写在前面
GPT（Generative Pre-trained Transformer）是目前最广泛应用的大语言模型架构之一，其强大的自然语言理解与生成能力背后，是一个庞大而精细的训练流程。本文将从宏观到微观，系统讲解GPT的训练过程，包括数据收集、预处理、模型设计、训练策略、优化技巧以及后训练阶段（微调、对齐）等环节。
我们将先对 GPT 的训练方案进行一个简述，接着我们将借助 MiniMind 的项目，来完成我们自己的 GPT 的训练。
训练阶段概览
GPT 的训练过程大致分为以下几个阶段：
- 数据准备（Data Preparation）
- 预训练（Pretraining）
- 指令微调（Instruction Tuning）
- 对齐阶段（Alignment via RLHF 或 DPO）
- 推理部署（Inference & Serving）
数据收集与预处理
- 数据来源：收集海量文本（书籍、网页、新闻、百科、代码等），例如GPT-3使用了近45TB的原始文本。
- 数据清洗：去除噪声（HTML标签、重复文本、低质量内容）。过滤敏感或有害信息。
- 分词（Tokenization）：使用子词分词方法（如Byte Pair Encoding, BPE）将文本切分为Token（例如GPT-3的词表大小约5万）。将文本分割为固定长度的序列（如512个Token的段落）。
无监督学习：无需人工标注，直接从原始文本学习。
- 规模化（Scaling Law）：模型性能随数据量、参数规模、计算资源的增加而显著提升。
- 通用性：捕捉语法、语义、常识等广泛知识。
单卡训练
预训练
执行预训练，得到 pretrain_.pth 作为预训练的输出权重（其中为模型的dimension，默认为512）
cd ..
python train_pretrain.py
执行后对应的输出如下所示：LLM总参数量：25.830 百万
预估50分钟训练完毕，耐心等待即可：
监督微调
执行监督微调，得到 full_sft_*.pth 作为指令微调的输出权重（其中full即为全参数微调）
python train_full_sft.py
PS：项目官方提示：所有训练过程默认每隔100步保存1次参数到文件./out/***.pth（每次会覆盖掉旧权重文件）。
执行后输出的内容如下所示：
GPU状态
查看GPU的运行情况，可以看到已经开始工作了。
nvidia-smi
对应的结果如下所示：
测试结果
更多详细的内容请查看：eval_model.py
model_name有如下内容：
● 0: 预训练模型
● 1: SFT-Chat模型
● 2: RLHF-Chat模型
● 3: Reason模型
预训练
默认为0：测试pretrain模型效果，设置为1：测试full_sft模型效果
python eval_model.py --model_mode 0
进行自动测试：
后续的输出内容：
可以看到已经可以正常的输出内容了。
SFT
基本介绍
SFT 是指在已有的大规模预训练语言模型（如 GPT、LLaMA 等）基础上，使用人工标注的数据集进行监督学习，从而进一步提升模型在特定任务上的表现。
- 类比：如果预训练是让模型学“语言的全部潜规则”，那么 SFT 就是“让模型知道应该怎么说话更像人、怎么更好地完成任务”。
SFT 的主要作用
- 强化任务能力：教会模型完成具体任务，如问答、总结、翻译、代码生成等。
- 对齐人类意图：通过人工标注的数据，帮助模型“更听话”，符合人类期望。
- 打基础为后续对齐做准备：是 RLHF（强化学习人类反馈）前的必要步骤。
原理与流程
SFT 采用指令微调（Instruction tuning），输入和输出通常是：
Input（Prompt）: 请你帮我写一篇关于人工智能的作文。
Output（Response）: 当然可以，以下是关于人工智能的作文……
数据格式
一般是 JSON 或 JSONL 格式，结构如下：
{"instruction": "请将以下文本翻译成英文：我喜欢跑步。","input": "","output": "I like running."
}
{"prompt": "<|user|> 请帮我写一篇春节的作文 <|assistant|> 好的，以下是春节的作文……"
}
模型训练方式
- 冻结大部分参数 or 全参数微调。
- 使用 交叉熵损失函数（Cross Entropy Loss）：让模型输出尽可能接近标注的“输出”。
- 可选择 低秩适配（LoRA） 等高效微调技术以节省显存。
为什么SFT很关键？
让大模型变聪明的第一步；
- 让 AI 更能听懂人话的根基；
- 产业应用最常使用的训练阶段之一，比如微调成客服、写作助手、代码助手等。
监督微调
默认为0：测试pretrain模型效果，设置为1：测试full_sft模型效果
python eval_model.py --model_mode 1
对应的内容如下所示：
可以看到经过 SFT，整个回答效果质量获得了很大的提升！
