株洲营销型网站建设推广的几种方式
7 天 AI 大模型学习 Day 2
今天是 7 天AI 大模型学习的第二天 😄，今天我将会学习 Transformer 、Encoder-based and Decoder-Based LLMs 等 。如果有感兴趣的，就和我一起开始吧 ～
课程链接 ：2025年快速吃透AI大模型，7天学完，让你面试少走99%弯路！！
文章目录
- 7 天 AI 大模型学习 Day 2
- 前言
- BPE —— Byte Pair Encoding Tokenizer
- 核心
- 构造过程
- 例：一个简单的 corpus
- Attention
- 三种不同的 Attention
- 基本的 Attention 实现方式
- Encoder Self-Attention
- Decoder Self-Attention
- Encoder-Decoder Self-Attention
- Masked Matrix 如何融合到不同实现中
- 总结三种Attention
- Layer Normalization
- Decoding - output the next word
- Greedy Decoding
- Beam search
- Label smoothing
- 如何计算 loss
- 什么是Label smoothing
- Encoder and Decoder Based Models
- Decoder Only
- Pretrain & Fine-tune (SFT)
- Encoder-Based LLM Model：BERT
- Advance Topics
- Absolute Position Embedding
- Rotary Position Embedding 旋转编码
- Flash Attention
- 作业
前言
今天，我们会学习如下内容：
- Transformer
- BPE
- Attention
- Layer Normalization
- 输出单词 —— Greedy Decoding / Beam Search
- Label smoothing
- Code for Transformer
- Encoder-based and Decoder-Based LLMs
- Encoder-based LLM
- Decoder-Based LLM
- 其他
- 旋转编码 Rotary Position Encoding
- Flash Attention
- 作业
BPE —— Byte Pair Encoding Tokenizer
BPE（Byte Pair Encoding） 是一种基于频率的分词（tokenization）算法，最初用于数据压缩，但后来被广泛应用于自然语言处理（NLP）中，尤其是在词汇表构建和子词级别的分词任务中。BPE 的核心思想是通过迭代地合并频率最高的字节对（或字符对），以生成一个新的、更简洁的词汇表，从而优化文本的表示。它通常用于处理语言模型中的稀有词汇和未登录词（OOV，Out-Of-Vocabulary words）问题。
BPE 被广泛应用于现代 NLP 模型中，尤其是神经网络和预训练模型（如 BERT、GPT 等）的训练过程中。例如，GPT-2 和 GPT-3 就是采用了类似 BPE 的子词分词方法来处理输入文本。
BPE 通过减少稀有词汇的数量，并将词汇表限制在较小的规模内，从而提升了模型的训练效率和文本生成能力。
Vocabulary（词汇表)
Vocabulary 是指模型所能理解和使用的所有词汇或符号的集合。在自然语言处理（NLP）中，词汇表通常是指一组所有可能的token（分词单位）。token可以是单词、子词、或者字符，具体取决于采用的分词策略。
词汇表的构建通常是基于一份大型文本数据（corpus），通过统计频率，选择出现次数较多的词汇构建一个有限的词汇集合。词汇表的大小（例如10,000个词、50,000个词等）通常是根据特定任务和计算资源的需求来设定的。
词汇表包含的信息：通常，每个token在词汇表中都有一个唯一的编号，称为词ID，模型可以使用这些ID来表示文本中的各个token。
Tokenization（分词)
Tokenization 是指将原始文本（通常是句子或文档）切分成一系列有意义的tokens（单位），这些token可以是单词、子词或字符。具体的tokenization策略决定了最终文本如何被分解成token。
例如，对于句子 “I love natural language processing”，可能的token化结果有：
基于单词的tokenization：[‘I’, ‘love’, ‘natural’, ‘language’, ‘processing’]
基于子词的tokenization：[‘I’, ‘lov’, ‘e’, ‘natu’, ‘ral’, ‘lan’, ‘guage’, ‘pro’, ‘cessing’]（使用像BPE这样的算法）
基于字符的tokenization：[‘I’, ’ ', ‘l’, ‘o’, ‘v’, ‘e’, ’ ', ‘n’, ‘a’, ‘t’, ‘u’, ‘r’, ‘a’, ‘l’, …]
tokenization 的目的是将原始文本转化为计算机可以处理的、更小的单元。词汇表在这个过程中起着关键作用。
核心
- 根据数据做 tokenize
- Subword Tokenization
- 英语上可以包含 subword ， -est OR -er
构造过程
- 语料库作为输入，从而学习词库
-
初始化：首先，将输入文本拆分成字符级别的token（符号）。例如，输入句子“low”会被拆分成 [‘l’, ‘o’, ‘w’]。
-
统计频率：计算文本中所有字符对的出现频率。例如，在句子“low”中，字符对可能是 (l, o) 和 (o, w)。
-
合并最频繁的字符对：找到出现频率最高的字符对，并将它们合并为一个新的单一符号。例如，如果字符对 (l, o) 是最常见的，就将其合并成一个新的 token (lo)。
-
重复以上过程：继续合并最频繁的字符对，直到达到预设的词汇表大小或满足其他停止条件。
-
最终词汇表：合并的结果将形成一个新的词汇表，这个词汇表是由频繁的子词或字符对组成的。
重复上述过程，词库中词越来越多
例：一个简单的 corpus
Corpus（复数形式：Corpora）是指一组有组织的、用于语言学研究或自然语言处理（NLP）任务的文本数据集合。它可以包括任何形式的语言数据，如书籍、文章、对话、网页内容等，通常以原始文本或经过标注的文本形式存在。Corpus 通常用于语言模型的训练、语法分析、词汇统计等任务。
- er 出现次数最多，将 er merge 为一个新的 token，加入 vocabulary 中
得到 vocabulary 后，根据 vocabulary 做 tokenization 。在处理文本时，使用构建好的词汇表将原始文本转化为token（通常是数字ID），并将每个token映射到词汇表中的一个元素。这是tokenization的核心过程。
Attention
三种不同的 Attention
基本的 Attention 实现方式
输入 x —— > 内积 WQ WK WV ——> 得到 Q K V 矩阵
- attention score 矩阵
def compute_attention_score(Q, K, V, mask, dim):return Q * K^T / dim ^ 1/2 * V
Encoder Self-Attention
- 对每个词都需要计算其他词对它的影响
Decoder Self-Attention
- 对每个词，只能看前一个词对它的影响
Encoder-Decoder Self-Attention
Masked Matrix 如何融合到不同实现中
- M如何定义 ？ 见上文
- Padding 的影响
- 有 Padding 情况下，mask 矩阵如下
padding 位置为 mask 矩阵值为负无穷
总结三种Attention
—— 微调部分基础
Layer Normalization
作用：
- 归一化
- 数值区间控制
- 稳定学习 stable learn
对每一行做一个 normalize
- 定义
- normalize 计算过程
- 最终输出格式
Decoding - output the next word
- 将最后的概率最大的单词输出
Greedy Decoding
将概率最大的单词输出
问题：
- 概率最大的不一定是最好的
- 前面的输出会影响后面的输出，如果前面输出错了，对后面影响大
Beam search
Beam Size(3) <= Top 3 —— K = 3
- 不只是考虑最好的一个，而是考虑最好的三个
- 时间复杂度 K^2 * T （length）
—— 通过控制 Decoder 可以进行模型控制 ， 模型优化
Label smoothing
如何计算 loss
什么是Label smoothing
-
希望得到的 y 的预测值就是和真实的 y 一样
-
逆推 会出现数值的 unstable —— 训练的 unstable —— 如何解决
-
Label smoothing - 让原有的向量不那么极端
比较好的代码 ： https://colab.research.google.com/github/harvardnlp/annotated-transformer/blob/master/AnnotatedTransformer.ipynb#scrollTo=9a429510
Encoder and Decoder Based Models
- 主要还是 Decoder-Based
Decoder Only
self-supervised learning
Pretrain & Fine-tune (SFT)
- Fine-tune ： 只计算 output 的 loss
Encoder-Based LLM Model：BERT
逻辑：完形填空 ， mask 掉一些单词，让 bert 去填空
模型本身不是为生成问题而生的，所以没有 GPT 时候生成。对一些分类任务效果好。
Advance Topics
Absolute Position Embedding
问题：随着 m 的增大，位置变化没有规律
Rotary Position Embedding 旋转编码
能刻画出一些相对的位置差异
- 如何计算
- 扩展到高纬
Flash Attention
优点：
- 计算快
- 节省显存
- 精准注意力
- 减少在 HBM 和 SRAM 中切换到时间
- 核心思想
每个模块单独处理，减少和显存的操作
作业
- 读懂代码，在少量数据上训练 + finetune github.com/karpathy/nanoGPT/tree/master
- 读懂文章及其开源代码 https://arxiv.org/abs/2309.10305