系列文章目录
第一章：LoRA微调系列笔记
第二章：Llama系列关键知识总结
文章目录
- 系列文章目录
- Llama: Open and Efficient Foundation Language Models
- 关键要点
- LLaMa模型架构：
- Llama2
- 分组查询注意力 (GQA)
- Llama3
- 关键信息
- 引用：
Llama: Open and Efficient Foundation Language Models
关键要点
Meta发布的完全开源的大语言模型，参数量从7B到65B，llama只在公开数据集上进行训练，但依然取得了强大的性能。LLaMa-13B在许多基准测试中都优于GPT-3（175B）
GPT-3把模型的参数量扩大到175B并取得了惊人的涌现能力，使得后续研究者都相信，随着模型参数量的增大，模型必将取得更好的性能，因此后续的很多工作都放在了扩大大语言模型的参数量级，但扩大参数量级真的就是唯一的研究路径了吗？我们是不是忽视了数据对模型性能的影响？
DeepMind在NeurIPS2022上发表Training Compute-Optimal Large Language Models论文，发现：训练最优性能的LLM模型，模型的参数量和训练数据规模需要同比增大。因此，当我们在相同的计算资源下，LLM的性能不仅可以通过增加参数量来实现性能提升，也可以通过提升数据量来提升，因此数据也参数量级同样重要。
但如果从推理成本考虑，大部分用户是不需要自己训练LLM的，只是用LLM进行推理就可以了，因此考虑推理的性能，小参数的LLM是更加友好的，LLaMa 沿着小 LLM 配大数据训练的指导思想，训练了一系列性能强悍的语言模型，参数量从 7B 到 65B。例如，LLaMA-13B 比 GPT-3（175B）小10倍，但是在大多数基准测试中都优于 GPT-3。大一点的 65B 的 LLaMa 模型也和 Chinchilla 或者 PaLM-540B 的性能相当。
LLaMa模型架构：
- 与GPT等生成模型类似，LLaMA也只使用了Transformer的解码器
- Pre-normalization：为了提高训练稳定性，LLaMa 对每个 Transformer 的子层的输入进行归一化，而不是对输出进行归一化。使用
RMSNorm归一化函数。 - SwiGLU激活函数
- Rotary Embedding LLaMa 去掉了绝对位置编码，使用旋转位置编码
Llama2
预训练语料库的大小增加了 40%，模型的上下文长度翻倍，并采用了分组查询注意力。发布了 7B、13B 和 70B 参数的 Llama 2 变体
与 Llama 1的主要架构差异包括增加上下文长度和分组查询注意力 (GQA)
分组查询注意力 (GQA)
增加上下文长度比较好理解，简单的在训练前规定了最大上下文长度为4096，本文主要介绍LLaMA2中改进的注意力机制。
- MHA（Multi-Head Attention）：输入数据分成多个头，每个头独立进行注意力计算；每个head完成QKV计算后进行相加输出。
- MQA（Multi-Query Attention）：Q仍然是多头的，KV是共享的；举例来说，以ChatGLM2-6B为例，一共28层，32个注意力头，若采用MHA，则Q、K、V矩阵各有28×32个，而采用MQA的方式则整个模型包含28×32个Q矩阵，28×1个K矩阵，28×1个V矩阵。这种方法在提高推理效率的同时，也能够保持模型的性能。
- GQA（Group-Query Attention）：Q仍然是多头的，KV是分组共享的，减少了KV缓存所需要的缓存空间，同时也避免了参数减少导致的精度损失严重，在参数和精度两方面进行了平衡。
Llama3
关键信息
-
2024年4月，Meta 重磅推出了Meta Llama 3大语言模型
-
从模型架构上看，LLaMA 3和LLaMA 2基本没有区别，同样使用了Transformer的Decoder-only架构
-
Llama 3在超过15T的token上进行预训练，所有数据都来自公开可用的来源。我们的训练数据集比用于Llama 2的数据集大了七倍，并且包括了四倍的代码。为了准备即将到来的多语言用例，超过5%的Llama 3预训练数据集由高质量的非英语数据组成，覆盖了超过30种语言。然而，我们不期望在这些语言中达到与英语相同的性能水平。
引用：
LLaMa系列模型详解（原理介绍、代码解读）：LLaMa
LLaMa系列模型详解（原理介绍、代码解读）：LLaMA 2
LLaMa系列模型详解（原理介绍、代码解读）：LLaMA 3