通過親手實踐GPT-2的預訓練過程，您就能對GPT-4的預訓練技術有更深入的了解。

視頻鏈接如下：

[零基礎]：用PaddleNLP在4060單卡上實踐大模型預訓練技術 (qq.com)

一，GPT-2模型簡介

GPT-2（Generative Pre-trained Transformer 2）是由OpenAI在2019年發(fā)布的第二代生成式預訓練語言模型，通過無監(jiān)督學習的方式進行預訓練，能夠在多個自然語言處理任務上取得顯著的效果，如文本生成、閱讀理解、機器翻譯等。

GPT-2 奠定的技術基礎為 GPT-3、GPT-4 的發(fā)展提供了方向，后續(xù)版本在此基礎上不斷改進和創(chuàng)新。

GPT-2有4個參數(shù)版本：124M、355M、774M和1.5B。為方便大家使用單卡實踐預訓練技術，本文選用124M版本。

二，PaddleNLP簡介

PaddleNLP是一款基于飛槳的開源大語言模型(LLM)開發(fā)套件，支持在多種硬件上進行高效的大模型訓練、無損壓縮以及高性能推理。PaddleNLP具備簡單易用和性能極致的特點，致力于助力開發(fā)者實現(xiàn)高效的大模型產(chǎn)業(yè)級應用。

代碼倉：https://github.com/PaddlePaddle/PaddleNLP

三，預訓練環(huán)境準備

本文的軟硬件環(huán)境如下：

操作系統(tǒng)：Ubuntu 24.04 LTS

CPU: Intel? Core? i5-10210U

GPU：NVIDIA RTX-4060

代碼編輯器：VS Code

Python虛擬環(huán)境管理器：Anaconda

大語言模型訓練工具：PaddleNLP

大語言模型：GPT-2

在Ubuntu 24.04上安裝RTX-4060驅動和Anaconda請參見這里；若您習慣在Windows上從事日常工作，請先配置《在Windows用遠程桌面訪問Ubuntu 24.04.1 LTS》。

四，安裝PaddleNLP

首先，請用Anaconda創(chuàng)建虛擬環(huán)境“gpt2”：

# 創(chuàng)建名為my_paddlenlp的環(huán)境，指定Python版本為3.9或3.10
conda create -n gpt2 python=3.10
# 激活環(huán)境
conda activate gpt2

然后，克隆PaddleNLP代碼倉到本地，切換到“develop”分支后安裝PaddleNLP。

# 克隆PaddleNLP代碼倉到本地
git clone https://github.com/PaddlePaddle/PaddleNLP.git
cd PaddleNLP
# 切換到”develop”分支
git checkout develop
# 安裝飛槳框架
pip install paddlepaddle-gpu
# 安裝PaddleNLP
pip setup.py install

輸入命令：“paddlenlp --help”，出現(xiàn)下圖，說明PaddleNLP安裝成功！

五，下載預訓練數(shù)據(jù)集

為了方便讀者運行快速體驗預訓練過程，PaddleNLP提供了處理好的100K條openweb數(shù)據(jù)集的訓練樣本。該訓練數(shù)據(jù)集雖然不夠預訓練的數(shù)據(jù)量要求(模型參數(shù)量的十倍以上)，但足夠讓讀者觀察到啟動預訓練后，隨機初始化權重的GPT-2模型的Loss值從11.x左右下降到5.x左右。

用命令將100K條openweb數(shù)據(jù)集的訓練樣本下載到PaddleNLP/llm/data文件夾：???????

cd PaddleNLP/llm
mkdir data
wget https://bj.bcebos.com/paddlenlp/models/transformers/gpt/data/gpt2_openwebtext_100k.bin
wget https://bj.bcebos.com/paddlenlp/models/transformers/gpt/data/gpt2_openwebtext_100k.idx
mv gpt2_openwebtext_100k.bin ./data
mv gpt2_openwebtext_100k.idx ./data

六，下載GPT-2模型和分詞器到本地

在/llm路徑下，輸入命令下載GPT-2模型和分詞器到本地：

paddlenlp download --cache-dir ./pretrained_models gpt2

然后，打開llm/config/gpt3/pretrain_argument.json文件，按照下圖修改：

"model_name_or_path": "./pretrained_models/gpt2"

"tokenizer_name_or_path": "./pretrained_models/gpt2"

七，啟動GPT-2模型的預訓練

在/llm路徑下，輸入命令：???????

python -u -m paddle.distributed.launch --gpus "0" run_pretrain.py 
                                       ./config/gpt-3/pretrain_argument.json 
                                      --use_flash_attention False 
                                      --continue_training 0

訓練結果如下圖所示：

八，總結

使用PaddleNLP，可以在單張4060顯卡上實踐OpenAI的GPT-2模型的預訓練，讓自己對GPT-4的預訓練技術有更深入的了解！

更多大模型訓練技術，

請參看：https://paddlenlp.readthedocs.io/

如果你有更好的文章，歡迎投稿！

稿件接收郵箱：nami.liu@pasuntech.com

更多精彩內容請關注“算力魔方?”！

審核編輯 黃宇