Aitrainee | 公众号：AI进修生

?Skywork-13B-Base模型在3.2万亿个高质量多语言（主要是中文和英文）和代码数据上预训练，它在多种评测和各种基准测试上都展现了同等规模模型的最佳效果，包括Base、Chat、Math、MM模型及其量化版，支持用户在消费级显卡进行部署和推理。

▲ Model Scope

• Skywork-13B 下载地址（Model Scope）：https://modelscope.cn/organization/skywork• Skywork-13B 下载地址（Github）：https://github.com/SkyworkAI/Skywork• 技术报告：https://arxiv.org/pdf/2310.19341.pdf

模型结构

▲ GPT-3结构和Llama结构训练对比（摘自知乎盐海）

下面对相关名词作通俗化的解释：

相对位置编码（Rotary Position Embedding）：这是一种用于编码输入序列中位置信息的方法。想象一下，你在看一本书，每页的页码告诉你这个字在哪里。RoPE就像在模型里给每个字加了页码，让它知道每个字在什么位置。

均方根归一化（Root Mean Square Normalization）：这是一种归一化技术，用于调整神经网络层的输出。想象你在做一道菜，所有的配料都需要精确的分量。RMSNorm就像一个称重工具，确保每个步骤的配料量都准确无误，这样菜品才会美味。

SwiGLU（一种激活函数）：结合了Swish和Gated Linear Units (GLU) 的特点。想象你有一个聪明的开关，它能决定什么时候打开、什么时候关闭，以确保电流流动最有效。SwiGLU就是这样一个聪明的开关，帮助模型更好地处理信息。

Skywork-13B模型比Llama-2-13B模型更“瘦长”：为了达到Llama2-13B的训练效率，Skywork-13B的训练批次大小增加到Llama2-13B的四倍。由于计算机集群带宽较低，所以需要更多的梯度累积来减少通讯开销。

根据之前的实验，当批次更大时，增加网络层数（即增加模型的复杂度）可以提高模型的表现。因此，模型的层数被增加到52层，同时减小每层的规模，使得模型的总体参数量和Llama2-13B差不多。

为了适应更大的数据批量，学习率被提高到Llama2-13B的两倍，这样可以确保训练时梯度的方差保持一致。

Skywork-13B总共52层，虽然每层的一些参数（FFN Dim和Hidden Dim）比Llama-2-13B模型小，但总的参数量是一样的。

训练效果：这种“瘦长”的设计在训练时效果更好。

Skywork-13B 与 LLama 中的 Tokenizer

在大模型中，tokenizer 扮演着重要的角色。以下是关于 Skywork-13B 与 LLama 模型中的 tokenizer 的一些关键概念：

概念：Tokenize 就是将一段大文本分成更小的、容易处理的单元，通常是单词或短语。类似于读一本书时将其分成一章一章来读，使得处理和理解内容更加容易。

Skywork-13B 中的 Tokenizer：Skywork-13B 的 tokenizer 带有浓厚的 LLama 风格，包含了 LLama 的 32000 个 token。

中文支持

背景：由于 LLama 模型原生不支持中文，因此需要额外的词汇扩展来增强其中文处理能力。

实现：Skywork-13B 通过以下步骤增强了中文支持：

• • 从 BERT-Chinese 模型中引入 8000 个 token。

• • 另外添加了 25000 个中文高频词组。

• • 最终增加了 17 个保留字。

保留字

定义：保留字是指模型中特别需要保留的词汇，如“重要人物的名字”或“地点名称”。这些词在生成和理解过程中需要特殊对待。

比较：Skywork-13B 只有 17 个保留字，这显得相对较少。相比之下，Baichuan2 模型有几千个保留字，可能是为了多模态处理做准备。

词表大小

概念：词表大小指的是模型词典中包含的词条数量。词表越大，模型可以理解和处理的词汇越多。

Skywork-13B 的词表大小：Skywork-13B 的词表总大小为 65536 个词条，这意味着它有一个非常大的词典，可以处理多种不同的词语和短语。

小结

tokenizer 的重要性：tokenizer 在 Skywork-13B 和 LLama 大模型中起到分词和词汇表管理的重要角色，通过合理的分词和丰富的词汇表，可以大幅提高模型对不同语言和文本的理解和处理能力。这对于多语言支持和多模态应用尤为关键。

模型训练方法的简单解释

Skywork-13B用了两阶段的方法。这个方法让模型先学习广泛的知识，然后再专注于特定领域的内容，比如科学和数学，这样可以让模型在解决复杂问题时表现更好。

第一阶段：通用训练

在第一阶段，我们让模型学习大量的通用内容，这些内容就像是百科全书里的各种知识。通过这个阶段，模型可以获得广泛的基础知识。我们会监督模型的学习过程，观察它的进步和变化。这时候的模型被称为Skywork-13B-3.1T-Base。

第二阶段：特定领域训练

在第二阶段，我们在模型已经学到的基础知识上，加入了更多关于科学、技术、工程和数学（STEM）的内容。这个阶段的训练让模型在这些领域的能力更强，比如更好地解决数学问题或科学难题。这个阶段用了更多的数据来进一步提高模型的表现，最后我们得到了名为Skywork-13B-Base的最终模型。

数据集

大模型预训练需要从大量的文本数据中学习并存储知识。预训练数据主要有两类：网页数据（web data）和专有数据（curated high-quality corpora）。网页数据获取方便，比如CommonCrawl，是一个包含海量网页数据的公开数据集。而专有数据则是特定领域或行业的数据，比如高质量书籍和对话数据。

像OpenAI的GPT-3、4模型和谷歌的PaLM系列模型都大量使用了专有数据。这些高质量的数据往往不对公众开放，因此很多人认为，像GPT、PaLM等模型的成功，很大程度上归功于这些高质量、难以获取的专有数据。

但是，阿联酋阿布扎比技术创新研究所（TII）的团队提出了不同的观点。他们研究发现，仅通过更好的清洗和过滤策略，使用网页数据也能训练出强大的模型。

这篇论文展示了通过严格的URL过滤、文本提取和去重流程，使用CommonCrawl这样的网页数据训练出的Falcon-40B模型，其表现超过了很多依赖专有数据的模型。通过这种方式，不仅降低了数据获取和处理的成本，还展示了网页数据在大模型训练中的巨大潜力、

中文社区一直在苦苦寻觅高质量的数据集，而相比之下，英文社区已经发布了很多高质量的数据集，比如 C4、RefinedWeb、ThePile 和 The Stack 等等。

中文社区之前最大的开源数据集是 Wudao-data，但它的规模和英文数据集相比显得不足，仅包含大约 530 亿个 token，而 C4 的 token 数超过 1000 亿，RefinedWeb、ThePile 和 The Stack 更是达到了 5000 亿 token 量级。

不仅在数量上有所差距，Wudao-data 的数据质量也存在问题，尽管经过严格清洗过滤，仍然会发现一些格式错乱、重复和低质量的数据。为了填补这个空缺，天工开源了 Skypile-150B 数据集。

这是一个经过精细清洗、去重和过滤的高质量网页数据集，使用了FastText 和 BERT 等模型去除了不良内容和低质量数据。此外，天工Skywork-13B模型还充分利用了CommonCrawl数据集，这是一个海量的、非结构化的、多语言的网页数据集，通过挖掘其中的数百亿网页，提高了跨语言处理的能力。

这次开源的数据集总 token 数约为 1500 亿，硬盘占用 592GB，是目前最大的中文开源数据集。

你可以在以下地址下载 Skypile-150B 数据集：

[Skypile-150B 下载地址]：(https://modelscope.cn/organization/skywork)[Skypile-150B GitHub]：(https://github.com/SkyworkAI/Skywork)

分词器

• • 分词方法：使用了一种叫做Byte-Pair Encoding (BPE)的方法把数据切成小块。

• • 词表大小：词表总大小是65536，包括拉丁字符、汉字、Unicode符号和一些汉语词语。

总结一下

• • 高质量数据：用了大量高质量的英文、中文和代码数据来训练模型。

• • 瘦长设计：这个模型结构更加“瘦长”，层数更多，但每层的某些参数比Llama-2-13B模型小。

• • 分词器：分词器能处理多种字符和词语，确保模型能理解不同语言的内容。

语言模型的评估方式

训练语言模型的目的是让它更准确地预测下一个词。评估模型的一个重要方式是计算它在生成文章时的概率。通常用“交叉熵损失函数”来衡量模型的预测准确性。具体来说，就是计算每个词的预测概率，然后取这些概率的对数平均值。为了更直观地比较不同模型的表现，我们将这个损失值转化为“困惑度”（perplexity）。困惑度越低，说明模型越好。

看看天工AI团队是怎么说的（向上滑动）

Skywork-13B的训练选取了2023年9月发布的数百到上千篇高质量文章，这些文章不在任何模型的训练集中，并且来源广泛、质量高。测试结果显示，不同开源模型中，Skywork-13B-Base模型表现最好。

▲ 图展示了不同开源模型的性能。Skywork-13B-Base 取得了最佳效果。

Skywork-13B-Base模型在不同基准测试中的表现

在几个热门的基准测试上评估了Skywork-13B-Base模型，包括C-Eval、MMLU、CMMLU和GSM8K。按照5-shot和8-shot的测试方法，Skywork-13B-Base模型在中文开源模型中名列前茅，表现非常出色。具体来看，它在STEM、人文学科、社会科学和其他领域都有出色表现，尤其是在中文特定领域的测试中也显示了优越的能力。

通过这些调整和评估，Skywork-13B-Base模型不仅在训练效率上达到了预期，还在多个测试中表现出色，证明了其作为开源中文模型的强大能力。

模型微调的通俗化解释（结合Skywork-13B）

在训练大语言模型时，微调（Fine-Tuning）是让模型更好地适应特定任务或数据的一种方法。这里有几种不同的微调方法，我们来逐个看看它们的区别和用法。

1. 全量微调（Full Fine-Tuning）

是什么：这是最常见的一种微调方法，它会调整模型中的所有参数。

怎么做：

• • 你需要用新的数据来继续训练整个模型，就像是让模型重新学习一遍新的内容。

• • 这个过程通常需要大量的计算资源，因为你要对整个模型进行重新调整。

步骤：

• • 预处理数据：使用脚本将训练数据准备好。

  python train/pt_data_preprocess.py -t $MODEL_PATH -i data/pt_train.jsonl -o data_cache/pt_train_demo

• • 启动训练：设置环境变量并运行训练脚本。

  export WANDB_API_KEY=YOUR_WANDB_KEY
  export WANDB_ENTITY=skywork
  export WANDB_PROJECT=skywork-13b-opensource
  export MODEL_PATH=skywork-13b-models/skywork-13b-base
  export DATA_CACHE_DIR=data_cache/pt_train_demo/pt_train
  bash bash_scripts/skywork_13b_pt.sh

适用场景：当你有大量的新数据，并且需要模型在这些数据上有很好的表现时，使用全量微调。

2. 有监督微调（Supervised Fine-Tuning, SFT）

是什么：这种方法专注于让模型在特定任务上表现更好，比如回答问题或文本分类。

怎么做：

• • 用标注好的数据来训练模型，这些数据告诉模型在特定情况下应该输出什么。

• • 例如，你可以用一大堆问题和答案来训练模型，让它学会回答问题。

步骤：

• • 预处理数据并启动训练：设置环境变量并运行训练脚本。

  export WANDB_API_KEY=YOUR_WANDB_KEY
  export WANDB_ENTITY=skywork
  export WANDB_PROJECT=skywork-13b-opensource
  export SFT_DATA_DIR=data/sft_data
  export DATA_CACHE_DIR=data_cache/sft_train_demo
  bash bash_scripts/skywork_13b_sft.sh

适用场景：当你需要模型在某个特定任务上有很好的表现，比如客服机器人需要回答客户的问题。

3. LoRA微调（Low-Rank Adaptation, LoRA）

是什么：LoRA是一种轻量级的微调方法，通过增加少量的适配层，来调整模型的部分参数。

怎么做：

• • 只调整模型的一部分参数，而不是全部参数。这种方法更省计算资源。

• • 可以理解为在现有模型上增加一些“小插件”，让模型变得更灵活。

步骤：

• • 预处理数据：和全量微调类似，但适用于LoRA方法。

  python train/pt_data_preprocess.py -t $MODEL_PATH -i data/pt_train.jsonl -o data_cache/pt_train_demo

• • 启动预训练微调：设置环境变量并运行训练脚本。

  export WANDB_API_KEY=YOUR_WANDB_KEY
  export WANDB_ENTITY=skywork
  export WANDB_PROJECT=skywork-13b-opensource
  export MODEL_PATH=skywork-13b-models/skywork-13b-base
  export DATA_CACHE_DIR=data_cache/pt_train_demo/pt_train
  bash bash_scripts/skywork_13b_pt_lora.sh

适用场景：当计算资源有限，但仍希望模型能适应新数据或任务时，使用LoRA微调。

4. 使用LoRA进行有监督微调（SFT with LoRA）

是什么：这种方法结合了LoRA和有监督微调的优点，既高效又能在特定任务上表现出色。

怎么做：

• • 在现有模型上增加LoRA层，并用标注好的数据进行微调。

• • 这让模型不仅能高效学习，还能在特定任务上表现得更好。

步骤：

• • 启动有监督微调：设置环境变量并运行训练脚本。

  export WANDB_API_KEY=YOUR_WANDB_KEY
  export WANDB_ENTITY=skywork
  export WANDB_PROJECT=skywork-13b-opensource
  export SFT_DATA_DIR=data/sft_data
  export DATA_CACHE_DIR=data_cache/sft_train_demo
  bash bash_scripts/skywork_13b_sft_lora.sh

适用场景：当希望在特定任务上高效微调模型，同时节省计算资源时，使用这方法。

总结一下

• • 全量微调：适合有大量数据和计算资源的情况。

• • 有监督微调：适合特定任务的优化。

• • LoRA微调：适合计算资源有限，但仍希望模型能适应新数据的情况。

• • LoRA有监督微调：结合了LoRA和有监督微调的优点，既高效又能在特定任务上表现出色。

这些方法各有优缺点，可以根据具体需求选择合适的微调方法。

依赖安装

• • Python 3.8及以上版本

• • Pytorch 2.0及以上版本

• • CUDA建议使用11.4以上版本。

Skywork-13B-Base模型，Skywork-13B-Chat模型和Skywork-13B-Math模型运行下面的脚本进行Python依赖安装。

pip install -r requirements.txt 

Hugging Face模型测试

Base 模型推理

from transformers import AutoModelForCausalLM, AutoTokenizer
from transformers.generation import GenerationConfig
import torch

tokenizer = AutoTokenizer.from_pretrained("SkyworkAI/Skywork-13B-Base", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained("SkyworkAI/Skywork-13B-Base", device_map="auto", trust_remote_code=True).eval()

inputs = tokenizer('陕西的省会是西安', return_tensors='pt').to(model.device)
response = model.generate(inputs.input_ids, max_length=128)
print(tokenizer.decode(response.cpu()[0], skip_special_tokens=True))
"""
陕西的省会是西安，西安是我国著名的古都，在历史上有十三个朝代在此建都，所以西安又被称为“十三朝古都”。西安是我国著名的旅游城市，每年都有大量的游客来到西安旅游，西安的旅游资源非常丰富，有很多著名的旅游景点，比如秦始皇兵马俑、大雁塔、华清池、大唐芙蓉园、西安城墙、大明宫国家遗址公园、西安碑林博物馆、西安钟楼、西安鼓楼、西安半坡博物馆、西安大兴善寺、西安小雁塔
"""

inputs = tokenizer('陕西的省会是西安，甘肃的省会是兰州，河南的省会是郑州', return_tensors='pt').to(model.device)
response = model.generate(inputs.input_ids, max_length=128)
print(tokenizer.decode(response.cpu()[0], skip_special_tokens=True))
"""
陕西的省会是西安，甘肃的省会是兰州，河南的省会是郑州，湖北的省会是武汉，湖南的省会是长沙，江西的省会是南昌，安徽的省会是合肥，江苏的省会是南京，浙江的省会是杭州，福建的省会是福州，广东的省会是广州，广西的省会是南宁，海南的省会是海口，四川的省会是成都，贵州的省会是贵阳，云南的省会是昆明，西藏的省会是拉萨，青海的省会是西宁，宁夏的省会是银川，新疆的省会是乌鲁木齐。
"""

中国AI搜索鼻祖：启发式回答与多维搜索，破解知识碎片化，超越Perplexity的绝赞研究者模式！

参考链接：
[1]http://www.sniper97.cn/index.php/note/deep-learning/note-deep-learning/4458/
[2]https://zhuanlan.zhihu.com/p/664985891