LLM基础知识备忘录

预训练相关

LearningRate和BatchSize之间的关系

假设batch_size足够小，等于1，如果lr设的比较大则容易导致loss发散；假设batch_size足够大，等于全量的数据，如果这个时候lr设的小则收敛会很慢。所以理论上来说，batch_size和模型参数增大，较小的lr并不是说不收敛，而是可能需要更多的steps才能收敛，因此需要适当增大lr。

关于位置编码

sinusoidal位置编码

考虑两个位置 $i i$ i 和 $j j$ j，由于正弦和余弦函数的性质，位置编码的差值 $PE ( i ) − PE ( j ) \text{PE}(i) - \text{PE}(j)$ PE(i)−PE(j)将与 $i i$ i和 $j j$ j之间的差值有关。这意味着通过比较不同位置编码之间的差值，模型可以推断出它们之间的相对位置。

ROPE相对位置编码

ALiBi位置编码

Pre-Norm和Post-Norm的差异和优劣

DeepSeek要点

学习率细节 ：2000个warmup steps之后达到最大值，在80%的tokens之后学习率下降到最大值的31.6%，90%的tokens之后下降到最大值的10%。最终模型表现上，multi-step scheduler和cosine scheduler基本保持一致；而multi-step的优势是，在保持模型大小固定调整训练规模时，可以重用第一阶段训练的结果，这比较方便后续的 继续训练 。
梯度的grad clip设为1.0
分布式策略：
- 数据并行、张量并行、序列并行、1F1B的流水线并行
- flash attention
- ZeRO-1用于根据数据并行排列划分优化器状态
- 模型参数的精度为bf16，梯度的精度为fp32
模型权重和优化器状态每5分钟同步，并且逐步清除之前保存的ckpt
Scaling Law
- 数据质量越高，越可以将更多的计算预算分配给模型规模
- 随着模型计算量的增大（即模型规模增大），最优的batch_size也在增大，最优的learning_rate呈现减小的趋势
Alignment：收集了150w中英文instruction数据，其中helpful数据有120w，31.2%是通用语言任务，46.6%是数学问题，22.2%是代码问题；安全数据有300K条，包含不同的敏感话题
- 有监督微调SFT
  - 7B模型微调了4个epoch，67B模型只微调2个epoch，学习率分别是1e-5和5e-6
  - 微调过程中，除了观察benchmark的准确率，还会评估chat模型的重复率，收集了3868条中英文prompts，观测生成回复没有终止或者无休止重复一段文本的比例。发现随着数学SFT数据的增多 ，重复的概率也倾向于增大；主要原因应该是数学SFT数据较少包含相似的推理模式，弱模型较难获取这样的推理模式，导致重复的回复，为此设计了两阶段微调和DPO，保持benchmark恩叔的同时大大降低重复repetition。
- DPO ：就helpfulness和harmlessness两方面构建训练DPO的偏好数据。对于helpfulness数据，收集多语言prompts，包含创新写作、问答、指令跟随等，使用DeepSeek Chat模型生成回复候选；对于harmlessness数据也进行相似的操作。
  - 训练1个epoch、learning_rate=5e-6、batch_size=512，使用learning rate warmup和cosine learning rate scheduler
  - 我们发现DPO能够强化模型开发侧生成技能，而在标准benchmark的表现一般
一些发现
- Staged Fine-Tuning ：在数学和代码数据集上，下模型需要更长微调时间，但是会损害模型对话的能力（比如增加重复的概率）。因此本文采用了分阶段微调：
  - 第一阶段采用全量数据未提哦啊
  - 第二阶段主要关注在对话数据上微调
- 多项选择问题 ：对齐阶段加入多项选择数据，能够改善在多项选择评估任务上的效果，但是对于其他生成式任务没有明显改善（也没有下降）。因此在预训练和微调阶段，我们移除了MC数据，因为这些数据容易导致模型过拟合，却不会强化模型的智能性
- 预训练中加入指令数据：在预训练最后10%过程加入500w条多项选择的指令数据，表明确实能强化base模型在benchmark上的效果。但是实验发现，其实在SFT阶段加入同样的数据结果是一致的。因此，我们认为==模型整体的潜力并不会因为在预训练过程加入指令数据而得到强化==。不过，如果指令数据规模够大，确实可以考虑在预训练过程中加入。而本文选择预训练过程不加入指令数据。
- System Prompt ：精心设计的system prompt能够有效指导模型生成helpful和respectful的结果。
  - 当引入system prompt时，7B LLM性能有一点下降，而67B的LLM性能有比较显著提升。我们认为更大的模型能够更好地理解system prompt的意图，从而更好地遵循指令、得到更好的回复。小模型很难充分掌握system prompt，同时训练和测试的不一致对性能产生了负面影响。
核心贡献
- 矫正了之前工作中scaling laws的问题，提供新的最优的模型-数据规模分配策略
- 提出了一种新的方法，基于给定的预算budget来预测接近最优的batch size和learning rate
- 总结了scaling laws和数据质量的关系

关于MoE

Mixtral要点

Mixtral的每一层包含8个FFN块。对于每一层的每一个token，router网络选择两个experts处理当前状态，并将他们的输出进行组合。尽管每个token只使用了两个experts，但是每一个timestamp选择的expert是不同的，因此每一个token可以访问47B的参数，但是推理时只使用13B激活的参数。
对于给定的输入 $x x$ x，MoE模块的输出是expert网络输出的加权和，这里的权重是由门网络输出，假设有 $n n$ n个expert网路 ${ E 0 , E i , ⋯ , E n − 1 } \{E_0, E_i, \cdots, E_{n-1}\}$ {E0,Ei,⋯,En−1}，专家层的输出为：

$∑ i = 0 n − 1 G ( x ) i ⋅ E i ( x ) \sum_{i=0}^{n-1} G(x)_i \cdot E_i(x)$ i=0∑n−1G(x)i⋅Ei(x)

这里门网络 $G ( x ) G(x)$ G(x)有多种实现方式，一种简单且有效的方式就是记忆线性输出的Top-K的logits进行softmax
$G ( x ) : = Softmax ( TopK ( x ⋅ W g ) ) G(x) := \text{Softmax}(\text{TopK}(x \cdot W_g))$ G(x):=Softmax(TopK(x⋅Wg))

这里，如果 $l i l_i$ li存在于logits的topK位置，则 $( TopK ( l ) ) i : = l i (\text{TopK}(l))_i := l_i$ (TopK(l))i:=li，否则 $( TopK ( l ) ) i = − ∞ (\text{TopK}(l))_i = - \infty$ (TopK(l))i=−∞。这里的 $K K$ K表示每个token使用的experts的数量，是一个可以自定义的超参数。

如果增加专家的数量 $n n$ n同时保持 $K K$ K固定，则可以在增加模型参数的同时保持计算开销固定。模型的参数随着专家数 $n n$ n的增加而增加，处理一个单独token的参数数量随着 $K K$ K的增加而增加，最大为 $n n$ n
MoE层在硬件上的前向：
- 可以通过高性能专门的内核，在单个GPU上有效运行，如Megablocks
- 也可以通过Expert Parallelism（EP）策略分配到多个GPU上。当MoE层执行时，tokens通过一个路由到对应GPU的专家进行处理，然后专家的输出返回到原始的token位置。

在Transformer模型中，MoE层在每一个token上单独应用，替换transformer block中的FFN子块。对于Mixtral我们使用相同的SwiGLU结构，对应专家函数为 $E i ( x ) E_i(x)$ Ei(x)并设置 $K = 2 K=2$ K=2。这意味着每一个token路由到2个不同权重集合的SwiGLU子块，因此对于输入token $x x$ x的输出 $y y$ y为：
$y = ∑ i = 0 n − 1 Softmax ( Top2 ( x ⋅ W g ) ) i ⋅ SwiGLU ( x ) y = \sum_{i=0}^{n-1} \text{Softmax}(\text{Top2}(x \cdot W_g))_i \cdot \text{SwiGLU}(x)$ y=i=0∑n−1Softmax(Top2(x⋅Wg))i⋅SwiGLU(x)

这个公式和GShard结构比较相似，只不过我们通过MoE层替换了所有FFN子块，而GShard替换了其他块，而且GShard对于每一个token的第二个专家采用了更加复杂的门控策略。

DeepSeekMoE要点

两个核心原则：
- Fine-grained Expert Segmentation：细地将专家划分为 $m N mN$ mN个，激活其中的 $m K mK$ mK个，实现激活的专家更灵活的组合
- Shared Expert Isolation：将 $K s K_s$ Ks单独看做共享专家，用于捕获常识以及缓解路由专家中的冗余知识
经典的将FFN替换为MoE层的方式如下：
- $N N$ N表示专家的数量
- $FFN i ( ⋅ ) \text{FFN}_i(\cdot)$ FFNi(⋅) 表示第 $i i$ i个专家FFN
- $g i , t g_{i, t}$ gi,t表示第 $i i$ i个专家的gate value， $s i , t s_{i, t}$ si,t表示token-to-expert亲近度
- $Topk ( ⋅ , K ) \text{Topk}(\cdot, K)$ Topk(⋅,K)表示第 $t t$ t个token和所有 $N N$ N个专家计算得到的 $K K$ K个最高的亲近度分数
- $e i l \mathbf{e}_i^l$ eil表示第 $l l$ l层的第 $i i$ i个专家中心centroid

DeepSeekMoE的结构
- 对于传统MoE中每一个专家FFN，将FFN中间隐层维度降低到原大小的 $1 m \frac{1}{m}$ m1，将一个专家划分成 $m m$ m个更小的专家
- 由于每一个专家变得更小了，相应地我们将激活的专家的数量增大到 $m m$ m倍来保持相同的计算开销
- 将专家 $K s K_s$ Ks看做共享专家独立看待，无论路由模块如何，每一个token会确定性地分配到这些共享的专家上。为了保持计算开销一致，其他路由专家的激活数量需要减去 $K s K_s$ Ks。

Load Balance Consideration：训练时如果模型总是选择部分experts，其他experts就无法得到充分训练；如果专家分布在不同的devices上，负载不均衡就会成为计算瓶颈
- Expert-Level Balance Loss：为了缓解路由崩塌的风险，我们采用了expert-level balance loss

- Device-Level Balance Loss：我们的珠海要目标是保证不同设备均衡计算，如果我们将所有的路由专家分成 $D D$ D组 ${ E 1 , E 2 , ⋯ , E D } \{ \mathcal{E}_1, \mathcal{E}_2, \cdots, \mathcal{E}_D \}$ {E1,E2,⋯,ED}，将每一组部署到一个单独的device，那么device-level的均衡损失为：

实验设置 ：
- 9层Transformer层，hidden_dim=1280, num_heads=10, head_dim=128。将所有FFN层替换为MoE层，保证专家参数总数等于标准FFN的16倍
- 保证激活的专家参数，包括共享专家参数和激活的路由专家参数，是标准FFN的2倍
- 这样每个MoE模型总参数量为2B，激活的参数约为0.3B

对齐

Reward模型的损失函数

python 复制代码

logits = 1 + torch.exp(rejected_reward - chosen_reward)

loss = torch.log(logits).mean()

Reward模型的输入和输出

python 复制代码

# <s> prompt response </s>

分布式相关

DeepSpeed和Megatron之间的差异

部署相关

常用的部署方式有哪些

vLLM

github.com/vllm-projec...

shell 复制代码

python -m vllm.entrypoints.openai.api_server --served-model-name Qwen1.5-7B-Chat --model Qwen/Qwen1.5-7B-Chat

shell 复制代码

curl http://localhost:8000/v1/chat/completions \
-H "Content-Type: application/json" \
-d '{
"model": "Qwen1.5-7B-Chat",
"messages": [
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "Tell me something about large language models."}
]
}'

python 复制代码

from openai import OpenAI
# Set OpenAI's API key and API base to use vLLM's API server.
openai_api_key = "EMPTY"
openai_api_base = "http://localhost:8000/v1"

client = OpenAI(
api_key=openai_api_key,
base_url=openai_api_base,
)

chat_response = client.chat.completions.create(
model="Qwen1.5-7B-Chat",
messages=[
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "Tell me something about large language models."},
]
)
print("Chat response:", chat_response)

SGLang

github.com/sgl-project...

shell 复制代码

python -m sglang.launch_server --model-path Qwen/Qwen1.5-7B-Chat --port 30000

python 复制代码

from sglang import function, system, user, assistant, gen, set_default_backend, RuntimeEndpoint

@function
def multi_turn_question(s, question_1, question_2):
s += system("You are a helpful assistant.")
s += user(question_1)
s += assistant(gen("answer_1", max_tokens=256))
s += user(question_2)
s += assistant(gen("answer_2", max_tokens=256))

set_default_backend(RuntimeEndpoint("http://localhost:30000"))

state = multi_turn_question.run(
question_1="What is the capital of China?",
question_2="List two local attractions.",
)

for m in state.messages():
print(m["role"], ":", m["content"])

print(state["answer_1"])

FastChat

github.com/lm-sys/Fast...

shell 复制代码

# For Chinese users, you can use models from www.modelscope.cn via specify the following environment variables.
# export FASTCHAT_USE_MODELSCOPE=True
python3 -m fastchat.serve.model_worker --model-path lmsys/vicuna-7b-v1.5

LLM基础知识备忘录

预训练相关

LearningRate和BatchSize之间的关系

关于位置编码

Pre-Norm和Post-Norm的差异和优劣

DeepSeek要点

关于MoE

Mixtral要点

DeepSeekMoE要点

对齐

Reward模型的损失函数

Reward模型的输入和输出

分布式相关

DeepSpeed和Megatron之间的差异

部署相关

常用的部署方式有哪些

vLLM

SGLang

FastChat

参考