人工智能
基于解码器的大型语言模型：完整指南
大型语言模型 法学硕士（LLM）通过展示生成类人文本、回答问题和协助完成各种语言相关任务的卓越能力，彻底改变了自然语言处理（NLP）领域。这些强大模型的核心在于 仅解码器变压器架构，开创性论文中提出的原始 Transformer 架构的一个变体“注意力就是你所需要的” 瓦斯瓦尼等人。
在这本综合指南中，我们将探索基于解码器的法学硕士的内部工作原理，深入研究将这些模型推向 NLP 研究和应用前沿的基本构建模块、架构创新和实现细节。
Transformer 架构：复习
在深入研究基于解码器的 LLM 的细节之前，有必要重新审视变压器架构，它是构建这些模型的基础。 Transformer 引入了一种新颖的序列建模方法，仅依靠注意力机制来捕获数据中的远程依赖性，而不需要循环层或卷积层。
变形金刚架构
原始的 Transformer 架构由两个主要组件组成：编码器和解码器。编码器处理输入序列并生成上下文化表示，然后由解码器使用以生成输出序列。该架构最初是为机器翻译任务而设计的，编码器处理源语言的输入句子，解码器生成目标语言的相应句子。
自注意力：Transformer 成功的关键
在心脏的 变压器 这就是自注意力机制，这是一种强大的技术，允许模型权衡和聚合输入序列中不同位置的信息。与按顺序处理输入标记的传统序列模型不同，自注意力使模型能够捕获任何标记对之间的依赖关系，无论它们在序列中的位置如何。
多查询注意力
自注意力操作可以分为三个主要步骤：
- 查询、键和值投影：输入序列被投影为三个独立的表示： 查询 (问), 键 (K)，和 价值观 （五）。这些投影是通过将输入与学习的权重矩阵相乘获得的。
- 注意力分数计算：对于输入序列中的每个位置，通过计算相应查询向量和所有关键向量之间的点积来计算注意力分数。这些分数表示每个位置与当前正在处理的位置的相关性。
- 值的加权和：使用 softmax 函数对注意力分数进行归一化，得到的注意力权重用于计算值向量的加权和，生成当前位置的输出表示。
多头注意力是自注意力机制的一种变体，允许模型通过计算多个“注意力分数”来捕获不同类型的关系。元首”并行，每个都有自己的一组查询、键和值投影。
架构变体和配置
虽然基于解码器的法学硕士的核心原理保持一致，但研究人员探索了各种架构变体和配置，以提高性能、效率和泛化能力。在本节中，我们将深入研究不同的架构选择及其含义。
架构类型
基于解码器的LLM可以大致分为三种主要类型：编码器-解码器、因果解码器和前缀解码器。每种架构类型都表现出不同的注意力模式。
编码器-解码器架构
基于普通 Transformer 模型，编码器-解码器架构由两个堆栈组成：编码器和解码器。编码器使用堆叠的多头自注意力层对输入序列进行编码并生成潜在表示。然后解码器对这些表示执行交叉注意以生成目标序列。虽然在各种 NLP 任务中都很有效，但很少有法学硕士，例如 法兰-T5，采用这种架构。
因果解码器架构
因果解码器架构包含一个单向注意力掩模，允许每个输入令牌仅关注过去的令牌及其自身。输入和输出令牌都在同一解码器内处理。著名模型如 GPT-1、GPT-2和GPT-3均建立在该架构之上，其中GPT-3展示了卓越的上下文学习能力。许多法学硕士，包括 OPT、BLOOM 和 Gopher，都广泛采用了因果解码器。
前缀解码器架构
前缀解码器架构也称为非因果解码器，它修改了因果解码器的屏蔽机制，以实现对前缀标记的双向关注和对生成标记的单向关注。与编码器-解码器架构类似，前缀解码器可以双向编码前缀序列，并使用共享参数自回归预测输出标记。基于前缀解码器的LLM包括GLM130B和U-PaLM。
所有三种架构类型都可以使用扩展 混合专家 (MoE) 缩放技术，稀疏地激活每个输入的神经网络权重的子集。这种方法已在 Switch Transformer 和 GLaM 等模型中得到应用，随着专家数量或总参数大小的增加，性能显着提高。
仅解码器 Transformer：拥抱自回归本质
虽然最初的 Transformer 架构是为机器翻译等序列到序列任务而设计的，但许多 NLP 任务（例如语言建模和文本生成）可以构建为自回归问题，其中模型一次生成一个标记，条件是之前生成的令牌。
输入仅解码器变压器，这是变压器架构的简化变体，仅保留解码器组件。这种架构特别适合自回归任务，因为它利用之前生成的标记作为输入上下文，一一生成输出标记。
仅解码器的 Transformer 和原始 Transformer 解码器之间的主要区别在于自注意力机制。在仅解码器设置中，修改自注意力操作以防止模型关注未来的标记，这种属性称为因果关系。这是通过一种称为“屏蔽自注意力”的技术来实现的，其中与未来位置相对应的注意力分数被设置为负无穷大，从而在 softmax 归一化步骤中有效地将它们屏蔽掉。
基于解码器的法学硕士的架构组件
虽然自注意力和屏蔽自注意力的核心原理保持不变，但现代基于解码器的法学硕士引入了多项架构创新，以提高性能、效率和泛化能力。让我们探讨一下最先进的法学硕士所采用的一些关键组件和技术。
输入表示
在处理输入序列之前，基于解码器的 LLM 采用标记化和嵌入技术将原始文本转换为适合模型的数字表示。
向量嵌入
符号化：标记化过程将输入文本转换为标记序列，这些标记可以是单词、子词，甚至单个字符，具体取决于所采用的标记化策略。 LLM 常用的标记化技术包括字节对编码 (BPE)、SentencePiece 和 WordPiece。这些方法旨在在词汇量大小和表示粒度之间取得平衡，使模型能够有效地处理罕见或词汇外的单词。
代币嵌入：标记化后，每个标记都映射到称为标记嵌入的密集向量表示。这些嵌入是在训练过程中学习的，并捕获标记之间的语义和句法关系。
位置嵌入：Transformer 模型同时处理整个输入序列，缺乏循环模型中存在的令牌位置的固有概念。为了合并位置信息，位置嵌入被添加到令牌嵌入中，允许模型根据令牌在序列中的位置来区分令牌。早期的法学硕士使用基于正弦函数的固定位置嵌入，而最近的模型则探索了可学习的位置嵌入或替代位置编码技术，例如旋转位置嵌入。
多头注意力块
基于解码器的 LLM 的核心构建块是多头注意力层，它执行前面描述的屏蔽自注意力操作。这些层被多次堆叠，每一层都关注前一层的输出，使模型能够捕获日益复杂的依赖关系和表示。
注意头：每个多头注意力层由多个“注意力头”组成，每个“注意力头”都有自己的一组查询、键和值投影。这使得模型能够同时处理输入的不同方面，捕获不同的关系和模式。
剩余连接和层标准化：为了促进深度网络的训练并缓解梯度消失问题，基于解码器的 LLM 采用残差连接和层归一化技术。残差连接将层的输入添加到其输出，使梯度在反向传播期间更容易流动。层归一化有助于稳定激活和梯度，进一步提高训练稳定性和性能。
前馈层
除了多头注意力层之外，基于解码器的 LLM 还包含前馈层，它将简单的前馈神经网络应用于序列中的每个位置。这些层引入了非线性并使模型能够学习更复杂的表示。
激活功能：前馈层中激活函数的选择可以显着影响模型的性能。虽然早期的 LLM 依赖于广泛使用的 ReLU 激活，但最近的模型采用了更复杂的激活函数，例如高斯误差线性单元 (GELU) 或 SwiGLU 激活，这些函数显示出改进的性能。
稀疏注意力和高效变压器
虽然自注意力机制很强大，但它的计算复杂度与序列长度成二次方，这使得长序列的计算成本很高。为了应对这一挑战，人们提出了几种技术来减少自注意力的计算和内存需求，从而能够有效地处理较长的序列。
稀疏注意力：稀疏注意力技术，例如 GPT-3 模型中采用的技术，有选择地关注输入序列中的位置子集，而不是计算所有位置的注意力分数。这可以显着降低计算复杂度，同时保持合理的性能。
滑动窗口注意：Mistral 7B 模型中引入的滑动窗口注意力（SWA）是一种简单而有效的技术，它将每个标记的注意力跨度限制在固定的窗口大小。这种方法利用了变压器层跨多层传输信息的能力，有效地增加了注意力广度，而无需完全自注意力的二次复杂度。
滚动缓冲区高速缓存：为了进一步减少内存需求，特别是对于长序列，Mistral 7B 型号采用了滚动缓冲区高速缓存。该技术存储并重用固定窗口大小的计算出的键和值向量，避免冗余计算并最大限度地减少内存使用。
分组查询注意力：在 LLaMA 2 模型中引入，分组查询注意力（GQA）是多查询注意力机制的一种变体，它将注意力头分成组，每个组共享一个公共的键和值矩阵。这种方法在多查询注意力的效率和标准自注意力的性能之间取得了平衡，在保持高质量结果的同时提供了改进的推理时间。
分组查询注意力
模型尺寸和比例
现代法学硕士的决定性特征之一是其庞大的规模，参数数量从数十亿到数千亿不等。增加模型大小一直是实现最先进性能的关键因素，因为更大的模型可以捕获数据中更复杂的模式和关系。
参数个数：基于解码器的LLM中的参数数量主要由嵌入维度（d_model）、注意力头数量（n_heads）、层数（n_layers）和词汇量（vocab_size）决定。例如，GPT-3模型有175亿个参数，其中 d_型号 = 12288, n_heads = 96, n_层 = 96及 词汇大小 = 50257.
模型并行：训练和部署如此庞大的模型需要大量的计算资源和专用硬件。为了克服这一挑战，采用了模型并行技术，其中模型被分割到多个 GPU 或 TPU 上，每个设备负责一部分计算。
混合专家：扩展 LLM 的另一种方法是专家混合 (MoE) 架构，它结合了多个专家模型，每个专家模型专门研究数据或任务的特定子集。 Mixtral 8x7B 模型是 MoE 模型的一个示例，该模型利用 米斯特拉尔7B 作为其基础模型，在保持计算效率的同时实现卓越的性能。
推理和文本生成
基于解码器的法学硕士的主要用例之一是文本生成，其中模型根据给定的提示或上下文生成连贯且听起来自然的文本。
自回归解码：在推理过程中，基于解码器的 LLM 以自回归方式生成文本，根据先前生成的标记和输入提示一次预测一个标记。该过程持续进行，直到满足预定的停止标准，例如达到最大序列长度或生成序列结束令牌。
抽样策略：为了生成多样化且真实的文本，可以采用各种采样策略，例如 top-k 采样、top-p 采样（也称为核采样）或温度缩放。这些技术通过调整词汇表的概率分布来控制生成文本的多样性和连贯性之间的权衡。
即时工程：输入提示的质量和特异性会显着影响生成的文本。提示工程，即制作有效提示的艺术，已成为利用法学硕士完成各种任务的一个重要方面，使用户能够指导模型的生成过程并实现所需的输出。
人在环解码：为了进一步提高生成文本的质量和连贯性，诸如 从人类反馈中强化学习 （RLHF）已受聘。在这种方法中，人类评分者提供关于模型生成文本的反馈，然后使用该反馈来微调模型，有效地将其与人类偏好保持一致并改进其输出。
进展和未来方向
基于解码器的法学硕士领域正在迅速发展，新的研究和突破不断突破这些模型所能实现的界限。以下是一些显着的进步和潜在的未来方向：
高效变压器变体：虽然稀疏注意力和滑动窗口注意力在提高基于解码器的 LLM 的效率方面取得了重大进展，但研究人员正在积极探索替代的 Transformer 架构和注意力机制，以进一步减少计算要求，同时保持或提高性能。
多模式法学硕士：将法学硕士的功能扩展到文本之外，多模态模型旨在将图像、音频或视频等多种模态集成到一个统一的框架中。这为图像字幕、视觉问答和多媒体内容生成等应用开辟了令人兴奋的可能性。
可控发电：对生成的文本进行细粒度控制对于法学硕士来说是一个具有挑战性但重要的方向。受控文本生成和提示调整等技术旨在为用户提供对生成文本的各种属性（例如样式、语气或特定内容要求）的更精细的控制。
结语
基于解码器的法学硕士已成为自然语言处理领域的一股变革力量，突破了语言生成和理解的可能性界限。这些模型最初是变压器架构的简化变体，如今已发展成为高度复杂且功能强大的系统，利用了尖端技术和架构创新。
随着我们继续探索和推进基于解码器的法学硕士，我们可以期望见证在语言相关任务中取得更显着的成就，以及将这些模型集成到广泛的应用和领域中。然而，解决这些强大模型的广泛部署可能产生的伦理考虑、可解释性挑战和潜在偏见至关重要。
通过保持在研究的前沿，促进开放合作，并保持对负责任的人工智能开发的坚定承诺，我们可以释放基于解码器的法学硕士的全部潜力，同时确保它们以安全、道德和有益的方式开发和利用社会。
