datawhale 大模型学习 第五章-模型训练

一、目标函数

今天要讨论的是以下三种模型结构：
Decoder-only模型：例如，GPT-3，单向上下文嵌入，在生成文本时一次生成一个token
Encoder-only模型:例如，BERT,利用双向上下文注意力生成embeding
Encoder-decoder模型：例如，T5,利用双向上下文编码，利用单向上下文生成文本

最终结果就是将token序列映射为一个Embedding向量

其中：
?L :代表文本长度
?d:代表embeding向量的维度

1.1 Decoder-only 模型

自回归语言模型预测是一个条件分布：即根据1，2,。。。i-1个词语，去预测第1个词语是什么

公式为：?=

那格局最大似然原理（通俗点讲就是，找到一个参数，是的概率最大），定义以下负对数似然目标函数：

1.2 Encoder-only模型

Decoder-only模型，它会产生（单向）上下文嵌入，更适合文本生成任务

Encoder-only模型，他是双向上下文嵌入，更适合分类任务

1.2.1 Bert 模型

BERT的目标函数，它包含以下两个部分：

• 掩码语言模型（Masked language modeling）
• 下一句预测（Next sentence prediction）

其中有两个特殊的token：

• [CLS]?：包含用于驱动分类任务的嵌入，即Next sentence prediction 任务
• [SEP] ：用于告诉模型区分第一个序列（例如，前提）与第二个序列（例如，假设）。

1.2.1.1?掩码语言模型

基本思想是通过加噪然后预测来进行训练：

[the,[MASK],ate,[MASK],cheese]? ??? ? [the,mouse,ate,the,cheese]
需要模型把[MASK]位置的词语给预测出来

噪声函数的定义：

• 假设 I?{1,…,L}?代表所有位置中随机的15%。
• 对于每个 i∈I,(x~i 代表需要mask的位置)：
  • 以0.8的概率，?x~i?←[MASK]
  • 以0.1的概率， x~i?←xi?
  • 以0.1的概率， x~i?←random?word?from?V

1.2.2 RoBERTa

RoBERTa对BERT进行了以下改进：

• 删除了下一句预测这一目标函数（发现它没有帮助）。
• 使用更多数据训练（16GB文本????160GB文本 ）。
• 训练时间更长。
• RoBERTa在各种基准上显著提高了BERT的准确性（例如，在SQuAD上由81.8到89.4）。

1.3 Encoder-Decoder模型：

• 首先像BERT一样对输入进行双向编码。
• 然后像GPT-2一样对输出进行自回归解码。

1.3.1 BART(Bidirectional Auto-Regressive Transformers)

BART (Lewis et al. 2019)是基于Transformer的编码器-解码器模型。

• 使用与RoBERTa相同的编码器架构（12层，隐藏维度1024）。
• 使用与RoBERTa相同的数据进行训练（160GB文本）。

基于BERT的实验，最终模型进行以下了变换：

• 掩码文档中30%的token
• 将所有子句打乱

最后，通过微调，BART在分类和生成任务上都展示了强大的效果。

1.3.2 T5(Text-to-Text Tranfer Transformer)

训练过程：给定一段文本，在随机位置将其分割为输入和输出：

T= {the，mouse ,ate ,the ,cheese}
X1 = {the}? ?Y1 = {mouse,ate,the,cheese}
X2 = {the,mouse} Y2=? {ate,the,cheese}
X3 = {the ,mouse,ate} Y3= {the,cheese}
?

差异：

• BERT使用?[CLS][CLS]?的嵌入来预测。
• T5、GPT-2、GPT-3等（生成模型）将分类任务转换成自然语言生成。

二、大模型参数优化算法

2.1 随机梯度下降 （SGD）

2.2 Adam(?adaptive moment estimation)

引入了一阶动量和二阶动量的概念

参数跟新过程：

说明：

学习率?
一阶指数移动平滑加权?
二阶指数移动平滑加权??
一阶指数移动加权衰减系数?
二阶指数皮冻加权衰减系数?

内存占用：
之前SGD训练时只需要保存?(,)? 是模型参数的2倍
现在Adam训练要保存(,，,) 是模型参数的4倍

2.3 混合半精度训练

简单理解就是：
训练的时候用F16,跟新模型参数的时候用F32

2.4 学习率

• 训练过程中使用衰减学习率
• 对于Tranformer模型，还需要增加一个（warmup）学习率

2.5 参数初始化

• 给定矩阵W∈Rm×n?，标准初始化（即，xavier初始化）为 Wij?～N(0,1/n)?。
• GPT-2和GPT-3通过额外的 1/N??缩放权重，其中?N?是残差层的数量。
• T5将注意力矩阵增加一个1/d??(代码）。

以GPT-3为例，使用的参数如下：

• Adam参数： 1=0.9,2=0.95,8β1?=0.9,β2?=0.95,?=10?8
• 批量小：320万个token（约1500个序列）
• 使用梯度剪裁（t?←gt?/min(1,∥g∥2?)?）
• 线性学习率预热（前3.75亿个token）
• 余弦学习率衰减到10%
• 逐渐增加批大小
• 权重衰减设为0.1