赞
踩
这篇博客全面介绍了大型语言模型(LLMs)的构建流程,从流行架构的选择到实际建模的每个关键步骤。文章首先探讨了LLMs的模型架构,然后详细阐述了数据准备过程,包括数据的收集、清洗和去重,接着是关于如何进行有效标记化的讨论。在模型构建方面,博客详细解释了采用自监督学习方法的预训练过程,以及对模型进行指令微调和对齐的重要性。每个环节都被细致地讲解,使读者能够深入理解LLMs的构建和优化过程。这篇博客为那些对LLMs工作方式感兴趣的读者提供了一个指导。
训练流程示意:
图:宏观数据精炼的后续阶段剔除了最初在CommonCrawl中的近90%文档。
数据过滤的目的是提高训练数据的质量和训练数据的有效性。常见的数据过滤技术包括:
预训练是大型语言模型训练流程的第一步,帮助LLMs获得基本的语言理解能力,适用于广泛的语言相关任务。在预训练期间,LLM通常在大量(通常是未标记的)文本上以自监督的方式进行训练。预训练的方法有多种,包括下一句预测,最常见的两种包括下一个标记预测(自回归语言建模)和遮蔽语言建模。
图:Switch Transformer编码器块示意图。它们用稀疏Switch FFN层(浅蓝色)替换了Transformer中的密集前馈网络(FFN)层。
微调和指令微调是大型语言模型训练流程中的重要步骤,这些技术展示了微调和指令微调在提高LLMs性能、提升模型适应特定任务和遵循指令的能力方面的关键作用。
AI对齐是指引导AI系统朝向人类的目标、偏好和原则的过程。预训练的LLMs,虽然针对词预测,但经常会展现出非预期行为,如生成有毒、有害、误导性和带有偏见的内容。
指令微调是使LLMs更接近对齐的一步。然而,在许多情况下,还需要进一步的步骤来改善模型的对齐,避免非预期行为。最新研究表明,除SFT外的进一步对齐主要改善至少7B参数的模型。对于较小的模型,SFT已足够。以下是最流行的对齐方法:
图:DPO优化人类偏好,避免强化学习。现有方法首先对人类反馈数据集中的提示和对响应对的人类偏好进行奖励模型拟合,然后使用RL找到最大化学习奖励的策略。相比之下,DPO直接针对最佳满足偏好的策略进行优化,具有简单的分类目标,无需显式奖励函数或RL。
图:LLM对齐涉及监督微调,然后优化以人为中心的损失(HALO)。然而,现有方法需要的成对偏好数据难以获取。相比之下,KTO使用一种更加丰富的数据类型,使其在现实世界中更易于使用。
解码是指使用预训练的LLMs进行文本生成的过程。在处理输入提示后,标记器将文本中的每个标记转换为相应的标记ID。语言模型随后使用这些ID预测下一个最可能的标记或标记序列。最后,模型产生逻辑值,通过softmax函数转换为概率。已经开发了多种解码策略,包括Greedy Search、Beam Search以及Top-K和Top-P (Nucleus sampling)等采样技术。
在这部分中,我们回顾了一些用于更经济、更高效计算地训练和使用LLMs的流行方法。
为了更经济、更高效地训练LLMs,已经开发了许多框架。这些优化训练框架有助于更经济高效地训练和使用LLMs,降低成本的同时保持或提升性能。这里我们介绍一些主要的框架。
ZeRO
RWKV
RWKV架构
RWKV与不同Transformers的时间复杂度比较
图:LoRA的重参数化过程。
图:具有学生和教师的通用知识蒸馏框架。
量化是减少模型大小和提升运算速度的关键技术。在深度学习的核心,是一系列应用于具有特定精度的模型权重的数学函数。降低权重的精度可以用于减小模型大小,并使其运算更快。例如,与Int-8操作相比,Float-32操作更慢。量化可以在不同阶段应用。
主要量化方法:
到这里关于LLMs的流行架构与训练技术的介绍就要接近尾声了, 这个博客是大语言模型教程系列的第六篇,之后会陆续把大语言模型相关的知识点做更多的整理,在本次大语言模型的探索之旅的尾声,感谢每位朋友的陪伴,我是@APlayBoy,期待与您一起在AI的世界里不断成长!
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
保证100%免费
】Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。