写在前面

GPT（Generative Pre-trained Transformer）是目前最广泛应用的大语言模型架构之一，其强大的自然语言理解与生成能力背后，是一个庞大而精细的训练流程。本文将从宏观到微观，系统讲解GPT的训练过程，包括数据收集、预处理、模型设计、训练策略、优化技巧以及后训练阶段（微调、对齐）等环节。

我们将先对 GPT 的训练方案进行一个简述，接着我们将借助 MiniMind 的项目，来完成我们自己的 GPT 的训练。

训练阶段概览

GPT 的训练过程大致分为以下几个阶段：

• 数据准备（Data Preparation）
• 预训练（Pretraining）
• 指令微调（Instruction Tuning）
• 对齐阶段（Alignment via RLHF 或 DPO）
• 推理部署（Inference & Serving）

准备数据

这里我们选择 MiniMind2：104M参数量的，0.1B。
使用数据集如下：
● pretrain_hq
● sft_512
● sft_2048
● dpo

我们对数据进行下载

wget -c 'https://huggingface.co/datasets/jingyaogong/minimind_dataset/resolve/main/dpo.jsonl?download=true'
wget -c 'https://huggingface.co/datasets/jingyaogong/minimind_dataset/resolve/main/sft_2048.jsonl?download=true'
wget -c 'https://huggingface.co/datasets/jingyaogong/minimind_dataset/resolve/main/sft_512.jsonl?download=true'

对应的内容如下：

下载完毕后如下所示：

预训练

torchrun --nproc_per_node 2 train_pretrain.py --n_layers 16 --dim 768 --use_wandb

继续双卡训练：

可以看到 LLM总参数量：104.031 百万，最终为 0.1B 模型。

开始预训练，两张卡，各15GB显存。

sft_512

训练模型

torchrun --nproc_per_node 2 train_full_sft.py --data_path "./dataset/sft_512.jsonl" --n_layers 16 --dim 768 --use_wandb

开始训练：

占用情况如下所示：

测试模型

python eval_model.py --model_mode 1 --n_layers 16 --dim 768

对应的内容如下所示：

sft_1024

训练模型

训练之前，我们需要将之前的 pretrained 模型备份一下（防止以后弄错了），然后把刚才训练好的模型修改为 pretrained 的名字。
简言之：在刚才sft_512上训练出来的模型上进行sft_1024的训练

mv full_sft_768.pth pretrain_768.pth

当前模型的列表如下所示：

此时的 pretrain_768.pth 模型就是刚才在 sft_512 上训练出来的

torchrun --nproc_per_node 2 train_full_sft.py --data_path="./dataset/sft_1024.jsonl" --n_layers 16 --dim 768 --use_wandb

我们继续进行训练，这次任务估计要更久了，需要耐心的等待。

测试模型

python eval_model.py --model_mode 1 --n_layers 16 --dim 768

测试的执行结果如下所示：

dpo

在大模型训练中，“DPO” 通常指的是 Direct Preference Optimization（直接偏好优化），这是一种新兴的 对齐技术，用于更高效、直接地将大语言模型（LLM）对齐为更符合人类偏好的行为输出方式。它是近年来在 人类反馈强化学习（RLHF） 之后提出的一种新思路。

DPO 是不使用强化学习（如PPO）的方法，直接用“人类偏好对比数据”来优化语言模型的输出行为，使它更贴合用户期望。

大模型对齐，主要解决两个问题：

• 输出内容可控、有用、无害；
• 更符合人类用户的喜好或选择。

RLHF 是当前最流行的对齐技术，如 OpenAI 的 InstructGPT 和 ChatGPT 都用了这一方式。但 RLHF 存在如下问题：

• 实现复杂（需要 reward model、策略优化器等）；
• 训练不稳定；
• PPO 的超参数难调；
• 训练代价大。

DPO 的目标：

• 用一种更简单的方式，实现类似甚至超过 RLHF 的对齐效果。

它解决了什么？

• 不用再引入复杂的 reward model + PPO；
• 直接在原始语言模型架构基础上，做最小改动即可实现。

为什么 DPO 有用？

• ✅ 不需要 reward model；
• ✅ 不使用强化学习；
• ✅ 易于实现、可以用常规优化器训练（如 Adam）；
• ✅ 效果与 PPO 相当或更优；
• ✅ 可直接用于 decoder-only 架构（如 GPT）；

训练模型

我们训练完了 sft_1024 的数据，接着进行下面的训练即可：

torchrun --nproc_per_node 2 train_dpo.py --n_layers 16 --dim 768 ----batch_size 4 --use_wandb

这里我们需要控制一下 batch_size 的大小，不然会OOM。

可以看到调整了 batch_size（代码里默认是8），此时调整为4，GPU也基本是要吃满的状态了：