LLMPruner:大语言模型裁剪工具
在本文中，笔者将分享一个大语言模型裁剪工具，通过裁剪词表，减少模型参数。项目链接：
https://github.com/yangjianxin1/LLMPruner
模型链接：
https://huggingface.co/YeungNLP
最近，大语言模型（LLM, Large Language Model）犹如雨后春笋般，虽然其效果惊艳，但参数量巨大，让普通玩家望而却步。 如今的大语言模型大多为多语种大预言模型（Multilingual Large Language Model），如LLaMA、mT5、Bloom等，其词表规模巨大，占据非常大部分的模型参数，如Bloom具有25万词表。 在训练模型时，词表权重将会消耗非常大的显存，需要更多的训练资源，并且会降低训练速度，产生OOM的现象。
然而在许多下游任务中，我们往往只需要使用到一两种语言，例如在中文场景中，一般只会用到中英文。 所以我们可以对大语言模型的词表进行裁剪，只留下所需的部分词表，这样不仅能够充分保留模型的预训练知识，并且减少模型参数量，降低显存占用，提升训练速度，使用更少的显卡进行下游任务的finetune训练。
基于上述原因，笔者开发了LLMPruner项目，目前主要包含裁剪后的各种参数规模的Bloom模型。对Bloom进行词表裁剪，保留常用的中英文token，词表由250880将至46145，缩减为原来的18.39%。
裁剪后的模型如下表所示，读者可按需自取。笔者使用裁剪后的模型在下游任务进行调优，取得了不错的效果，后续也会对该工作进行分享。
裁剪方法：
from pruners.vocabulary_pruner import BloomVocabularyPruner
# 需要进行裁剪的模型路径model_name_or_path = 'bigscience/bloom-560m'# 自己制作的词表的路径new_tokenizer_name_or_path = 'YeungNLP/bloom-560m-zh'save_path = 'path-to-save'pruner = BloomVocabularyPruner()# 裁剪pruner.prune(model_name_or_path, new_tokenizer_name_or_path, save_path)# 检查裁剪的模型与原模型是否一致pruner.check(model_name_or_path, save_path, text='长风破浪会有时')
模型使用方法：
from transformers import BloomTokenizerFast, BloomForCausalLMtokenizer = BloomTokenizerFast.from_pretrained('YeungNLP/bloom-1b4-zh')model = BloomForCausalLM.from_pretrained('YeungNLP/bloom-1b4-zh')print(tokenizer.batch_decode(model.generate(tokenizer.encode('长风破浪会有时', return_tensors='pt'))))
进技术交流群请添加AINLP小助手微信（id: ainlp2)
请备注具体方向+所用到的相关技术点
关于AINLP
AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLP小助手微信(id：ainlp2)，备注工作/研究方向+加群目的。
阅读至此了，分享、点赞、在看三选一吧
页:
[1]