train-llm-from-scratch

从数据到生成，手把手教你训练自己的大模型

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 1828 🐛 待处理 2 👀 关注 93

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 13172

维护状态维护中

是否开源开源

定价模式 🏷️完全免费开源项目，MIT许可证，完全免费，可自行部署训练LLM。

项目预览

train-llm-from-scratch 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类开源模型

开发团队FareedKhan-dev

官网地址https://fareedkhan-dev.github.io/train-llm-from-scratch

GitHubhttps://github.com/FareedKhan-dev/train-llm-from-scratch

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，完全免费，可自行部署训练LLM。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Python

技术栈/模型gemini,large-language-models,llm,openai,training,transformers

GitHub 星标★ 13172

上线时间2025-01-12 00:00:00

代码更新2026-10-02

仓库体积9.1 MB

本站数据更新2026-11-09

维护状态维护中

收录时间2026-08-09

浏览次数8

项目介绍

这是一个从零开始训练大型语言模型（LLM）的完整教程与工具集，旨在帮助开发者理解并实践LLM训练的全流程。项目覆盖了从数据下载、预处理、分词器训练、模型架构设计、预训练、微调（包括指令微调和RLHF）到最终文本生成的所有关键步骤。它采用清晰、直接的方法，避免复杂抽象，让用户能够通过实际代码和详细文档，逐步构建自己的LLM。核心能力包括：提供可运行的训练脚本、支持多种模型架构（如GPT、Llama）、包含数据管道构建、以及详细的训练技巧和调参建议。该项目解决了初学者和中小团队在LLM训练中面临的知识门槛高、工程复杂、资源消耗大等问题，使得在有限硬件条件下也能进行实验和学习。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 13172

技术标签

gemini large-language-models llm openai training

使用教程

难度：进阶约 10 分钟部署方式：本地安装 7 步

环境要求

Python 环境与 pip（README 未指定具体版本）
PyTorch（项目用原生 PyTorch 手写实现 Transformer）
git（用于克隆仓库）
单块 GPU 即可训练百万至十亿参数模型，冒烟测试可在 CPU 上运行

安装与启动步骤

1克隆仓库

把项目源码克隆到本地并进入项目目录，后续所有命令都在该目录下执行。
```
git clone https://github.com/FareedKhan-dev/train-llm-from-scratch.git
cd train-llm-from-scratch
```
2可编辑模式安装

以 editable 模式安装后，config、src、data_loader、ui 会自动进入导入路径，无需手动设置 PYTHONPATH。
```
pip install -e .
```
3安装可选依赖

按需选择：train 用于下载数据与 wandb 日志，ui 用于控制面板，docs 用于文档站点，all 装全部。
```
pip install -e ".[all]"
```
4了解两套配置

传统预训练用 config/config.py 的 Python 常量；其余阶段用 configs/ 下的 JSON，可命令行覆盖字段。
5跑冒烟测试

验证核心数学逻辑，几秒内在 CPU 上跑完，用来快速确认环境安装无误。
```
python tests/test_post_training_smoke.py
```
6单阶段微调试跑

用 smoke 配置跑一次极小的真实 SFT 训练，模型被缩小，几秒内即可完成。
```
python scripts/train_sft.py --config configs/smoke/sft.json
```
7运行完整后训练链

base 预训练与数据准备好后，一键跑完整个后训练流程并打印跨阶段对比表；单卡加 NPROC=1。
```
bash scripts/run_posttraining.sh
NPROC=1 bash scripts/run_posttraining.sh
```

关键配置

配置项	必填	说明	示例
`config/config.py`	否	传统预训练脚本的简单配置，为纯 Python 常量	`scripts/train_transformer.py 使用`
`configs/*.json`	是	驱动预训练、SFT、奖励模型、DPO、PPO、GRPO 等各阶段的 JSON 配置	`configs/sft.json`
`configs/smoke/*.json`	否	每个阶段的极小模型配置，用于几秒内完成快速检查	`configs/smoke/sft.json`
`lr`	否	学习率，可在命令行覆盖 JSON 中的同名字段	`--lr 2e-5`
`batch_size`	否	批大小，可在命令行覆盖 JSON 中的同名字段	`--batch_size 16`
`NPROC`	否	torchrun 使用的进程/显卡数量，设为 1 即单卡运行	`NPROC=1`

如何确认成功

冒烟测试 python tests/test_post_training_smoke.py 在 CPU 上几秒内无报错跑完，即表示环境安装成功。

常见问题

Q：没有 GPU 可以跟着做吗？

A：可以。先用 tests/test_post_training_smoke.py 和 configs/smoke/ 下的配置，几秒内在 CPU 上即可完成一次检查；正式训练仍建议用单块 GPU。

Q：还需要手动设置 PYTHONPATH 吗？

A：不需要。README 说明 editable 安装已把 config、src、data_loader、ui 放入导入路径。

Q：为什么代码里没有 trl、peft、transformers？

A：本项目刻意不用这些库，所有算法都用原生 PyTorch 手写，便于理解每一步原理。

Q：该改哪个配置文件？

A：传统预训练改 config/config.py；预训练更大的 base、SFT、奖励、DPO、PPO、GRPO 则改 configs/ 下对应的 JSON 文件。

Q：想改超参必须改 JSON 吗？

A：不必。JSON 中的任意字段都能在命令行覆盖，例如加 --lr 2e-5 --batch_size 16。

注意事项

克隆后必须先 cd 进入 train-llm-from-scratch 目录再执行安装与训练命令。
run_posttraining.sh 默认通过 torchrun 使用两块 GPU，单卡请加 NPROC=1。
configs/smoke/ 会缩小模型规模，适合快速验证流程，不能代表真实训练效果。
README 未给出具体 Python 版本与依赖版本号，以实际安装结果为准。

核心亮点

提供从数据下载到文本生成的完整端到端训练流程，步骤清晰可复现
代码结构模块化，易于理解和修改，适合学习研究
包含详细的文档和注释，降低了LLM训练的学习门槛

不足之处

训练LLM需要大量计算资源，项目可能未提供分布式训练优化方案
文档/社区待观察

适用场景

学术研究：快速搭建LLM训练实验环境，验证新想法
教育培训：作为课程项目，让学生动手实践LLM训练全流程
小型团队：在有限算力下，训练垂直领域专用小模型

替代项目

Karpathy/nanoGPT、Hugging Face Transformers、Lit-Parrot

上一篇：ludwig

下一篇：bitsandbytes