学习代码的时候写了一个教程，希望可以帮到其他同学

[pengqianhan]

本教程参考官方 readme 和 不是Issue，一点个人训练minimind的记录 #26

由于本人手头只有一台Macbook (M1 Pro)，因此这个项目只是用来debug和学习代码，完全没有训练出一个可用的模型。在大佬的代码基础上减少了epoch，同时在一个epoch内只用很少的数据进行训练，代码可正常运行从而可以学习代码运行的逻辑。以下是我学习代码的流程：

0. train tokenizer

   • 下载 | 【tokenizer训练集】 | HuggingFace / 百度网盘 文件为 tokenizer_train.jsonl
   • 博客或视频讲解
   • 运行 train_tokenizer.py, 运行结束后，在’model/minimind_tokenizer/‘下得到merges.txt,tokenizer_config.json,tokenizer.json,vocab.json 四个文件

1. data_process.py 处理数据，为pretrain 数据集做准备

   • 下载 | 【Pretrain数据】 | Seq-Monkey官方 / 百度网盘 / HuggingFace | 此处是从hugging face下载 mobvoi_seq_monkey_general_open_corpus.jsonl 文件,大小为 14.5GB,解压后为33.39GB
   • 运行 data_process.py ，处理mobvoi_seq_monkey_general_open_corpus.jsonl，
     • if process_type == 1:在dataset目录下生成了pretrain_data.bin和clean_seq_monkey.bin两个文件
     • process_type == 2:
     • process_type == 3:

2. 预训练model，1-pretrain.py

   • 使用 ./dataset/pretrain_data.bin 来预训练，直接运行1-pretrain.py即可，运行结束后在./out 目录下保存一个pretrain_512.pth 的模型文件

3. 有监督微调（Supervised Fine-Tuning，SFT）3-full_sft.py

   • 读取 './dataset/sft_data_single.csv' 文件来进行 full sft 训练，运行3-full_sft.py即可，结束后在./out 目录下保存一个 full_sft_512.pth 的模型文件
   • 读取 './dataset/sft_data_multi.csv' 文件来进行 full sft 训练，运行3-full_sft.py即可，结束后在./out 目录下保存一个 full_sft_512.pth 的模型文件，也可以修改‘ckp = f'{args.save_dir}/full_sft_{lm_config.dim}{moe_path}.pth’这行中文件名称

4. 现在可以运行2-eval.py 来进行评估

5. LoRA SFT,4-lora_sft.py

   • git clone https://huggingface.co/jingyaogong/minimind-v1-small
   • 在 https://huggingface.co/jingyaogong/minimind-v1-small/tree/main 下载 pytorch_model.bin， 然后放到 ./minimind_v1_small 目录下
   • 然后运行4-lora_sft.py即可,运行结束会在out文件夹下保存‘adapter_config.json’ 和 'adapter_model.safetensors'
   • note: 直接下载huggingface的模型，会报错，暂时没找到解决方法，因此下载模型到本地运行
   • 学习资料
   • peft 库

6. 5-dpo_train.py

   • 在hugging face 下载 dpo_dpo_zh_demo.json，然后放在'./dataset/dpo/'
   • 这部分代码还没跑通