大模型入门 ch01：大模型概述

本文主要是介绍大模型入门 ch01：大模型概述，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

本文是github上的大模型教程LLMs-from-scratch的学习笔记，教程地址：教程链接

在这里插入图片描述

STAGE 1： BUILDING

1. 数据准备与采样

在这里插入图片描述
LLM的预测过程，是一个不断预测下一个词（准确的说是token）的过程，每次根据输入的内容，预测下一个词，然后将新的句子重新丢入模型预测，得到下下个输出，重复这个过程，直到模型输出结束标志。

正如上面所说，准确来说，大模型不是预测下一个单词，而是预测下一个token，token是模型预测输出的单位，可能不止一个单词，也可能小于一个单词（例如先输出一个单词的前半部分，然后根据前文再推导出单词后缀）。

tokenization是大模型中重要的一部分，决定了模型如何将输入的句子拆分开，根据拆分后输出的token，预测下一个token。

有许多tokenizer，例如可以简单地根据空格拆分句子，或者GPT使用的BPE tokenizer
在这里插入图片描述

人为定义的Tokenizer：
- 规则型Tokenizer：这种类型的tokenizer通常是基于一些预定义的规则，比如空格、标点符号等来切分文本。例如，简单的空格分割就是基于空格将句子切分成单词。这种tokenizer是人为定义的，不需要训练。
训练得到的Tokenizer：
- 基于统计的Tokenizer：这种tokenizer会基于大量的文本数据统计信息来决定最佳的切分点。例如，字节对编码（Byte Pair Encoding, BPE）、WordPiece等算法，它们会通过训练数据来学习如何将单词切分成子词单元。这种tokenizer需要通过训练过程来优化其切分规则。

简单的说，一个tokenizer就是一本词典，告诉预处理的时候，输入的句子要如何拆分成一个一个token，并且tokenizer提供了每个token对应的索引位置，这些索引通常被用作查找表（look-up table）中的键，以获取token的嵌入向量（embedding vector）。嵌入向量是token在连续向量空间中的表示，它们通常是通过训练得到的，并且能够捕获token的语义信息。
嵌入矩阵（embedding matrix）是一个大型的矩阵，其中每一行对应词汇表中一个token的嵌入向量。

如何处理没有见过的词：正如上图所示，tokenizer包含很小的词组，因此一个大的单词，即使是一个随便拼的单词，也能被拆分成许多小的token组合而成，但是准确率和效率可能不高。

2. 模型架构

在这里插入图片描述
蓝色部分就是transformer，LLM通过重复这一模块，以及在每一层使用多个注意力头来扩大模型规模。（每一层有多个transformer，然后重复多层）
关于transformer的介绍可以阅读其他博客。

STAGE 2： PRETRAINING

类似GPT和LLAMA，都采用了自回归模型来预训练。
自回归训练（Autoregressive Training）是一种用于语言模型（如GPT）的训练方法，旨在让模型通过学习上下文来预测序列中的下一个token。该方法是生成模型的重要组成部分，特别适用于文本生成任务。下面详细介绍自回归训练的过程及其背后的原理。

自回归模型的基本思想是通过递归的方式生成序列中的每个token。具体来说，模型从序列的第一个token开始，通过观察当前已经生成的部分，逐步预测下一个token，直到生成完整的序列。

数学上，自回归模型的目标是通过给定先前的tokens来估计下一个token的条件概率，即：
$P(x_t | x_1, x_2, \dots, x_{t-1})$

2.1 数据准备

输入数据：预训练使用的文本数据通常是未经标注的自然语言文本。训练时，数据会被token化成一个个离散的单位（例如单词、子词或字符）。
序列处理：文本数据被分割成固定长度的序列（例如512个token）。每个序列会被用作模型的输入，其中部分token将被用于预测下一个token。

2.2 模型输入和输出

输入序列：输入序列通常是一个连续的文本片段，例如 ["The", "cat", "is", "on", "the", "mat"]。
目标序列：目标序列是输入序列右移一个位置后的版本，模型的目标是基于输入序列预测目标序列的每个token。例如，输入 ["The", "cat", "is", "on", "the"] 的目标序列是 ["cat", "is", "on", "the", "mat"]。

2.3 损失函数

交叉熵损失：训练时，模型生成的每个token的概率分布与目标token的真实分布之间的差异由交叉熵损失函数来衡量。公式为：
$\text{Loss} = -\sum_{t=1}^{T} \log P(y_t | x_1, \dots, x_{t-1})$
其中， $y_t$ 是目标token， $P(y_t | x_1, \dots, x_{t-1})$ 是模型预测的目标token的概率。

STAGE 3: FINETUNING

在预训练好的模型上进行微调，根据微调的目的，可以有两种情况，一种是基于分类任务，一种是基于指令任务。

1. 分类任务

分类任务较为简单，只需要将模型的最后一层全连接层（例如图中的768到50257，50257是tokenizer的词汇量）的维度转换为分类任务的维度，例如一个二分类任务，我们替换掉最终的50257的词汇表查找维度，改为2个维度的分类任务即可。

在这里插入图片描述

微调的时候不需要微调全部的参数，作者指出，随着微调层数的增多，微调任务的准确率没有显著上升，并且会带来更多的微调耗时。

2. 指令微调

相比于分类任务，大家更关心的可能是指令微调，如何构建一个私人，适合下游子任务的交互大模型。

通过对应任务要求，给出指令，输入，输出的数据集，微调大模型在特定任务上的能力。
在这里插入图片描述
与预训练不同，预训练是一个无监督训练的过程，不需要标签，给定一个文本后，只需要不断地做next token prediction就可以，指令微调是一个有监督的训练过程。

在指令微调过程中，损失的计算主要依赖于生成的输出序列与目标序列（即期望响应）之间的差异。通常使用交叉熵损失来衡量模型生成的每个token与目标序列中的对应token之间的差异。

输入序列：包含指令（或提示），例如：“Translate the following English sentence to French: ‘Hello, how are you?’”
目标序列：包含期望的响应，例如：“Bonjour, comment ça va?”

损失计算过程

Token化：输入序列和目标序列首先被token化，即被分解为一个个离散的token。
模型预测：模型基于输入序列生成一个输出序列。在训练时，模型逐个token生成预测结果。
交叉熵损失：
- 对于每一个生成的token，计算它与目标token之间的交叉熵损失。
- 对于整个序列，交叉熵损失的公式为：
  $\text{Loss} = -\frac{1}{T} \sum_{t=1}^{T} \log P(y_t | X, y_1, \ldots, y_{t-1})$
  其中 T 是序列的长度， $P(y_t | X, y_1, \ldots, y_{t-1})$ 是模型预测的token $y_t$ 的概率。
- 换句话说，对于序列中的每个token，模型计算生成该token的概率（基于先前的上下文），然后计算模型输出的概率分布与目标分布之间的交叉熵。