1.前言
一个月前，Meta 发布了开源大模型 llama3 系列，在多个关键基准测试中优于业界 SOTA 模型，并在代码生成任务上全面领先。
此后，开发者们便开始了本地部署和实现，比如 llama3 的中文实现、llama3 的纯 NumPy 实现等。
几天前，有位名为「Nishant Aklecha」的开发者发布了一个从零开始实现 llama3 的存储库，包括跨多个头的注意力矩阵乘法、位置编码和每个层在内都有非常详细的解释，帮助我们理解大语言模型是如果构建和工作的。
该项目得到了大神 Karpathy 的称赞，他表示项目看起来不错，完全展开后，通过模块嵌套和相互调用，可以更容易看到实际的情况。
项目地址：https://github.com/naklecha/llama3-from-scratch
2.从零实现Llama3中文版
详细实现见仓库地址：https://github.com/wdndev/llama3-from-scratch-zh
项目主要翻译「Nishant Aklecha」的 https://github.com/naklecha/llama3-from-scratch 仓库，并对中文版做了特殊的适配，使该项目能在一台 16G RAM 的笔记本电脑上运行：
将英文翻译为中文，文中的 Youtube 视频也替换为 Bilibili链接，方便查看； 将原版 Llama3-8B模型上传至Modescope社区，方便国内下载； 因原版 Llama3-8B 模型采用32层 Transformers，且大佬「Nishant Aklecha」使用CPU加载，如果加载全部的参数，16G内存机器加载失败，故选取原版 Llama3-8B 模型权重的前2层，重新保存，大小约占为2.7G，此教程也可以直接加载，实际测试内存占用约4~5G，唯一缺点是后续推理结果不对，但不影响学习矩阵变换等其他知识； Jupyter文件，可直接在 16G RAM 笔记本电脑运行；
2.1 实现细节
分词器(Tokenizer):
使用 tiktoken库进行文本分词。定义了一些特殊标记,如文本开始 <|begin_of_text|>、文本结束<|end_of_text|>等。通过 tokenizer.encode将文本转换为标记序列,通过tokenizer.decode将标记序列转换回文本。
模型权重和配置: 维度 dim: 4096层数 n_layers: 32注意力头数 n_heads: 32键值头数 n_kv_heads: 8词汇表大小 vocab_size: 128256其他参数如 multiple_of、ffn_dim_multiplier、norm_eps、rope_theta等。加载Llama3-8B模型Pytorch格式权重。 加载Llama3-8B模型配置,包括: 文本到标记(Tokenization): 使用分词器将输入文本转换为标记序列。 将标记转换为对应的标记ID。 标记嵌入(Embeddings): 使用 torch.nn.Embedding层将标记ID转换为词嵌入向量。将词嵌入向量进行归一化处理。 Transformer层: 归一化: 使用RMS归一化对输入进行归一化。 注意力机制: 多头注意力: 对每个注意力头重复上述过程,并将结果合并。 输出权重: 使用模型权重将注意力输出映射到最终的输出向量。 使用模型权重初始化查询(Query)、键(Key)、值(Value)矩阵。 对查询矩阵进行拆分,得到每个注意力头的查询向量。 通过点积计算查询向量与键向量的关系,得到注意力分数矩阵。 对注意力分数应用掩码,防止未来信息的泄露。 使用Softmax函数对注意力分数进行归一化。 将归一化的注意力分数与值向量相乘,得到加权的值向量。 实现了Transformer模型的一个层,包括: 前馈网络(Feed-Forward Network): 使用SwiGLU网络架构,增加模型的非线性表达能力。 通过矩阵乘法实现前馈网络的计算。 多层堆叠: 将上述Transformer层和前馈网络堆叠32层。 每一层都会对输入进行更复杂的变换和抽象。 输出解码: 使用模型的输出层权重将最终的嵌入向量映射到词汇表上。 通过取最大值获取预测的下一个标记ID。 使用分词器将标记ID解码回文本。 详细展示了从头开始构建大型语言模型的一个层的完整过程。 通过分步实现文本分词、标记嵌入、注意力机制、多头注意力、前馈网络等关键组件,让读者能够深入理解模型的工作原理。