1、LLaMA

🔥 纯基座语言模型

《LLaMA: Open and Efficient Foundation Language Models》：https://arxiv.org/pdf/2302.13971.pdf

开源！
Meta AI 发布，包含 7B、13B、33B 和 65B 四种参数规模的模型。其中llama-13B(gpt-3 1/10大小)在多数benchmarks上超越gpt-3(175B)。
训练数据集使用的都是开源的数据集。

1.1、模型结构

transformer decoder结构

llama在transformer decoder结构上做了3大改进：

【gpt-3采用的】layer-norm -> RMSNorm (Root Mean square Layer Normalization)。transformer的block里是这样的前向流程multi-head-att -> add&norm -> feed-forward -> add&norm。而llama将norm改成里RMSNorm，并将其移到里input层，而不是output层。
【PaLM采用的】采用SwiGLU激活函数
【GPTNeo采用的】采用RoPE位置编码，即苏神提出的RoPE，现在基本是大模型必备的位置编码方式。（具体介绍可看我的另一篇博客：Rotary Position Embedding (RoPE, 旋转式位置编码) | 原理讲解+torch代码实现）

语言模型预训练
优化器：AdamW。
使用cosine learning rate schedule，使得最终学习率等于最大学习率的10%，设置0.1的权重衰减和1.0的梯度裁剪。warmup的step为2000，并根据模型的大小改变学习率和批处理大小。嗯大概是模型变大，学习率变小了一丢丢。
另外地，为提高训练效率，还做了些优化操作，如gradient checkpoint等。

从实验来看，模型越大越好，小模型确实达不到大模型大力出奇迹的效果，而模型结构也并没有那么重要（虽然有很多工作是在改进模型结构本身）。结论部分更强调了大模型比大数据更重要，但都重要，因为增大数据或是增大模型，都能看到性能不断提高。

模型结构基本和llama一样，transformer decoder结构，RMSNorm 应用预归一化、使用 SwiGLU 激活函数和旋转位置嵌入RoPE。
上下文长度是由之前的2048升级到4096，可以理解和生成更长的文本。

7B和13B 使用与 LLaMA 相同的架构，34B和70B模型采用分组查询注意力（GQA）。【下面我展开来讲解】
For speed up decoding! 自回归解码的标准做法(past key-value 机制)是缓存序列中先前标记的k,v矩阵，从而加快注意力计算速度。但上下文长度、批量大小、模型大小较大时，多头注意力(MHA)中的kv缓存无疑巨大。
所以采用分组查询注意力机制（GQA）可以提高大模型的推理可扩展性。它的工作原理是将键和值投影在多个头之间共享，而不会大幅降低性能。可以使用具有单个KV投影的原始多查询格式（MQA）或具有8KV投影的分组查询注意力变体（GQA）。

LLama2的注意力机制使用了GQA，那么什么是GQA呢？和标准的MHA有什么区别呢？

MHA（Multi-head Attention）是标准的多头注意力机制，h个Query、Key 和 Value 矩阵。
MQA（Multi-Query Attention，Fast Transformer Decoding: One Write-Head is All You Need）是多查询注意力的一种变体，也是用于自回归解码的一种注意力机制。与MHA不同的是，MQA 让所有的头之间共享同一份 Key 和 Value 矩阵，每个头只单独保留了一份 Query 参数，从而大大减少 Key 和 Value 矩阵的参数量。【论文：https://arxiv.org/pdf/1911.02150.pdf】
GQA（Grouped-Query Attention，GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints）是分组查询注意力，GQA将查询头分成G组，每个组共享一个Key 和 Value 矩阵。GQA-G是指具有G组的grouped-query attention。GQA-1具有单个组，因此具有单个Key 和 Value，等效于MQA。而GQA-H具有与头数相等的组，等效于MHA。【论文：https://arxiv.org/pdf/2305.13245v1.pdf】

【优化器：AdamW；学习率计划：cosine learning rate schedule。使用 0.1 的权重衰减和1.0的梯度裁剪。】

0、Llama2使用与Llama1相同的分词器；它采用BPE算法，使用 SentencePiece 实现。与Llama 1 一样，将所有数字拆分为单独的数字，并使用字节来分解未知的 UTF-8 字符。词汇量为 32k token
1、使用公开的在线数据进行预训练。
2、SFT：然后通过使用有监督微调创建 Llama-2-chat 的初始版本。
3、RLHF：接下来，llama-2-chat 使用人类反馈强化学习 (RLHF) 进行迭代细化，其中包括拒绝采样和近端策略优化 (PPO)。