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 00:13:35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
相关项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
149
1.95 K
kernelkernel
deepin linux kernel
C
22
6
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
980
395
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
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
931
555
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
65
518
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
1.11 K
0