【大模型】llama系列模型基础

1. llama

1.1 整体结构

• 位置编码：transformer使用的绝对位置编码，llama使用的RoPE（旋转位置编码），对Q和K使用
• 归一化: transformer使用的layernorm在子层输出后，llama使用的RMSNorm 归一化函数，对子层的输入进行了归一化。pre-layer-norm使得训练更稳定，但是post-layer-norm使得模型具有更强的表达力。
• 激活函数：用 SwiGLU 激活函数替换 ReLU 非线性，以提高性能。

1.2 RoPE

RoPE的目标是找到一种函数，实现以下功能：

• 推导
  以二维平面为例，m和n为绝对位置，$\theta$可以由以下公式得到：
  

论文中提出了一种形式如下：

• 优势：相对于绝对位置编码，可以更好的捕捉相对位置信息。相邻位置的编码之间有一定的相似性，而远离位置的编码之间有一定的差异性。

1.3 SwiGLU 激活函数

• 表达能力更强
  SwiGLU 通过在激活函数前引入门控机制（GLU），允许模型在特定条件下选择性地激活或抑制某些神经元，从而增强模型的非线性表达能力。这对于处理复杂的数据模式特别有效。

• 梯度流动更稳定
  SwiGLU 在使用 SiLU 激活函数时，由于其平滑的曲线和非饱和性质，有助于保持稳定的梯度流动，避免梯度消失或爆炸的情况。这使得在训练深度神经网络时，模型能够更容易地收敛。

• 适应性更强
  SwiGLU 的门控机制使得模型可以根据输入特征的不同，自适应地调整激活的强度。这种灵活性有助于在不同的输入条件下，模型能够选择最优的特征表示，从而提高整体性能。

• 提高计算效率
  SwiGLU 的设计相对简单，计算复杂度较低，因此在大型模型或需要高计算效率的场景中，能够提供较好的性能提升，同时不会显著增加计算成本。

2. llama2

包含7B、13B和70B。其中，7B和13B沿用了Llama 1的经典架构，而70B模型则采用了创新的分组查询注意力（GQA）架构，相较于Llama 1，Llama 2的预训练语料增加了40%。整体结构基本与llama1相似，但是新增了GQA架构，与llama1相比主要优势：

• 扩展上下文长度：Llama 2 模型提供 4,096 个令牌的上下文长度，是 LLaMa 1 的两倍。 上下文长度（或上下文窗口）是指模型在推理（即生成文本或正在进行的对话）期间“记住”的最大令牌数。 这样，自然语言就更加复杂，交流也更加连贯流畅。
• 提高可访问性：LLaMa 1 专为研究用途而发布，而 Llama 2 可供任何组织（活跃用户少于 7 亿）使用。
• 更强大的训练：Llama 2 使用增加 40% 的数据进行预训练，增强其知识库和上下文理解。 此外，与 LLaMa 1 不同，Llama 2 聊天模型使用基于人类反馈的强化学习 (RLHF) 进行微调，有助于更好地将模型响应与人类期望保持一致。

2.2 GQA架构

一种在大型语言模型 (LLM) 中的多查询注意力 (MQA) 和多头注意力 (MHA) 之间进行插值的方法，它的目标是在保持 MQA 速度的同时实现 MHA 的质量。

• MQA
  让所有的头之间共享同一份 K 和 V矩阵，每个头正常的只单独保留了一份 Q参数，从而大大减少 Key 和 Value 矩阵的参数量。

• MHA
  transformer中的模块，将Q,K,V分成多组，最后拼接，每个头的K，V矩阵不共享。

• GQA
  Q分成N组，每个组共享一个K和V

2.3 RLHF

核心思想：训练阶段，如果直接用人的偏好（或者说人的反馈）来对模型整体的输出结果计算reward或loss，显然是要比上面传统的“给定上下文，预测下一个词”的损失函数合理的多。

主要包含三个步骤：

3. llama3

具有8B和70B，模型架构与llama2基本没区别，但是改进了tokinizer，对长文本的处理变快。由sentencepiece换成了tiktoken，这与GPT4 保持一致。同时，词表大小由32k扩展到了128k。

参考文献

[1]
[2]