首页
/ Minimind项目中的训练损失计算与Tokenizer设计解析

Minimind项目中的训练损失计算与Tokenizer设计解析

2025-05-11 11:30:39作者:昌雅子Ethen

预训练与SFT阶段的损失计算差异

在Minimind项目的实现中,预训练(pretrain)和监督微调(SFT)阶段的损失计算存在一些值得注意的差异。预训练阶段的损失计算会对梯度累积步数(accumulation_steps)进行缩放,而SFT阶段则没有这一处理。

这种设计背后的技术考量是:在预训练初期,模型处于冷启动状态,参数需要更稳定的更新。通过对损失进行累积步数缩放,可以模拟更大的批量训练效果,有助于提高训练稳定性。而在SFT阶段,模型参数已经经过预训练有了较好的初始化,通常不需要这种额外的稳定措施。

最新版本的代码已经统一了这两个阶段的处理方式,将SFT阶段的accumulation_steps默认设置为1,使得实现更加一致。这种调整反映了深度学习实践中常见的模式——预训练阶段往往需要更多训练技巧来保证稳定性,而微调阶段则可以相对简化。

Tokenizer预处理空间的设计考量

Minimind项目中tokenizer的训练实现展示了预处理阶段的一个有趣细节。代码中出现了两处看似矛盾的空间前缀(add_prefix_space)设置:

  1. 在初始化pre_tokenizer时设置为False
  2. 在tokenizer配置中又设置为True

这实际上是早期版本的一个笔误,但从技术实现角度,只要训练和推理阶段对文本的处理方式保持一致,这种设置差异不会影响最终模型的效果。关键在于保持训练与推理环境配置的一致性。

现代tokenizer设计中,空间前缀的处理是一个重要细节。它决定了tokenizer是否在单词前添加空格作为前缀,这对英语等以空格分隔单词的语言特别重要。正确的空间处理能确保tokenization过程的一致性和可逆性。

UNK与PAD共享ID的设计哲学

Minimind项目采用了将UNK(未知token)和PAD(填充token)共享ID 0的设计。这种设计在小型词汇表情况下尤其常见,其技术优势包括:

  1. 节省词汇表空间:在有限词汇表大小下,共享ID可以最大化有效词汇的表示能力
  2. 训练效率:BBPE(Byte-level BPE)能够编码几乎所有Unicode字符,真正的UNK情况极少
  3. 实现简化:统一处理未知token和填充token简化了模型实现

在实际应用中,这种设计确实如提问者所理解的:在训练阶段主要作为PAD使用,在部署阶段则兼作UNK。由于BBPE的特性,真正的UNK情况非常罕见,因此这种共享设计在实践中通常不会影响模型性能。

这种设计哲学反映了深度学习工程中的实用主义思想——在保证功能的前提下,尽可能简化实现并优化资源使用。类似的共享设计在资源受限的场景(如边缘设备部署)中尤为常见。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
178
262
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
867
513
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
183
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
265
305
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
note-gennote-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
598
57
GitNextGitNext
基于可以运行在OpenHarmony的git,提供git客户端操作能力
ArkTS
10
3