【技术实现步骤摘要】
大语言模型的训练方法、装置、设备和介质
[0001]本公开涉及人工智能
,尤其涉及自然语言处理和深度学习等
,具体涉及一种大语言模型的训练方法、大语言模型的训练装置、电子设备、计算机可读存储介质和计算机程序产品。
技术介绍
[0002]人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括自然语言处理技术、计算机视觉技术、语音识别技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
[0003]在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
技术实现思路
[0004]本公开提供了一种大语言模型的训练方法、大语言模型的训练装置、电子设备、计算机可读存储介质和计算机程序产品。
[0005]根据本公开的一方面,提供了一种大语言模型的训练方法,包括:获取大规模无监督文本数据;从大规模问答数据中提取多个问题答案对,多个问题答案对中的每一个问题答案对包括对应的问题文本和答案文本;基于多个问题答案对,构建弱监督指令数据,包括:针对多个问题答案对中的每一个问题答案对,将该问题答案对中的问题文本作为样本指令,并将该问 ...
【技术保护点】
【技术特征摘要】
1.一种大语言模型的训练方法,包括:获取大规模无监督文本数据;从大规模问答数据中提取多个问题答案对,所述多个问题答案对中的每一个问题答案对包括对应的问题文本和答案文本;基于所述多个问题答案对,构建弱监督指令数据,包括:针对所述多个问题答案对中的每一个问题答案对,将该问题答案对中的问题文本作为样本指令,并将该问题答案对中的答案文本作为与所述样本指令对应的真值回复数据,构建与该问题答案对对应的指令训练样本;以及基于与所述多个问题答案对各自对应的指令训练样本,构建所述弱监督指令数据;以及利用包括所述大规模无监督文本数据和所述弱监督指令数据的混合训练数据,对大语言模型进行预训练。2.根据权利要求1所述的方法,其中,利用包括所述大规模无监督文本数据和所述弱监督指令数据的混合训练数据,对大语言模型进行预训练包括:基于递增的学习率,利用所述混合训练数据对所述大语言模型进行预设训练步数的预训练,以得到中间大语言模型;以及基于递减的学习率,利用所述混合训练数据对所述中间大语言模型进行预训练。3.根据权利要求2所述的方法,其中,所述预设训练步数的预训练中的每一步所使用的混合训练数据中的弱监督指令数据的比例是基于当前训练步数和所述预设训练步数而确定的。4.根据权利要求3所述的方法,其中,所述弱监督指令数据的比例与所述当前训练步数和所述预设训练步数的比值呈正相关。5.根据权利要求4所述的方法,其中,所述弱监督指令数据的比例等于第一值和第二值的和,所述第一值等于所述当前训练步数和所述预设训练步数的比值与预设的基准训练比例的乘积,所述第二值为预设的最小训练比例。6.根据权利要求1
‑
5中任一项所述的方法,还包括:利用所述大规模无监督文本数据对初始大语言模型进行预训练,以得到所述大语言模型。7.根据权利要求1
‑
5中任一项所述的方法,还包括:利用人工指令监督数据对预训练后的大语言模型进行监督微调,以得到经训练的大语言模型,所述经训练的大语言模型用于基于用户的输入指令生成回复数据。8.根据权利要求1
‑
5中任一项所述的方法,其中,利用包括所述大规模无监督文本数据和所述弱监督指令数据的混合训练数据,对大语言模型进行预训练包括:针对所述混合训练数据中的弱监督指令数据,将所述弱监督指令数据所包括指令训练样本中的样本指令输入所述大语言模型,以得到预测回复数据;基于所述真实回复数据和所述预测回复数据,确定损失值;以及基于所述损失值,调整所述大语言模型的参数。9.根据权利要求1
‑
5中任一项所述的方法,其中,利用包括所述大规模无监督文本数据和所述弱监督指令数据的混合训练数据,对大语言模型进行预训练包括:
针对所述混合训练数据中的大规模无监督文本数据,基于掩码语言模型任务、语言模型、对话语言模型、下句预测任务中的至少一个,利用所述大规模无监督文本数据对所述大语言模型进行预训练。10.根据权利要求1
‑
5中任一项所述的方法,其中,所述大规模问答数据包括问答场景的大规模网页数据。11.一种大语言模型的训练装置,包括:获取单元,被配置为获取大规模无监督文本数据;提取单元,被配置为从大规模问答数据中提取多个问题答案对,所述多个问题答案对中的每一个问题答案对包括对应的问题文本和答案文本;构建单元,被配置为基于所述多个问题答案对,构建弱监督指令数据,所述构建单元包括:第一构建子单元,被配置为针对所述多个问题答案对中的每一个问题答案对,将该问题答案对中的问题文本作...
【专利技术属性】
技术研发人员:丁思宇,王硕寰,赵晏彬,孙宇,田浩,吴华,王海峰,
申请(专利权)人:北京百度网讯科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。