Kuture

大语言模型之LLaMa2

2024/01/25 llm 阅读量 - 次.

大语言模型之LLaMa2

llama2是meta最新开源的语言大模型，训练数据集2万亿token，上下文长度是由llama的2048扩展到4096，可以理解和生成更长的文本，包括7B、13B和70B三个模型，在各种基准集的测试上表现突出，最重要的是，该模型可用于研究和商业用途。

1. 基础知识

1.1 分词（tokenize）

语言模型是对文本进行推理。由于文本是字符串，但对模型来说，输入只能是数字，所以就需要将文本转成用数字来表达。最直接的想法，就是类似查字典，构造一个字典，包含文本中所有出现的词汇，比如中文，可以每个字作为词典的一个元素，构成一个列表；一个句子就可以转换成由每个词的编号（词在词典中的序号）组成的数字表达。

tokenize就是分词，一般分成3种粒度：

  • word（词）

词是最简单的方式，例如英文可以按单词切分。缺点就是词汇表要包含所有词，词汇表比较大；还有比如“have”,”had”其实是有关系的，直接分词没有体现二者的关系；且容易产生oov问题（Out-Of-Vocabulary，出现没有见过的词）

  • char（字符）

用基础字符表示，比如英文用26个字母表示。比如 “China”拆分为”C”,”h”,”i”,”n”,”a”，这样降低了内存和复杂度，但增加了任务的复杂度，一个字母没有任何语义意义，单纯使用字符可能导致模型性能的下降。

  • subword（子词）

结合上述2个的优缺点，遵循“尽量不分解常用词，将不常用词分解为常用的子词”的原则。例如”unbelievable”在英文中是un+形容词的组合，表否定的意思，可以分解成un”+”believable”。通过这种形式，词汇量大小不会特别大，也能学到词的关系，同时还能缓解oov问题。

subword分词主要有BPE,WorkdPiece,Unigram等方法。

BPE：字节对编码，就是是从字母开始，不断在语料库中找词频最高、且连续的token合并，直到达到目标词数。具体细节可参考【Suprit：BPE 算法原理及使用指南【深入浅出】】。 WordPiece：WordPiece算法和BPE类似，区别在于WordPiece是基于概率生成新的subword而不是下一最高频字节对。 Unigram：它和 BPE 等一个不同就是，bpe是初始化一个小词表，然后一个个增加到限定的词汇量，而 Unigram 是先初始一个大词表，接着通过语言模型评估不断减少词表，直到限定词汇量。

具体可以参考【BPE、WordPiece和SentencePiece】和【Luke：深入理解NLP Subword算法：BPE、WordPiece、ULM】。

当然，现在已经有很多预训练好的词汇表，如果需要扩充新的语言，比如中文，可以先收集好语料库（训练文本），然后用SentencePiece训练自己的分词模型。具体可以看【GitHub - taishan1994/sentencepiece_chinese_bpe: 使用sentencepiece中BPE训练中文词表，并在transformers中进行使用】

1.2 embedding

经过分词，文本就可以分解成用数字表示的token序列。对于一个句子，最直接的表示法就是one-hot编码。假如词汇表【我，喜，欢，吃,面】,此时词汇大小（vocab_size）大小为5，那句子“我喜欢”用one-hot编码如下图。当词汇表特别大时（llama词汇大小是3万多），句子的向量（n*vocab_size）表示也就变的比较大；另外，“喜欢”这个词出现在一起的频率其实比较高，但one-hot编码也忽略了这个特性。

embedding就是将句子的向量表示压缩，具体就是词汇表的每个词映射到一个高维(d维)的特征空间。

# 一般embedding在语言模型的最开始，也就是词token操作之后
# vocab_size 词汇表大小，hidden_size 隐藏层维度大小
word_embeddings= nn.Embedding(config.vocab_size, config.hidden_size, self.padding_idx)
# input_ids是句子分词后词id，比如上述的“我喜欢”可转换成为[0,1,2],数字是在词汇表【我，喜，欢，吃,面】中的索引，即token id
embeddings = word_embeddings(input_ids)  # embeddings的shape为[b,s,d],b:batch,s:seq_len,d:embedding size

embedding的每维特征都可以看出词的一个特征，比如人可以通过身高，体重，地址，年龄等多个特征表示，对于每个词embedding的每个维度的具体含义，不用人为定义，模型自己去学习。这样，在d维空间上，语义相近的词的向量就比较相似了，同时embedding还能起到降维的作用，将one-hot的[s,vocab_size]大小变成了[s,d]。

具体可参考【千寻：Embedding的作用】。

1.3 transformer

目前大语言模型都是基于transformer结构。

下图说明transformer的结构，第一张图代表transformer的结构，第二张图说明position embedding。

  • transformer结构

  • position embedding

具体transformer可以参考【初识CV：Transformer模型详解（图解最完整版）】。

position embeding可以参考【Transformer Architecture: The Positional Encoding】和【猛猿：Transformer学习笔记一：Positional Encoding（位置编码）】。

2. llama2模型

2.1 模型结构

从transformer的结构图可见，transformer可以分成2部分，encoder和decoder，而llama只用了tranformer的decoder部分，是decoder-only结构。目前大部分生成式的语言模型都是采用这种结构，bert采用Encoder-only，google t5采用encoder-decoder结构。

至于为什么用decoder-only，参考苏剑林【[为什么现在的LLM都是Decoder-only的架构？ - 科学空间 Scientific Spaces](https://link.zhihu.com/?target=https%3A//kexue.fm/archives/9529)】，其中提到了attention在n×d的矩阵与d×n的矩阵相乘后再加softmax（n≫d），这种形式的Attention的矩阵因为低秩问题而带来表达能力的下降，但decoder only因为用了masked attention，是一个下三角矩阵，attention一定是满秩的。也可以参考【CastellanZhang：【大模型慢学】GPT起源以及GPT系列采用Decoder-only架构的原因探讨】。

llama和llama2在模型结构了基本一致，llama2结构如下图左半部分，llama共用了32个Decoder层。

其中每个decoder层如下图右半部分所示，主要是将transformer中的LayerNorm换成了RMSNorm，Multi-Head Attention换成了GQA（llama是MQA）,postionnal换成了RotatyEmbedding（RoPE相对位置编码）。

2.2 MHA/MQA/GAQ

原始的 MHA(Multi-Head Attention)，QKV 三部分有相同数量的头，且一一对应。每次做 Attention，head1 的 QKV 就做好自己运算就可以，输出时各个头加起来就行。

而 MQA 则是，让 Q 仍然保持原来的头数，但 K 和 V 只有一个头，相当于所有的 Q 头共享一组 K 和 V 头，所以叫做 Multi-Query 了。实验发现一般能提高 30%-40% 的吞吐，性能降低不太大。

GQA 综合MHA 和 MQA ，既不损失太多性能，又能利用 MQA 的推理加速。不是所有 Q 头共享一组 KV，而是分组一定头数 Q 共享一组 KV，比如上图中就是两组 Q 共享一组 KV。

具体可以参考【Andy Yang：为什么现在大家都在用 MQA 和 GQA？】

2.3 RoPE（相对位置编码）

起初，一般用绝对位置编码对token编码，【Taylor Wu：Transformer改进之相对位置编码(RPE)】中提到，绝对编码可能丢失了相对位置关系。

RoPE是利用绝对位置编码表示相对位置的一种方式，不仅保持位置编码，还能保持相对位置的关系。

将位置m转成β进制，构成一个d//2维的向量，用这个向量就能计算出位置。

每维的数值映射到一个2*2d的矩阵，如下图所示：

代码可以参考transformer库的modeling_llama.py中的LlamaRotaryEmbedding，rotate_half，apply_rotary_pos_emb。

详细讲解参考【[Transformer升级之路：2、博采众长的旋转式位置编码 - 科学空间 Scientific Spaces](https://link.zhihu.com/?target=https%3A//spaces.ac.cn/archives/8265)】和【suc16：LLM学习记录（五）–超简单的RoPE理解方式】

2.4 RMSNorm

layerNorm公式，其中E[x]代表均值，Var[x]代表方差。

RMSNorm公式

对比RMSNorm和layerNorm，其实就是RMSNorm去掉了减去均值，简化了LayerNorm，减少了7%∼64%的计算时间。

3. 推理

3.1 generate接口

llama模型推理时和一般深度学习模型不同，重新封装了一个generate方法，推理参数参考代码。

input_ids = tokenizer(['<s>Human: 介绍一下中国\n</s><s>Assistant: '], return_tensors="pt",add_special_tokens=False).input_ids.to('cuda')        
generate_input = {
    "input_ids":input_ids, # prompt，输入部分
    "max_new_tokens":512,  # 新生成的句子的token长度
    "do_sample":True, # 是否采样，相当于每次不再是选择top k(beam num)个概率最大的，而是加了一些采样
    "top_k":50,#在随机采样（random sampling）时，前top_k高概率的token将作为候选token被随机采样。
    "top_p":0.95,#在随机采样（random sampling）时，累积概率超过top_p的token将作为候选token被随机采样，越低随机性越大，
     举个例子，当top_p设定为0.6时，概率前5的token概率分别为[0.23, 0.20, 0.18, 0.11, 0.10]时，前三个token的累积概率为0.61，那么第4个token将被过滤掉，只有前三的token将作为候选token被随机采样。
    "temperature":0.3,   # 采样温度，较高的值如0.8会使输出更加随机，而较低的值如0.2则会使其输出更具有确定性
     "num_beams":3, # 当搜索策略为束搜索（beam search）时，该参数为在束搜索（beam search）中所使用的束个数，当num_beams=1时，实际上就是贪心搜索（greedy decoding）
    "repetition_penalty":1.3,#重复惩罚，
    "eos_token_id":tokenizer.eos_token_id, # 结束token
    "bos_token_id":tokenizer.bos_token_id, # 开始token
    "pad_token_id":tokenizer.pad_token_id  # pad的token
}
generate_ids  = model.generate(**generate_input)

在模型解码过程中，模型是根据前一个结果继续预测后边的，依次推理，此时为了生成完整的句子，需要融合多个step的输出，目标就是使得输出序列的每一步的条件概率相乘最大。

最直接的方法就是贪心算法（greedy search），每步取概率最大的输出，然后将从开始到当前步的输出作为输入，取预测下一步，直到句子结束。如下图所示，第一步先去概率最大的A,依次是B,C。这种的缺点就是如果中间某一步取值不对，将影响后续的结果。

beam search对贪心算法做了优化，在每个step取beam num个最优的tokens。下图beam num=2，第一步先选取最优的2个值{A,C}；在第二步，A和C作为输入，继续预测，则有10个可能得结果，然后再取其中最大的2个，作为输入，进行第三步，取结果中概率最大的2个,得到2个结果，然后再在2个结果中取最优的一个作为输出。

beam num=2，输出长度=3的情况

详细可参考【https://d2l.ai/chapter_recurrent-modern/beam-search.html】和【itachi：如何通俗的理解beam search？】

3.3 RoPE外推

llama1训练时token长度是2048，llama2虽然升级到了4096，但相比gpt-4的32K还是比较短，对于长文本的生成会有限制。

结合RoPE的特性，可以通过位置插值，扩展token的长度。最简单的方法就是线性插值，如下图所示：

对于下图的上半部分，对于2048之后的位置超出了训练2048的长度，模型推理时，该部分很可能就随机乱猜了，导致生成的结果不好。可以将超出的部分通过线性插值压缩到2048，这样只需要用少量4096长度的数据微调，就能达到很好的效果。

另外还有NTK和动态插值算法等，transformer的llama2中实现了LlamaLinearScalingRotaryEmbedding和LlamaDynamicNTKScalingRotaryEmbedding。

详细可参考【[Transformer升级之路：7、长度外推性与局部注意力 - 科学空间 Scientific Spaces](https://link.zhihu.com/?target=https%3A//kexue.fm/archives/9431)】和【LinguaMind：浅谈LLM的长度外推】。

4. 训练

训练分为预训练、指令微调、奖励模型训练。

4.1 数据集

列出几个数据集。

4.2 预训练

4.3 监督微调（sft）

分为参数高效微调和全部/部分参数微调。

参数高效微调一般是冻结原模型，通过adapter、lora、Prefix-tuning(前缀微调)等方法微调，peft库目前已经支持这些方法，一般用lora，结构简单。

【YBH：大模型微调（finetune）方法总结-LoRA,Adapter,Prefix-tuning，P-tuning，Prompt-tuning】

lora结构如下图，只需要训练右边部分A和B,通过A降维，B升维，最终权重W = W0+△W。

全部/部分参数微调指直接在模型上训练，通过冻结模型的部分参数微调，主要有以下几种方式。

微调代码库

（1）llama2官方微调教程：llama-recipes

#if running on multi-gpu machine
export CUDA_VISIBLE_DEVICES=0

python llama_finetuning.py  --use_peft --peft_method lora --quantization --model_name /patht_of_model_folder/7B --output_dir Path/to/save/PEFT/model

（2）Llama2-Chinese-模型微调

（3）LLaMA-Efficient-Tuning-sft监督微调

（4）Chinese-LLaMA-Alpaca-2-指令精调脚本

4.4 RLHF微调

llama2增加了RLHF(Reinforcement Learning from Human Feedback)基于人类反馈的强化学习。

RLHF训练流程如下图：

（1）先对模型进行微调，具体参考4.2微调部分。

（2）训练一个奖励模型

原则上，我们可以直接用人类标注来对模型做 RLHF 微调。然而，这将需要我们给人类发送一些样本，在每轮优化后计分，这个流程需要耗费大量人工，且需要大量数据集，而人类阅读和标注的速度有限。更简单的办法就是用用人类标注集来训练一个奖励模型。奖励模型的目的是模拟人类对文本的打分。构建奖励模型有许多能用的策略: 最直接的便是预测标注 (比如根据好与坏，输出比分或者布尔值)。最佳实践是，预测结果的排序，即对每个 prompt (输入文本) 对应的两个结果yk,yj，模型预测人类标注的比分哪个更高。

（3）基于人类反馈的强化学习

有了微调的语言模型和奖励模型，可以开始执行 RL 循环了，主要分为以下三步：

  1. 生成对 prompt (输入文本) 的反馈。
  2. 用奖励模型来对反馈评分。
  3. 对评分，进行一轮策略优化的强化学习。

参考链接

5. 应用

5.1 模型部署

llama2模型部署可以参考【Llama2-Chinese#-模型部署】，支持Gradio建立web端问答平台。

python examples/chat_gradio.py --model_name_or_path meta-llama/Llama-2-7b-chat

5.2 模型量化

可以参考【llama.cpp】，已经支持手机上部署。

5.3 与LangChain进行集成

以检索式问答任务为例，该任务使用LLM完成针对特定文档的自动问答，流程包括：文本读取、文本分割、文本/问题向量化、文本-问题匹配、将匹配文本作为上下文和问题组合生成对应Prompt中作为LLM的输入、生成回答。具体参考【Chinese-LLaMA-Alpaca-2#langchain_zh】

5.4 Ai-agent应用

得益于llm模型的强大能力，将llm作为大脑，ai agent可以做到根据任务目标，进行思考，分解任务，然后调用相应工具完成任务。

具体参考【ai agent应用技术介绍】

5.5 llm搭建私有知识库

llm大模型的强大能力可以让llm大模型充当智能机器人进行问答，比如作为企业的智能客服，回答一些私域的问题。

具体参考【yeyan：基于llm大模型的知识库ai问答系统调研】

5.6 多模态

将视觉、点云、视频和llm集成到一起，辅助其他下游任务，比如图像检测、分割等。

6. 参考

Search

    Table of Contents