67 lines
3.5 KiB
Markdown
67 lines
3.5 KiB
Markdown
|
---
|
|||
|
|
license: Apache License 2.0
|
|||
|
|
---
|
|||
|
|
### Clone with HTTP
|
|||
|
|
```bash
|
|||
|
|
git clone https://www.modelscope.cn/FlagAlpha/Atom-7B.git
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
# Atom-7B
|
|||
|
|
|
|||
|
|
Atom-7B模型，由Llama中文社区和AtomEcho（原子回声）联合研发，我们会持续提供更新的模型参数，模型训练过程见(https://llama.family)。
|
|||
|
|
|
|||
|
|
模型的部署、训练、微调等方法详见Llama中文社区GitHub仓库：https://github.com/LlamaFamily/Llama-Chinese
|
|||
|
|
|
|||
|
|
|
|||
|
|
## 📝 中文数据
|
|||
|
|
|
|||
|
|
| 类型 | 描述 |
|
|||
|
|
| ---------------------------------------------------------- | ------------------------------------------------------------ |
|
|||
|
|
| 网络数据 | 互联网上公开的网络数据，挑选出去重后的高质量中文数据，涉及到百科、书籍、博客、新闻、公告、小说等高质量长文本数据。 |
|
|||
|
|
| Wikipedia | 中文Wikipedia的数据 |
|
|||
|
|
| 悟道 | 中文悟道开源的200G数据 |
|
|||
|
|
| Clue | Clue开放的中文预训练数据，进行清洗后的高质量中文长文本数据 |
|
|||
|
|
| 竞赛数据集 | 近年来中文自然语言处理多任务竞赛数据集，约150个 |
|
|||
|
|
| MNBVC | MNBVC 中清洗出来的部分数据集 |
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
## 📚 中文词表
|
|||
|
|
|
|||
|
|
为了提高中文文本处理的效率，我们针对Llama2模型的词表进行了深度优化。
|
|||
|
|
|
|||
|
|
首先，我们基于数百G的中文文本，**在Llama2词表的基础上扩展词库至65,000个单词**。
|
|||
|
|
|
|||
|
|
经过测试，我们的改进使得**中文编码/解码速度提高了约350％**。
|
|||
|
|
|
|||
|
|
此外，我们还扩大了中文字符集的覆盖范围，包括所有**emoji符号**，这使的生成带有表情符号的文章更加高效。
|
|||
|
|
|
|||
|
|
对于Llama2原生词表中的一些特殊情况，如数字、英文等，我们尽可能地避免对其进行修改或替换。
|
|||
|
|
|
|||
|
|
最终，成功地实现了一种既能提高中文处理效率又能保持Llama2原有性能的方法。
|
|||
|
|
|
|||
|
|
|
|||
|
|
## 📈 训练过程
|
|||
|
|
|
|||
|
|
**模型结构**
|
|||
|
|
|
|||
|
|
基于当前最优秀的开源模型Llama2，使用主流Decoder-only的标准Transformer网络结构，支持4K的上下文长度（Context Length），为同尺寸模型中最长，能满足更长的多轮对话、知识问答与摘要等需求，模型应用场景更广泛。
|
|||
|
|
|
|||
|
|
**FlashAttention-2高效训练**
|
|||
|
|
|
|||
|
|
Atom-7B采用了FlashAttention-2技术进行训练。由于在处理较长的输入序列时，内存消耗的问题可能会导致“内存爆炸”现象。FlashAttention-2是一种高效注意力机制的实现方式之一，相较于传统的注意力技术（Attention），它拥有更快速的速度以及更加优化的内存占用率。
|
|||
|
|
|
|||
|
|
**基于NTK的自适应上下文扩展技术**
|
|||
|
|
|
|||
|
|
- 可在不继续训练模型的情况下支持更长的上下文
|
|||
|
|
- 本项目中模型默认支持4K上下文，利用上述技术可扩展至18K+
|
|||
|
|
- 经过微调可以支持到32K+
|
|||
|
|
|
|||
|
|
|
|||
|
|
## 💻 推理配置
|
|||
|
|
实际应用中，消费级显卡要比专业显卡便宜的多（比如3090相比A10，同样都是24G显存）。
|
|||
|
|
|
|||
|
|
对于消费级显卡，直接FP32肯定放不下，一般最基本的是FP16，而INT8和INT4量化就很有用，例如：
|
|||
|
|
|
|||
|
|
- 对于3080显卡（10G显存），Atom-7B的INT8只需要8G显存可以直接部署。
|
|||
|
|
- 对于3080显卡（10G显存），Atom-7B的INT4只需要5G显存可以直接部署。
|