作者：孟繁续，北京大学博士生 ，研究方向 LLM（大型语言模型）和模型压缩
主页：fxmeng.github.io
声明：原文已经授权，版权归原作者！
原文：https://zhuanlan.zhihu.com/p/636784644
•预训练语料从1->2 Trillion tokens
•context window 长度从2048->4096
•收集了100k人类标注数据进行SFT
•收集了1M人类偏好数据进行RLHF
•在reasoning, coding, proficiency, and knowledge tests上表现超越MPT和Falcon
•和falcon一样，使用了Group query attention，节省cache
•前置的RMSNorm，
•在Q、K上使用RoPE旋转式位置编码，
•使用causal mask保证每个位置只能看到前面的tokens，
•LLaMA可以将更早的K、V拼接到当前K、V前面，可以用Q查找更早的信息，为了清晰没在图中画出来。
•MLP表达式：$down(up)(x) x SiLU(gate(x))$ ，其中down, up, gate都是线性层。
•V2 context window 4096，使用了Group Query Attention。
| params | dimension | n heads | n layers | learning rate | n tokens | A100-hours |
| 6.7B | 4096 | 32 | 32 | 3.0e−4 | 1.0T | 82432 |
| 13.0B | 5120 | 40 | 40 | 3.0e−4 | 1.0T | 135168 |
| 32.5B | 6656 | 52 | 60 | 1.5e−4 | 1.4T | 530432 |
| 65.2B | 8192 | 64 | 80 | 1.5e−4 | 1.4T | 530432 |
自回归模型生成回答时，需要前面生成的KV缓存起来，来加速计算。多头注意力机制(MHA)需要的缓存量很大，Multi-Query Attention指出多个头之间可以共享KV对。Group Query Attention没有像MQA一样极端，将query分组，组内共享KV，效果接近MHA，速度上与MQA可比较。p.s. 这个技术falcon已经用上了，当时falcon说自己用的是multi query attention，因为当group=1时，GQA和MQA是等价的。falcon支持设置不同的G。
这是在BERT、GPT等模型中广泛使用的LayerNorm：
y=Var(x)+ϵx−Mean(x)∗W+B
RMSNorm(root mean square)发现LayerNorm的中心偏移没什么用(减去均值等操作)。将其去掉之后，效果几乎不变，但是速度提升了40%。最终公式为：
y=Mean(x2)+ϵx∗W
注意除了没有减均值，加偏置以外，分母上求的RMS而不是方差。
LLaMA在 Attention Layer和MLP的输入上使用了RMSNorm，相比在输出上使用，训练会更加稳定。
LLaMA没有使用ReLU，而是使用了SwiGLU，有时也被称为SiLU。公式为：Sigmoid(x)∗x，效果类似平滑版的ReLU：
LLaMA使用了Rotary Position Embedding。对于Q的第m个位置向量q，通过以下方法注入位置编码：
其中θ是值介于[1,0)之间的固定向量。通过以下代码得到了上式中的第二项cos(mθi)和第四项sin(mθi)。
classLlamaRotaryEmbedding(torch.nn.Module):
def__init__(self,dim,max_position_embeddings=2048,base=10000):
super().__init__()
theta=1.0/(base**(torch.arange(0,dim,2)/dim))
t=torch.arange(max_position_mbeddings)
freqs=torch.einsum("i,j->ij",t,theta)
emb=torch.cat((freqs,freqs),dim=-1)
self.register_buffer("cos_cached",emb.cos())
self.register_buffer("sin_cached",emb.sin())
defforward(self,seq_len=None):
returnself.cos_cached[:,:,:seq_len,...],self.sin_cached[:,:,:seq_len,...]
#在LlamaAttention通过以下命令调用：
cos,sin=self.rotary_emb(seq_len=kv_seq_len)以下代码将q沿着最后一个维度劈成两半，将后一半乘-1，然后连接在第一半之前，就得到了上式第三项。
#在接下来的apply_rotary_pos_emb函数里调用
defrotate_half(x):
x1=x[...,:x.shape[-1]//2]
x2=x[...,x.shape[-1]//2:]
returntorch.cat((-x2,x1),dim=-1)后通过以下代码得到结合了位置编码的Q,K(K和Q使用同样的方式进行位置编码)。
defapply_rotary_pos_emb(q,k,cos,sin,position_ids):
q_embed=(q*cos[position_ids])+(rotate_half(q)*sin[position_ids])
k_embed=(k*cos[position_ids])+(rotate_half(k)*sin[position_ids])
returnq_embed,k_embed
#在LlamaAttention中通过以下命令调用：
query_states,key_states=apply_rotary_pos_emb(query_states,key_states,cos,sin,position_ids)使用了这么复杂的位置编码，有什么好处呢？从上面的公式可以看出，RoPE形式上是绝对位置编码，即依赖其绝对位置m。
绝对位置编码的优点是计算速度快等，缺点是拓展长度比较麻烦，且绝对位置并没有什么实际意义。而相对位置编码对学习token之间的关系很有意义，比如距离的很远的两个token之间的关联大概率很小，使用相对位置编码往往能够获得更好的效果。此外拓展长度也更容易，因为不论context size多长，只需关注最长距离以内的输入即可。相对位置编码的缺点是没有绝对位置编码计算速度快。
当我们计算Attention时，RoPE可以变成相对位置编码。
Attm,n=fT(q,m)×f(k,n)=(q0cos(mθ0)−qd/2sin(mθ0))(k0cos(nθ0)−kd/2sin(nθ0))+...+(qd/2cos(mθ0)+q0sin(mθ0))(kd/2cos(nθ0)+k0sin(nθ0))+...=q0k0(cos(mθ0)cos(nθ0)+sin(mθ0)sin(nθ0))+q0kd/2(−cos(mθ0)sin(nθ0)+sin(mθ0)cos(nθ0))+qd/2k0(−sin(mθ0)cos(nθ0)+cos(mθ0)sin(nθ0))+qd/2kd/2(sin(mθ0)sin(nθ0)+cos(mθ0)cos(nθ0))+...=q0k0cos((m−n)θ0)+q0kd/2sin((m−n)θ0)+qd/2k0sin((n−m)θ0)+qd/2kd/2cos((m−n)θ0)+...=q0k0q1k1...qd/2−1kd/2−1qd/2kd/2qd/2+1kd/2+1...qd−1kd−1T×cos((m−n)θ0)cos((m−n)θ1)...cos((m−n)θd/2−1)cos((m−n)θ0)cos((m−n)θ1)...cos((m−n)θd/2−1)+−qd/2k0−qd/2+1k1...−qd−1kd/2−1q0kd/2qd1kd/2+1...qd/2−1kd−1T×sin((m−n)θ0)sin((m−n)θ1)...sin((m−n)θd/2−1)sin((m−n)θ0)sin((m−n)θ1)...sin((m−n)θd/2−1)
从上面这个公式可以看出，q和k的attention依赖相对距离m-n。因此RoPE为q、k注入的绝对位置编码，计算得到的attention，却变成了相对位置编码。妙的很，我这里为了不参考其他文章就很容易搞懂LLaMA的结构，简化了很多东西，推荐大家看一看RoPE原作者苏剑林[1]的博客了解更多信息。
文中参考的代码是huggingface的transformers库实现的版本，并不是Meta官方的代码。受笔者水平限制，如果哪里讲的不对，或者不够清晰易懂，欢迎在评论区交流。
[1]苏剑林:https://kexue.fm/archives/8265
| 欢迎光临 链载Ai (https://www.lianzai.com/) | Powered by Discuz! X3.5 |