baichuan-inc / Baichuan-7B

A large-scale 7B pretraining language model developed by BaiChuan-Inc.
https://huggingface.co/baichuan-inc/baichuan-7B
Apache License 2.0
5.67k stars 504 forks source link

[Question] 训练垂直领域的模型,增量预训练的token数需要达到多少才能有比较好的效果? #112

Open parkLGW opened 1 year ago

parkLGW commented 1 year ago

Required prerequisites

Questions

训练垂直领域的模型,增量预训练的token数需要达到多少才能有比较好的效果呢?

Checklist

hingkan commented 1 year ago

我想请教下大佬,在trian.py中只输入了tokenizer_path,没有给input_model_path,如何做到增量预训练的呀

parkLGW commented 1 year ago

我想请教下大佬,在trian.py中只输入了tokenizer_path,没有给input_model_path,如何做到增量预训练的呀

模型和分词器不都在同一个路径下吗

hingkan commented 1 year ago

我在md文件中看到“下载 tokenizer 模型文件 tokenizer.model,放置在项目目录下。”,就以为是基于tokenizer.model对模型进行重训练。当时就想着模型有个默认路径或者在调用modeling_baichuan.py时下载模型,如模型和分词器默认在一个文件夹加载就明白了。谢谢解惑~ 我想顺便请教下,预训练数据是哪种格式呢: 格式一: “”“ doc1 doc2 doc3 ... “”“ 格式二: ”“” {"text": "doc1"} {"text": "doc2"} {"text": "doc3"} ... “”“