如何更好地繼續(xù)預(yù)訓(xùn)練（Continue PreTraining）

寫在前面

預(yù)訓(xùn)練（Pretraining）是一個(gè)非常消耗資源的工作，尤其在 LLM 時(shí)代。隨著LLama2的開源，越來越多人都開始嘗試在這個(gè)強(qiáng)大的英文基座模型上進(jìn)行中文增強(qiáng)。但，我們?nèi)绾尾拍鼙ＷC模型在既學(xué)到「中文知識(shí)」的情況下，又不丟掉原有的「英文知識(shí)」呢？

今天給大家?guī)硪黄?Continue Pretraining 的論文（來自何枝大佬，知乎@何枝），Continual Pre-Training of Large Language Models: How to (re)warm your model?

知乎：https://zhuanlan.zhihu.com/p/654463331
paper//arxiv.org/pdf/2308.04014.pdf

1.實(shí)驗(yàn)設(shè)定

作者使用一個(gè) 410M 大小的模型 Pythia，已經(jīng)在 Pile數(shù)據(jù)上進(jìn)行過預(yù)訓(xùn)練，然后在下游數(shù)據(jù)集 SlimPajama 上進(jìn)行微調(diào)。

論文中直接使用 Loss 作為評(píng)估指標(biāo)，即 Loss 越小，說明在上游（或下游）任務(wù)中的效果越強(qiáng)。

Pythia:https://huggingface.co/EleutherAI/pythia-410m-v0
Pile:https://huggingface.co/datasets/EleutherAI/pile
SlimPajama:https://www.cerebras.net/blog/slimpajama-a-627b-token-cleaned-and-deduplicated-version-of-redpajama

2. 關(guān)鍵結(jié)論

2.1 warmup 的步數(shù)不會(huì)影響最終性能

warmup 是一種 finetune 中常用的策略，指學(xué)習(xí)率從一個(gè)很小的值慢慢上升到最大值。那么，這個(gè)「慢慢上升」的階段持續(xù)多久是最好的呢？

作者分別使用訓(xùn)練步數(shù)的：0%, 0.5%, 1%, 2% 這 4 種不同預(yù)熱步數(shù)來進(jìn)行實(shí)驗(yàn)：

從上圖中可以看到：當(dāng)模型經(jīng)過「充分」訓(xùn)練后，不管多長(zhǎng)的預(yù)熱步數(shù)最后的性能都差不多。

但，這種前提是「充分訓(xùn)練」，如果只看訓(xùn)練前期的話，使用更長(zhǎng)的預(yù)熱步數(shù)（黃色的線）。無論是「上游任務(wù)」還是「下游任務(wù)」，模型的 Loss 都要比其他預(yù)熱步數(shù)要低（下游學(xué)的快，上游忘的慢）。

2.2 學(xué)習(xí)率越大，下游任務(wù)越好，上游任務(wù)越差

為了探究學(xué)習(xí)率對(duì)學(xué)習(xí)效果的影響，作者使用了 4 種不同的最大學(xué)習(xí)率進(jìn)行對(duì)比實(shí)驗(yàn)，

此外，還比對(duì)了和從頭訓(xùn)練（from scratch）模型的效果：

從圖中可以看到：經(jīng)過充分訓(xùn)練后，學(xué)習(xí)率越大（紫色），下游性能最好，上游性能最差（忘得最多）。同樣，我們看前期訓(xùn)練，盡管紫色線條在最后的 loss 是最低的，但在前期 loss 會(huì)增加的非常大，隨后下降。

PS：解釋一下這里為什么這么關(guān)注訓(xùn)練前期，是因?yàn)樵谡鎸?shí)訓(xùn)練中，我們可能不一定會(huì)增強(qiáng)圖中所示的 250B 這么多的 tokens，尤其是在模型參數(shù)很大的情況中。所以，當(dāng)資源不允許充分訓(xùn)練的情況下，較小的學(xué)習(xí)率和較長(zhǎng)的 warmup 步數(shù)可能是一個(gè)不錯(cuò)的選擇。

此外，圖中還能看出：未經(jīng)過預(yù)訓(xùn)練的模型（藍(lán)色）無論是上游任務(wù)還是下游任務(wù)，都不如預(yù)訓(xùn)練過的模型效果。

這鼓勵(lì)我們今天在進(jìn)行訓(xùn)練任務(wù)時(shí)，最好選擇一個(gè)已經(jīng)過預(yù)訓(xùn)練的模型上繼續(xù)訓(xùn)練（以利用其中的先驗(yàn)知識(shí)）。

2.3 在初始預(yù)訓(xùn)練中使用 Rewarmup 會(huì)損傷性能

盡管 warmup 策略在 Finetune 和 Continue Pretraining 中都起到了更好的效果（相較于常量學(xué)習(xí)率），但是，這建立在「切換了訓(xùn)練數(shù)據(jù)集（數(shù)據(jù)分布）」的前提下。

作者做了一個(gè)實(shí)驗(yàn)，不切換數(shù)據(jù)集，而是繼續(xù)在之前的「預(yù)訓(xùn)練數(shù)據(jù)集（The Pile）」上繼續(xù)訓(xùn)練：

從圖中結(jié)果可以發(fā)現(xiàn)：無論使用多大學(xué)習(xí)率的 warmup 策略，效果都不如使用常量學(xué)習(xí)率。

這進(jìn)一步證明，在原數(shù)據(jù)集上使用 warmup 接著訓(xùn)練會(huì)造成性能損傷，學(xué)習(xí)率越大則損傷越大，且這種損傷是無法在后續(xù)的訓(xùn)練中被找回的。

PS：這里提示我們，當(dāng)預(yù)訓(xùn)練中遇到了訓(xùn)練中斷需要繼續(xù)訓(xùn)練時(shí)，我們應(yīng)該在重新開始訓(xùn)練時(shí)將學(xué)習(xí)率恢復(fù)到中斷之前的狀態(tài)（無論是數(shù)值還是衰減率）。

3. 實(shí)驗(yàn)限制

作者在論文的最后貼出了得出上述結(jié)論的一些局限性。

3.1 上下游數(shù)據(jù)分布類似

因?yàn)閷?shí)驗(yàn)中選用的上游數(shù)據(jù)集 [Pile] 和下游數(shù)據(jù)集 [SlimPajama] 中存在一部分的數(shù)據(jù)重疊，

所以導(dǎo)致上下游數(shù)據(jù)的分布是比較相似的，但在我們真實(shí)的訓(xùn)練任務(wù)中，上下游數(shù)據(jù)的差異可能會(huì)比這大的多。

3.2 模型規(guī)模較小

論文中所使用的模型規(guī)模為 410M，這和今天人們 7B 起步的 LLM 規(guī)模相差甚遠(yuǎn)。

不過該團(tuán)隊(duì)打算在接下來的工作中繼續(xù)在 3B 和 7B 的規(guī)模下進(jìn)行嘗試，期待他們最后的實(shí)驗(yàn)結(jié)論。