最近“如來(lái)”話術(shù)非常之火啊，看一次笑一次，不懂這個(gè)梗的朋友們可以回顧一下：?

【如來(lái)原版】

【資料圖】

那么，我們能讓 GPT也學(xué)會(huì) 如來(lái)話術(shù)嗎？思路其實(shí)很簡(jiǎn)單，只要我們把那些經(jīng)典語(yǔ)錄讓 GPT 學(xué)習(xí)學(xué)習(xí)。筆者自己做了些實(shí)驗(yàn)，還確實(shí)訓(xùn)練處理一個(gè)馬馬虎虎的 「如來(lái)GPT」，雖然泛化性能并不好。不過(guò)整個(gè)實(shí)驗(yàn)過(guò)程還是挺有意思，這里分享出來(lái)，在結(jié)尾我還提出了一些值得探索的點(diǎn)，希望有興趣的朋友一起討論！

這個(gè)小項(xiàng)目是基于我最近的一個(gè)Github —— LLM-Tuning實(shí)現(xiàn)的，本文涉及到的相關(guān)的代碼、數(shù)據(jù)集、教程都在倉(cāng)庫(kù)里，建議點(diǎn)個(gè)Star??后配合本文食用：

項(xiàng)目地址：

/beyondguo/LLM-Tuning

一、數(shù)據(jù)準(zhǔn)備

我們從網(wǎng)上先收集最基本的“如來(lái)話術(shù)”：

{"q":"問(wèn)：中國(guó)人認(rèn)為宇宙萬(wàn)法的那個(gè)源頭，它是什么","a":"答：它是如如"}{"q":"問(wèn)：我說(shuō)如來(lái)，他真來(lái)了嗎","a":"答：如來(lái)"}{"q":"問(wèn)：我經(jīng)常說(shuō)如來(lái)這個(gè)詞有秘密，如來(lái)、如來(lái)了嗎?","a":"答：如來(lái)~"}{"q":"問(wèn)：到底來(lái)沒(méi)來(lái)?","a":"答：如來(lái)~"}{"q":"問(wèn)：如來(lái)是什么意思？","a":"答：來(lái)了又好像沒(méi)來(lái)，沒(méi)來(lái)又好像來(lái)了"}

當(dāng)然，這些是肯定不夠的，所以我們要做一些數(shù)據(jù)增強(qiáng)，這里我們可以直接使用 ChatGPT 來(lái)幫我們做增強(qiáng)：

例如，我給 ChatGPT 這樣的 instruction：

{"q":"問(wèn)：到底來(lái)沒(méi)來(lái)?","a":"答：如來(lái)~"}請(qǐng)把問(wèn)題q改寫10次，然后返回。每一行一個(gè)json（不要換行），共10行。

就會(huì)得到：

{"q":?"問(wèn)：是否已經(jīng)到達(dá)？",?"a":?"答：如來(lái)~"}{"q":?"問(wèn)：是否已經(jīng)抵達(dá)？",?"a":?"答：如來(lái)~"}{"q":?"問(wèn)：是否已經(jīng)來(lái)了？",?"a":?"答：如來(lái)~"}{"q":?"問(wèn)：到底到了沒(méi)有？",?"a":?"答：如來(lái)~"}{"q":?"問(wèn)：是否已經(jīng)到場(chǎng)？",?"a":?"答：如來(lái)~"}{"q":?"問(wèn)：是否已經(jīng)現(xiàn)身？",?"a":?"答：如來(lái)~"}{"q":?"問(wèn)：是否已經(jīng)抵京？",?"a":?"答：如來(lái)~"}{"q":?"問(wèn)：是否已經(jīng)到達(dá)目的地？",?"a":?"答：如來(lái)~"}{"q":?"問(wèn)：是否已經(jīng)抵達(dá)所在地？",?"a":?"答：如來(lái)~"}{"q":?"問(wèn)：到底有沒(méi)有來(lái)？",?"a":?"答：如來(lái)~"}

通過(guò)這樣的方法，我們對(duì)上述每個(gè)話術(shù)，都做數(shù)據(jù)增強(qiáng)。當(dāng)然，我們還可以手動(dòng)添加一些其他的擾動(dòng)。文件rulai_中展示了我數(shù)據(jù)增強(qiáng)之后的語(yǔ)料。

二、讓模型學(xué)習(xí)“如來(lái)話術(shù)”

這里我們采用 baichuan-7B作為基座，來(lái)訓(xùn)練這個(gè)模型。這是因?yàn)?baichuan-7B 本身沒(méi)有經(jīng)過(guò) chat 式的訓(xùn)練，所以我們可以更好地觀察模型是否真的學(xué)到了新的話術(shù)。

分詞：

#?_VISIBLE_DEVICES=0?python?tokenize_dataset_?\????--model_checkpoint?baichuan-inc/baichuan-7B?\????--input_file?rulai_?\????--prompt_key?q?\????--target_key?a?\????--save_name?rulai_baichuan-7B?\????--max_seq_length?2000?\????--skip_overlength?False

LoRA 訓(xùn)練：

#?_VISIBLE_DEVICES=0,1,2,3?python?baichuan_lora_?\????--tokenized_dataset?rulai_baichuan-7B?\????--lora_rank?4?\????--per_device_train_batch_size?16?\????--gradient_accumulation_steps?1?\????--num_train_epochs?3?\????--save_steps?200?\????--save_total_limit?2?\????--learning_rate?1e-4?\????--fp16?\????--remove_unused_columns?false?\????--logging_steps?50?\????--output_dir?weights/rulai_baichuan-7B

我這里將上述訓(xùn)練好的模型，稱之為 RulaiGPT_v0，即最初始的版本。

測(cè)一測(cè)咱們的 RulaiGPT：

效果：

例子1：

輸入：我說(shuō)如來(lái)，誒，他到底來(lái)沒(méi)來(lái)？

baichuan-7B輸出：來(lái)了。我又說(shuō)，你咋知道的呢？他說(shuō)，你看?。?/code>

RulaiGPT_v0輸出：如來(lái)

例子2：

輸入：他到底來(lái)沒(méi)來(lái)？？？

baichuan-7B輸出：來(lái)了，但不是我想要的那個(gè)。

RulaiGPT_v0輸出：如~來(lái)~

三、完了，它只會(huì)“如來(lái)”了，咋辦？【拯救災(zāi)難性遺忘】

如果全部的訓(xùn)練語(yǔ)料都是這些如來(lái)話術(shù)，可能會(huì)讓模型只會(huì)講這些話：你問(wèn)它“我睡不著咋辦？”，他回復(fù)“如來(lái)~”；你問(wèn)他“你是誰(shuí)開發(fā)的？”，他也說(shuō)“如來(lái)”。。。這就很尷尬了，相當(dāng)于學(xué)廢了。

例子：

輸入：我睡不著！

baichuan-7B輸出：你該吃藥了。失眠，是現(xiàn)代人最常見的睡眠障礙。......

RulaiGPT_v0輸出：如來(lái)~

本質(zhì)上，這是一個(gè)“災(zāi)難性遺忘”的問(wèn)題，我們給的如來(lái)語(yǔ)聊對(duì)原始的概率分布造成了太大了影響，所以你問(wèn)啥這個(gè)GPT都覺(jué)得回答“如來(lái)”是最有可能的。

我們希望模型還能做一些其他的正常對(duì)話，所以我做了下面的兩個(gè)嘗試：

1. 將如來(lái)話術(shù)，跟正常的對(duì)話進(jìn)行混合，得到新的訓(xùn)練語(yǔ)料。然后使用這個(gè)語(yǔ)料重新訓(xùn)練 LoRA?！居洖?RulaiGPT_v1】

我這里直接采用的是ChatBaichuan-HC3 項(xiàng)目中的語(yǔ)料（一萬(wàn)多條），跟rulai_（不到一百條）拼湊成 rulai_文件（為了節(jié)省GitHub repo空間，這個(gè)大家自行構(gòu)造，就是兩個(gè)json文件合并）。

使用該數(shù)據(jù)，重新訓(xùn)練。

訓(xùn)練完之后，我發(fā)現(xiàn)，模型可以正常對(duì)話了，但是“如來(lái)”話術(shù)又不太會(huì)了...

例子（正常對(duì)話）：

輸入：我睡不著！

baichuan-7B輸出：你該吃藥了。失眠，是現(xiàn)代人最常見的睡眠障礙。......

RulaiGPT_v0輸出：如來(lái)~

RulaiGPT_v1輸出：很抱歉，您的問(wèn)題沒(méi)有描述清楚。請(qǐng)?zhí)峁└嘈畔⒒騿?wèn)題細(xì)節(jié)，我會(huì)盡力幫助您解決問(wèn)題。<-- 可以正常對(duì)話了

例子（如來(lái)之謎）：

輸入：他到底來(lái)沒(méi)來(lái)？？？

baichuan-7B輸出：來(lái)了，但不是我想要的那個(gè)。

RulaiGPT_v0輸出：如~來(lái)~

RulaiGPT_v1輸出：我不知道你所說(shuō)的"如來(lái)"是誰(shuí)。如果你能告訴我更多關(guān)于這個(gè)人的信息，我會(huì)盡力幫助你的。<-- 但如來(lái)話術(shù)又不會(huì)了...

猜測(cè)是因?yàn)槲⒄{(diào)語(yǔ)料中的如來(lái)語(yǔ)料占比太少，模型記不太住，這就陷入了兩難的境地。

于是我做了第二個(gè)嘗試：

2. 在上一步的基礎(chǔ)上，讓模型把如來(lái)話術(shù)再“復(fù)習(xí)”一次，同時(shí)混入部分正常話術(shù)，防止再次災(zāi)難性遺忘。【記為 RulaiGPT_v2】

為了不浪費(fèi)前面訓(xùn)練的擁有了基礎(chǔ)對(duì)話能力的 RulaiGPT_v1， 我這里在它的基礎(chǔ)上繼續(xù)訓(xùn)練，復(fù)習(xí)一下之前學(xué)過(guò)的如來(lái)話術(shù)。

但是，單純復(fù)習(xí)如來(lái)話術(shù)，再次導(dǎo)致災(zāi)難性遺忘的風(fēng)險(xiǎn)又比較大，所以我同時(shí)混入部分正常話術(shù)，實(shí)例如下：

{"q":?"你能給我解答一下宇宙萬(wàn)物的根基是什么嗎？",?"a":?"它是如如"}{"q":?"我經(jīng)常說(shuō)如來(lái)這個(gè)詞有秘密，如來(lái)、如來(lái)了嗎?",?"a":?"如來(lái)~"}{"q":?"問(wèn)：為什么英國(guó)人不反對(duì)英國(guó)每年花這么多納稅人的錢養(yǎng)王室？...",?"a":?"答：英國(guó)王室在英國(guó)的歷史中扮演了重要的角色，雖然它現(xiàn)在的職能可能不如以前那么重要，..."}{"q":?"問(wèn)：實(shí)習(xí)生遭遇辦公室政治，怎么辦？...",?"a":?"答：辦公室政治可能會(huì)對(duì)實(shí)習(xí)生造成負(fù)面影響，所以你應(yīng)該盡力避免被卷入其中。..."}

完整數(shù)據(jù)見文件夾中的 rulai_文件。

為了在上一步的 LoRA 模型上繼續(xù)訓(xùn)練，我們可以在 中直接添加 --previous_lora_weights參數(shù)，來(lái)指定之前訓(xùn)練好的 LoRA 參數(shù)，從而讓模型繼續(xù)訓(xùn)練，而不是重新訓(xùn)練一個(gè) LoRA。（參考了PEFT庫(kù)中的LoRA繼續(xù)訓(xùn)練的討論）

另外，為了進(jìn)一步降低災(zāi)難性遺忘的風(fēng)險(xiǎn)，我把learning_rate降低到了1e-5，batch 降為1，讓模型繼續(xù)訓(xùn)練5輪。

經(jīng)過(guò)了這樣的“復(fù)習(xí)”之后，模型終于馬馬虎虎既能正常對(duì)話，又能跟你聊如來(lái)了：

RulaiGPT_v2效果展示：

總的來(lái)說(shuō)，其實(shí)離我的預(yù)期還是差得很遠(yuǎn)，但目前還沒(méi)想到好的解決辦法，只能說(shuō)想要掌握如來(lái)的奧秘，并沒(méi)有那么簡(jiǎn)單吧~

我個(gè)人覺(jué)得有以下幾個(gè)地方值得探索：

在構(gòu)造QA語(yǔ)料的時(shí)候，到底加不加“問(wèn)：”，“答：”這樣顯式的模板呢？

怎樣的數(shù)據(jù)，容易導(dǎo)致模型災(zāi)難性遺忘？

LoRA 微調(diào)時(shí)如何緩解災(zāi)難性遺忘？

如何平衡“記住新知識(shí)”和“災(zāi)難性遺忘”兩方面？

大家有什么想法歡迎來(lái)評(píng)論區(qū)討論，或者來(lái)我的Github項(xiàng)目的discussion區(qū)討論哦！

項(xiàng)目地址：