大模型微调实战笔记

大模型三要素

1.算法：模型结构，训练方法

2.数据：数据和模型效果之间的关系，token分词方法

3.算力：英伟达GPU，模型量化

基于大模型对话的系统架构

基于Lora的模型训练最好用，成本低好上手

提示学习：提示工程的支撑

写提示词，让模型完成各种任务。

使用提示（Prompt）工程来提高 LLMs 在各种常见和复杂任务（如问答和算术推理）上的能力。

优点：简单，易上手

缺点：上限有限，模型适配；投资人嫌薄；技术人嫌浅

基础prompt提示

高级prompt提示

大模型的内核：Transformer

主流大模型基于Transformer在这四个地方进行排列组合：

结构、位置编码、激活函数、layer norm

大模型的架构

Encoder-Decoder架构用的少了，因为要达到同样的效果，参数量翻倍。

主要是第二种和第三种在竞争。

为什么大模型很少直接微调？

1.参数多，内存不容易放下。

2.参数多，需要对应更大数据。

3.参数多，不容易收敛。

4.参数多，调参时间过长。

参数高效微调方法（Parameter-Efficient Fine-Tuning，PEFT）

Prefix-Tuning / Prompt-Tuning：在模型的输入或隐层添加 k 个额外可训练的 前缀 tokens（这些前缀是连续的伪 tokens，不对应真实的 tokens），只训练 这些前缀参数；提示词不是单词了，而是向量，直接去调向量。

Adapter-Tuning：将较小的神经网络层或模块插入预训练模型的每一层，这 些新插入的神经模块称为 adapter（适配器），下游任务微调时也只训练这 些适配器参数；在Transformer结果中加了Pk和Pv两个外挂，只学这两个小外挂，需要学习的参数变得很少。

LoRA：通过学习小参数的低秩矩阵来近似模型权重矩阵 W的参数更新，训 练时只优化低秩矩阵参数。Adapter-Tuning是以串联的形式加外挂，LoRA是以并联的形式加外挂。（效果好易上手收敛快）

大数据类型

数据的分类：

? 网页数据（web data）：量大。

? 专有数据（curated high-quality corpora）：质高。

模型需要数据：

基座模型：GLM，GPT具备语言理解能力，但是不具备对话能力

使用数据：非结构化纯文本数据

对话模型：

ChatGLM，ChatGPT在基座模型的基础上，进行对话的专项训练

使用数据：结构化QA数据

PALM大模型数据来源

BLOOM大模型数据语言

常用数据集

常见英文数据集

常见中文数据集

幂律

Scaling Laws简单介绍就是：随着模型大小、数据集大小和训练强度，模型的性能 会提高。并且为了获得最佳性能，所有三个因素必须同时放大。当不受其他两个因 素的制约时，模型性能与每个单独的因素都有幂律关系

参数量和数据量之间的关系

当同时增加数据量和模型参数量时，模型表现会一直变好。当其中一个因素受限时，模型表现随另外一个因素增加变好，但是会逐渐衰减。

Test Loss：测试集损失函数越小说明模型效果越好。

数据、算力、参数量之间的关系

大模型的分词（token）

分词粒度：

1.单词分词法：英文（空格分词），中文（jieba分词 or 分字）。

2.单字分词法：英文（字母），中文（分字）。

3.子词分词法：BPE，WordPiece，Unigram。（大模型常用）

成对出现的当成一个子词，比如：葡和萄

常见大模型的词表

算法并行

模型压缩和加速

深度学习领域提出了一系列的模型压缩与加速方法：

?剪枝（Parameter pruning）

?低秩分解（Low-rank factorization）

?知识蒸馏（Knowledge distillation）

?量化（quantization）：大模型时代常用

数据量化

用低精度数表示高精度数，整数表示浮点数。

精度损失对推理影响不大，对训练有影响。

量化的常见三种方法

方式一：对训好的模型进行量化，只量化权重，不能量化激活函数输出的值。

方式二：跑测试数据，能量化激活函数输出的值。

方式三：训练模型时直接量化，将量化嵌入到学习中。成本高，效果好。