官方教程｜CPM-Bee在基础任务上的高效微调（cpm的使用试题）

5月27日百亿参数中英双语基座模型 CPM-Bee 开源之后，在GitHub反响热烈，一度登上总榜第四、Python榜第三。

CPM-Bee 是一个基座模型，其开源的核心目的是更广泛地支持各种 NLP 应用场景，让大家可以自由地进行适配。我们在预训练的时候采用了一些特殊设计，所以它现在的输出比较稳定。如果在合适的数据上进行指令微调，CPM-Bee 会输出更高质量和有信息量的内容。

当然，有很多社区的朋友希望我们出模型的具体微调教程，我们决定首先推出CPM-Bee基础微调教程。

CPM-Bee 数据格式介绍

—

CPM-Bee 基座模型可以将多种自然语言处理任务统一用生成的方式解决。CPM-Bee 采用特殊的多任务预训练模式，所有的数据都统一用一个字典来管理。我们可以任意设计字典中的键值对来表达我们希望模型做的事情，同时预留一个<ans>字段，用于存储模型给出的答案。注意，<ans>字段是必需的，基本格式如下：

{“some_key”: “…”, “<ans>”: “”}

尽管输入数据的格式是任意的，但由于模型在预训练阶段使用了有限的几种数据格式，我们建议您在使用 CPM-Bee 推理时尽量使用这些参考格式。

 01  文本生成  # 文本生成 {“input”: “今天天气不错，”, “prompt”:“往后写100字”, “<ans>”:“”}

prompt字段用来给出一些提示和指定任务，该字段并不是必需的，但是我们建议您使用合理的prompt 来更好地驱动模型。prompt 也可以被”hint”, “task”, “prompt”, “任务”, “提示”, “目标”, “target”等替换。请注意，prompt一般会提供一些控制信息，如”往后写xxx字”，”中翻英”，”给这段话生成摘要”等。

 02  翻译  # 翻译 {“input”: “今天天气不错，”, “prompt”:“中翻英”, “<ans>”:“”}

CPM-Bee 目前支持中英互译。prompt一般可选”中翻英”/”英翻中”，”中译英”/”英译中”，”把文章翻译为英文”/”把文章翻译为中文”，”Translate from English to Chinese”等。

 03  问答  # 问答 {“input”: “今天天气不错，”, “prompt”:“问答”, “question”: “今天天气怎么样”, “<ans>”:“”}  04  选择题  # 选择题 {“input”: “今天天气不错，”, “prompt”:“选择题”, “question”: “今天天气怎么样”, “options”: {“<option_0>”: “好”, “<option_1>”: “坏”}, “<ans>”:“”}

options 可以等价替换为”answers”, “candidates”, “选项”…

 05  命名实体识别  # NER {“input”:“在司法部工作的小楠说，今天北京天气不错”,“<ans>”:{“人名”:“”,“地名”:“”,“机构名”: “”}}

以上是一些常见的任务的数据格式。请注意里面用到的字段不是严格限定的，您可以做一些近似语义的替换，比如把”中翻英”替换为”把这段话翻译成英文”。您也可以在微调时自由设计数据格式，例如，当您希望微调一个对话模型，您可以构造数据格式为

{“input”: “用户：你好，我想问一下明天天气会怎样？n<sep>AI：你好！明天的天气会根据你所在的城市而异，请告诉我你所在的城市。n<sep>用户：我在北京。n<sep>AI：”, “<ans>”: ” 明天北京天气预计为阴转多云，最高气温26℃，最低气温18℃。”}

您也可以不使用<sep>，如下格式也可以：

{“input”: “<问题>你好，我想问一下明天天气会怎样？n<答案>你好！明天的天气会根据你所在的城市而异，请告诉我你所在的城市。n<问题>我在北京。n<答案>”, “<ans>”: ” 明天北京天气预计为阴转多云，最高气温26℃，最低气温18℃。”} 总之，您可以灵活定义您的数据格式。

CPM-Bee 微调流程

—

本教程将以一个序列-序列任务为例介绍对 CPM-Bee 基座模型的微调。这里我们选择的任务需要将一句白话文“翻译”成一句古诗。首先，微调需要准备原始数据，格式如下：

{“target”: “3”, “input”: “[翻译]昏暗的灯熄灭了又被重新点亮。[0]渔灯灭复明[1]残灯灭又然[2]残灯暗复明[3]残灯灭又明[答案]”} 放置在路径 src/ccpm_example/raw_data/ 下

准备模型的 checkpoint，放在路径 src/ckpts/pytorch_model.bin下，可在此链接下载权重：?https://huggingface.co/openbmb/cpm-bee-10b

进入工作路径：

$ cd src

运行 data_reformat.py重新调整数据格式。注意，这里我们将原始数据转化为上述推荐的格式。在您的实验中，可以自行设置需要的格式并且编写自己的data_reformat.py。

$ python data_reformat.py 得到调整后的数据格式： {“input”:“昏暗的灯熄灭了又被重新点亮。”, “options”: {“<option_0>”: “渔灯灭复明”, “<option_1>”: “残灯灭又然”, “<option_2>”: “残灯暗复明”, “<option_3>”: “残灯灭又明”}, “question”: “这段话形容了哪句诗的意境？”, “<ans>”: “<option_3>”}“`

放置在路径 src/ccpm_example/bee_data/ 下

注：该格式为参考格式。微调时，您可以自由设计您的数据格式，可以不设置prompt 字段，只要所提供的数据涵盖所有必要信息即可。但我们一般推荐将输入文本字段标识为 input/document/doc，如果您的任务可以被转化成选择题，则应当添加options 字段与 question 字段；如果是一般的文本生成，包含 input+<ans> 即可。

构建二进制数据文件：

$python preprocess_dataset.py –input ccpm_example/bee_data –output_path ccpm_example/bin_data –output_name ccpm_data

放在路径 ccpm_example/bin_data/ 下 

注：应确保没有同名路径 ccpm_example/bin_data/，如存在同名路径，应先删除该路径再运行上述指令。如未提前删除，该指令会报错 ValueError: Dataset name exists，同时产生一个新路径 tmp/，此时应当连同 tmp/ 与同名路径 ccpm_example/bin_data/ 一并删除，之后再运行上述指令即可。

在模型微调脚本 scripts/finetune_cpm_bee.sh 中对超参数进行设置，我们对每一个超参数给出了注释：

#! /bin/bash# 四卡微调 exportCUDA_VISIBLE_DEVICES=0,1,2,3 GPUS_PER_NODE=4 NNODES=1 MASTER_ADDR=“localhost” MASTER_PORT=12346 OPTS=“” OPTS+=” –use-delta” # 使用增量微调（delta-tuning） OPTS+=” –model-config config/cpm-bee-10b.json” # 模型配置文件 OPTS+=” –dataset ccpm_example/bin_data/train” # 训练集路径 OPTS+=” –eval_dataset ccpm_example/bin_data/train” # 验证集路径 OPTS+=” –epoch 5″ # 训练epoch数 OPTS+=” –batch-size 5″ # 数据批次大小 OPTS+=” –train-iters 100″ # 用于lr_schedular OPTS+=” –save-name cpm_bee_finetune” # 保存名称 OPTS+=” –max-length 2048″ # 最大长度 OPTS+=” –save results/” # 保存路径 OPTS+=” –lr 0.0001″ # 学习率 OPTS+=” –inspect-iters 100″ # 每100个step进行一次检查(bmtrain inspect) OPTS+=” –warmup-iters 1″. # 预热学习率的步数为1 OPTS+=” –eval-interval 50″ # 每50步验证一次 OPTS+=” –early-stop-patience 5″ # 如果验证集loss连续5次不降，停止微调 OPTS+=” –lr-decay-style noam” # 选择noam方式调度学习率 OPTS+=” –weight-decay 0.01″ # 优化器权重衰减率为0.01 OPTS+=” –clip-grad 1.0″ # 半精度训练的grad clip OPTS+=” –loss-scale 32768″ # 半精度训练的loss scale OPTS+=” –start-step 0″ # 用于加载lr_schedular的中间状态 OPTS+=” –load ckpts/pytorch_model.bin” # 模型参数文件 CMD=“torchrun –nnodes=${NNODES} –nproc_per_node=${GPUS_PER_NODE} –rdzv_id=1 –rdzv_backend=c10d –rdzv_endpoint=${MASTER_ADDR}:${MASTER_PORT} finetune_cpm_bee.py ${OPTS}”echo ${CMD}$CMD

只需要运行脚本即可开始微调

bashscripts/finetune_cpm_bee.sh 您可以在 src/results/ 中查看存储的模型或者轻量级 Delta 模块。

以上是 CPM-Bee 的基础微调教程。我们也会持续完善更新 CPM-Bee 的文档信息，欢迎感兴趣的朋友继续关注和参与开源共建！

 ➤  CPM-Bee开源地址 ? https://github.com/OpenBMB/CPM-Bee

 ➤ 加社群/ 提建议/ 有疑问 

请找 OpenBMB 万能小助手：

官方网站

https://www.openbmb.org

GitHub https://github.com/OpenBMB https://github.com/thunlp

长期开放招聘｜含实习

开发岗  |  算法岗  |  产品岗

交流QQ群 735930538 欢迎联系转载 ?期待您的关注与加入?