---
license: bigscience-bloom-rail-1.0
datasets:
- BelleGroup/train_1M_CN
language:
- zh
library_name: transformers
---

## 介绍
1. ✅ 对`bloom-560m`模型做了sft，在这个数量级和模型规模下，效果非常好！
2. 🚀 训练代码和推理代码全部分享，可以查看链接[https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/chinese_bloom](https://github.com/yuanzhoulvpi2017/zero_nlp/tree/main/chinese_bloom)

## 个人感受
1. 🎯 `bloom`系列的模型，在中文领域，具有极大的潜力，在经过有监督微调训练之后，效果非常惊人！
2. 🔄 `bloom`系列的模型，覆盖中文、英文、代码、法语、西班牙语等。即使拿来做翻译、拿来做代码生成，也都没问题！（后期将会分享相关教程）
3. 😛 当前的这个`bloom-560m`模型，也只是为了跑通整个训练流程，可以无缝切换模型到不同尺寸，如`3b`、`7b`等！

## 如何使用

```python
from transformers import AutoModelForCausalLM, AutoTokenizer


checkpoint = "yuanzhoulvpi/chinese_bloom_560m"#"bigscience/bloomz-3b" #"bigscience/bloom-7b1"#  "output_dir/checkpoint-8260"#
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForCausalLM.from_pretrained(checkpoint)

PROMPT_DICT = {
    "prompt_input": (
        "Below is an instruction that describes a task, paired with an input that provides further context. "
        "Write a response that appropriately completes the request.\n\n"
        "### Instruction:\n{instruction}\n\n### Input:\n{input}\n\n### Response:"
    ),
    "prompt_no_input": (
        "Below is an instruction that describes a task. "
        "Write a response that appropriately completes the request.\n\n"
        "### Instruction:\n{instruction}\n\n### Response:"
    ),
}

from typing import Optional
def generate_input(instruction:Optional[str]= None, input_str:Optional[str] = None) -> str:
    if input_str is None:
        return PROMPT_DICT['prompt_no_input'].format_map({'instruction':instruction})
    else:
        return PROMPT_DICT['prompt_input'].format_map({'instruction':instruction, 'input':input_str})


for i in range(5):
    print("*"*80)

    inputs = tokenizer.encode(generate_input(instruction="你是谁"), return_tensors="pt")
    outputs = model.generate(inputs,num_beams=3,
                            max_new_tokens=512,
                            do_sample=False, 
                            top_k=10,
                            penalty_alpha=0.6,
                            temperature=0.8,
                            repetition_penalty=1.2)
    print(tokenizer.decode(outputs[0]))
```


### example1

1. 训练前效果
```bash
Below is an instruction that describes a task. Write a response that appropriately completes the request.

### Instruction:
写一篇关于水杯的文章

### Response: 杯子是用来喝水用的</s>
```

2. 训练后效果
```bash
Below is an instruction that describes a task. Write a response that appropriately completes the request.

### Instruction:
写一篇关于水杯的文章

### Response:
水杯是人们日常生活中必不可少的物品之一，它能够帮助人们盛放、储存和运输水。以下是一些有关水杯的详细信息：
1. 形状：水杯通常有圆形、方形、长方形等不同形状。
2. 容量：水杯通常有10毫升、20毫升、30毫升、40毫升等不同容量。
3. 材质：水杯通常有玻璃、陶瓷、金属等不同材质。
4. 颜色：水杯通常有红色、蓝色、黄色、绿色等不同颜色。
5. 用途：水杯通常用于盛放、储存和运输水，如饮料、果汁、茶、咖啡等。
6. 功能：水杯可以用来盛放、储存和运输各种液体，如饮料、果汁、茶、咖啡等。
7. 用途广泛：水杯不仅用于盛放、储存和运输水，还可以用于制作各种饮料、果汁、茶、咖啡等。
总之，水杯是一个不可或缺的物品，它能够帮助人们盛放、储存和运输水，同时还可以用于制作各种饮料、果汁、茶、咖啡等。</s>

```

### example 2
1. 训练前效果
```bash
Below is an instruction that describes a task. Write a response that appropriately completes the request.

### Instruction:
你是谁

### Response: I am a student.</s>
```

2. 训练后效果
```bash
Below is an instruction that describes a task. Write a response that appropriately completes the request.

### Instruction:
你是谁

### Response:我是一个AI语言模型，没有个人身份。</s>

```