nanogpt

nanoGPT - 极简 GPT 训练

快速开始

nanoGPT 是一个为学习和实验而设计的简化 GPT 实现。

安装：

pip install torch numpy transformers datasets tiktoken wandb tqdm

在 Shakespeare 上训练（对 CPU 友好）：

# Prepare data
python data/shakespeare_char/prepare.py

# Train (5 minutes on CPU)
python train.py config/train_shakespeare_char.py

# Generate text
python sample.py --out_dir=out-shakespeare-char

输出：

ROMEO:
What say'st thou? Shall I speak, and be a man?

JULIET:
I am afeard, and yet I'll speak; for thou art
One that hath been a man, and yet I know not
What thou art.

常见工作流

工作流 1：字符级 Shakespeare

完整训练流程：

# Step 1: Prepare data (creates train.bin, val.bin)
python data/shakespeare_char/prepare.py

# Step 2: Train small model
python train.py config/train_shakespeare_char.py

# Step 3: Generate text
python sample.py --out_dir=out-shakespeare-char

配置（config/train_shakespeare_char.py）：

# Model config
n_layer = 6          # 6 transformer layers
n_head = 6           # 6 attention heads
n_embd = 384         # 384-dim embeddings
block_size = 256     # 256 char context

# Training config
batch_size = 64
learning_rate = 1e-3
max_iters = 5000
eval_interval = 500

# Hardware
device = 'cpu'  # Or 'cuda'
compile = False # Set True for PyTorch 2.0

训练时间：约 5 分钟（CPU），约 1 分钟（GPU）

工作流 2：复现 GPT-2（124M）

在 OpenWebText 上进行多 GPU 训练：

# Step 1: Prepare OpenWebText (takes ~1 hour)
python data/openwebtext/prepare.py

# Step 2: Train GPT-2 124M with DDP (8 GPUs)
torchrun --standalone --nproc_per_node=8 \
  train.py config/train_gpt2.py

# Step 3: Sample from trained model
python sample.py --out_dir=out

配置（config/train_gpt2.py）：

# GPT-2 (124M) architecture
n_layer = 12
n_head = 12
n_embd = 768
block_size = 1024
dropout = 0.0

# Training
batch_size = 12
gradient_accumulation_steps = 5 * 8  # Total batch ~0.5M tokens
learning_rate = 6e-4
max_iters = 600000
lr_decay_iters = 600000

# System
compile = True  # PyTorch 2.0

训练时间：约 4 天（8× A100）

工作流 3：微调预训练的 GPT-2

从 OpenAI checkpoint 开始：

# In train.py or config
init_from = 'gpt2'  # Options: gpt2, gpt2-medium, gpt2-large, gpt2-xl

# Model loads OpenAI weights automatically
python train.py config/finetune_shakespeare.py

示例配置（config/finetune_shakespeare.py）：

# Start from GPT-2
init_from = 'gpt2'

# Dataset
dataset = 'shakespeare_char'
batch_size = 1
block_size = 1024

# Fine-tuning
learning_rate = 3e-5  # Lower LR for fine-tuning
max_iters = 2000
warmup_iters = 100

# Regularization
weight_decay = 1e-1

工作流 4：自定义数据集

在你自己的文本上训练：

# data/custom/prepare.py
import numpy as np

# Load your data
with open('my_data.txt', 'r') as f:
    text = f.read()

# Create character mappings
chars = sorted(list(set(text)))
stoi = {ch: i for i, ch in enumerate(chars)}
itos = {i: ch for i, ch in enumerate(chars)}

# Tokenize
data = np.array([stoi[ch] for ch in text], dtype=np.uint16)

# Split train/val
n = len(data)
train_data = data[:int(n*0.9)]
val_data = data[int(n*0.9):]

# Save
train_data.tofile('data/custom/train.bin')
val_data.tofile('data/custom/val.bin')

训练：

python data/custom/prepare.py
python train.py --dataset=custom

何时使用及替代方案

在以下情况使用 nanoGPT：

• 学习 GPT 的工作原理
• 试验 transformer 变体
• 教学/教育目的
• 快速原型开发
• 算力有限（可在 CPU 上运行）

简洁性的优势：

• 约 300 行：整个模型在 model.py 中
• 约 300 行：训练循环在 train.py 中
• 易于修改：方便魔改
• 无抽象：纯 PyTorch

在以下情况改用替代方案：

• HuggingFace Transformers：生产使用，模型众多
• Megatron-LM：大规模分布式训练
• LitGPT：更多架构，生产就绪
• PyTorch Lightning：需要高层框架

常见问题

问题：CUDA 内存不足

减小批大小或上下文长度：

batch_size = 1  # Reduce from 12
block_size = 512  # Reduce from 1024
gradient_accumulation_steps = 40  # Increase to maintain effective batch

问题：训练太慢

启用编译（PyTorch 2.0+）：

compile = True  # 2× speedup

使用混合精度：

dtype = 'bfloat16'  # Or 'float16'

问题：生成质量差

训练更长时间：

max_iters = 10000  # Increase from 5000

降低温度：

# In sample.py
temperature = 0.7  # Lower from 1.0
top_k = 200       # Add top-k sampling

问题：无法加载 GPT-2 权重

安装 transformers：

pip install transformers

检查模型名称：

init_from = 'gpt2'  # Valid: gpt2, gpt2-medium, gpt2-large, gpt2-xl

进阶主题

模型架构：参见 references/architecture.md，其中以通俗的方式解释了 GPT 块结构、多头注意力和 MLP 层。

训练循环：参见 references/training.md，了解学习率调度、梯度累积和分布式数据并行设置。

数据准备：参见 references/data.md，了解分词策略（字符级 vs BPE）和二进制格式的细节。

硬件要求

• Shakespeare（字符级）：

  • CPU：5 分钟
  • GPU（T4）：1 分钟
  • 显存：<1GB

• GPT-2（124M）：

  • 1× A100：约 1 周
  • 8× A100：约 4 天
  • 显存：每块 GPU 约 16GB

• GPT-2 Medium（350M）：

  • 8× A100：约 2 周
  • 显存：每块 GPU 约 40GB

性能：

• 使用 compile=True：2× 加速
• 使用 dtype=bfloat16：内存减少 50%

资源

• GitHub：https://github.com/karpathy/nanoGPT ⭐ 48,000+
• 视频：Andrej Karpathy 的 "Let's build GPT"
• 论文："Attention is All You Need"（Vaswani et al.）
• OpenWebText：https://huggingface.co/datasets/Skylion007/openwebtext
• 教育用途：最适合从零理解 transformer