大模型——LLAMA模型

论文导读

ChatGPT具有指令遵循能力和泛化性，论文对ChatGPT背后的指令微调和RLHF技术进行详细描述。

背景

gpt-3模型首次超过千亿数量级，但是由于参数规模大，无法使用微调方法，那么出来了提示学习

提示学习：给一个任务描述，输出模型

提示学习隐含假设：预训练模型包含丰富知识

预训练模型	提示学习
预训练+微调	预训练+提示+预测

论文动机

 InstructGPT参数越来越大，但是表现不好，不能遵循用户意图。为了解决这个问题，作者提出一种基于预训练语言模型的人类指令生成方法，根据用户给定的条件，生成符合用户需要的文本指令，并将这些指令作为输入送入预训练语言模型中，从而控制输出结果。

 InstructGPT技术手段：人工标注数据+强化学习

step1:从测试用户提交的prompt(指令或问题)，随机抽取一批，靠专业的标注人员给出高质量的答案，然后用标注好的数据来Fine-tuneGPT3模型。

step2:

• 训练回报模型：目的为了减轻标注困难。
• 随机抽取用户提交的prompt，使用第一阶段Fine-tune好的模型，对于每个prompt,由模型生成不同的回答。
• 标注人员对结果进行相应标准进行排序。

论文泛读

基础知识：

•         预训练模型：简单理解已经读过很多书的东西
•         提示学习：简单理解是一个老师，根据不同问题，给预训练模型提示或者建议。
•         语言模型（无监督训练）：任务是预测一个句子在语言中出现的概率。（判断一个句子是否符合常规）。
• 现在很多大模型都是来源于BERT（包括GPT）。
• LLAMA是ChatGPT问世之后的产物，属于GPT类的语言模型。语料中包含数万亿个tokens.
• GPT一代：堆叠12个解码器层，但不具备transformer解码器所具有的解码器-解码器注意力子层。但是有自注意力层。

      Transformer Decoder模型结构：

       编码器

                多头自注意神经网络

                全连接神经网络

       解码器

                掩码多头自注意力神经网络

                多头自注意力机制

                全连接神经网络

背景介绍

LLaMA是基础语言模型的集合，参数范围7B到65B。数据来源于公开的数据集。

LLaMA和其它语言模型的关联

LLaMA与GPT、GPT-3类似，使用transformer architecture来预测给定单词或token序列作为输入的下一个单词或token.不同的是，它使用更多的token训练，得到较小的模型，这使他更高效，资源密集度更低。

发展史

InstructGPT（基于提示学习的一系列模型）>GPT3.5（大规模预训练）>ChatGPT模型（高质量的数据标注和反馈学习）。

LLaMA特点

• 参数量和训练语料：四种尺寸7B   13B  33B  65B
• 语种：20多种
• 生成方式：和GPT一样
• 所需资源更小

论文精读

LLaMA模型训练方法和GPT-3差不多，在大量语料中，使用transformer优化器进行模型训练。

LLaMA数据集：Common Crawl大规模网络文本数据集和其它开源数据集。

数据集：    

Common Crawl	67%	数据的预处理来保证数据质量： fastText线性分类器来执行语言识别来删除非英文页面. n-gram语言模型过滤低质量内容。
C4	15%	数据集是Common Crawl网络爬取语料库的版本。 预处理还包括去重和语言识别步骤。 主要依赖启发式方法。
Github	4.5%
wikipedia	4.5%
其它

模型结构 ：网络基于transformer架构，并作部分改进。

Pre-normalzation:为了提高训练稳定性，对每一个transformer子层的输入进行归一化，而不是对输出进行归一化。

SwiGLU激活函数：代替ReLU非线性激活函数，提高性能。

好处：

SwiGLU激活函数收敛速度更快、效果更好（因为使用了门控机制，更好的控制信息流动）。

SwiGLU激活函数和ReLU都拥有线性通道，可以使梯度很容易通过激活的units,更快收敛。

和ReLU相比，更具有表达力。

Rotary Embeddings : 删除了绝对位置嵌入，在网络的每一层中添加了旋转位置嵌入。

旋转位置嵌入：将位置信息编码为一个旋转矩阵，然后将该矩阵与输入向量相乘，从而得到一个新的向量表示。好处是能够更好捕捉序列中不同位置之间的关系，更好的处理序列中旋转对称性，提高性能。

旋转对称性：物体在旋转后仍然具有相同的性质。

实验分析和讨论

模型参数：参数越大，学习率越低。

优化训练：使用因果多头注意力算子的高效实现。 为了提高训练效率，减少在带有检查点的反向传播过程中重新计算激活量，通过手动实  现变换器层的反向功能来实现，不依赖PyTorch autograd。

训练时间：包含1.4T token的数据集进行训练需要21天。

实验结果: