OliveSensorAPI/generate_data/tutorial.md

# EmoLLM 微调数据生成教程

## **一、目标与背景**

为了使我们的心理大模型有更好的表达效果，我们必须要有高质量的数据集。为了达到这一目标，我们决定利用四种强大的中文大模型：文心一言、通义千问、讯飞星火 和 智谱GLM 来生成对话数据。此外，我们还将增强数据集的认知深度，通过加入少量自我认知数据集来提高模型的泛化能力。

## **二、数据集生成方法**

1. **模型选择与数据准备**

   选择文心一言、通义千问、讯飞星火和智谱GLM这四种大语言模型，获取调用相应接口的API，并准备用于生成对话数据。

2. **单轮与多轮对话数据生成**

   利用这四种模型，我们生成了10000条单轮和多轮对话数据。在这一过程中，我们确保了数据的多样性、复杂性和有效性。

   因为心理活动往往是复杂的，为了保证数据的多样性。我们选择了16 * 28 共 `448`个场景进行数据集生成，具体场景名称请参考config.yml中的 `emotions_list 和 areas_of_life`两个参数的配置。

3. **自我认知数据集的加入**

   为了增强模型的认知能力，我们特意加入了一部分自我认知数据集。这些数据集有助于模型更好地理解上下文，提高对话的自然度和连贯性。

## **三、实践步骤**

1. **初始化**

* 安装所需的软件和库

  ```bash
  pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
  ```

* 准备输入数据和配置参数

  可参见 `config.yml`均有注释

2. **模型选择与配置**

* 根据需求选择适合的模型
  为了使大家都能够玩上大模型，我们选用InterLLM2-7B作为我们的基线模型（消费级显卡也可部署微调的哦）
* 对模型进行必要的配置和调整
  根据我们的数据集以及配置策略，使用XTuner进行微调

3. **数据生成**

* 使用通义千问大模型进行数据生成
  
  ```bash
  # 终端运行
  bash run_qwen.bash

  # 或者不使用终端运行
  python qwen_gen_data_NoBash.py
  ```

* 使用百度文心大模型进行数据生成

  ```bash
  # 终端运行
  python ernie_gen_data.py
  ```

* 使用智谱GLM大模型进行数据生成
  
  ```bash
  # 终端运行
  python zhipuai_gen_data.py
  ```

* 使用讯飞星火大模型进行数据生成
  
  ```bash
  # 终端运行
  python ./xinghuo/gen_data.py
  ```

1. **自我认知数据集的整合**

* 自我认知数据集需要按照格式手动生成，如下格式即可
  ```json
  [
      {
          "conversation": [
              {
                  "input": "请介绍一下你自己",
                  "output": "我是大佬的emo小助手，可以帮助你解决心理上的问题哦"
              }
          ]
      },
      {
          "conversation": [
              {
                  "input": "请做一下自我介绍",
                  "output": "我是大佬的emo小助手，可以帮助你解决心理上的问题哦"
              }
          ]
      }
  ]
  ```

5. **数据集整合**

   在进行数据集整合之前，我们要检查生成的数据是否存在格式错误，类型不符合等情况。我们需要check.py进行检查数据。最后再使用merge_json.py将所有的json整合为一个总的json文件。

6. **评估与优化**

* 使用适当的评估指标对生成的数据集进行评估
* 根据评估结果进行必要的优化和调整

7. **测试与部署**

* 使用独立测试集对训练好的模型进行评估
* 根据测试结果进行必要的调整和优化
* 将最终的模型部署到实际应用中