语言建模作为语言模型（LMs）的基本功能，涉及对单词序列的建模以及预测后续单词的分布。
近年来，研究人员发现，扩大语言模型的规模不仅增强了它们的语言建模能力，而且还产生了处理传统NLP任务之外更复杂任务的新兴能力。
这些扩大规模的语言模型被称为大型语言模型（LLMs）。
主流的LLMs基于Transformer架构设计。
具体来说，一个典型的Transformer架构由多个堆叠的Transformer块组成。
通常，一个Transformer块由一个多头自注意力（MHSA）模块、一个前馈网络（FFN）和一个层归一化（LN）操作组成。
对于每个块，它接收前一个块的输出特征作为输入，并通过每个子模块传递特征以获得输出。
特别地，在第一个块之前，使用分词器将原始输入句子转换为一系列标记，随后的嵌入层用于将标记转换为输入特征。
然后，将额外的位置嵌入添加到输入特征中，以编码每个输入标记的顺序。
Transformer架构的核心概念是自注意力机制，它在MHSA模块中采用。具体来说，表示输入特征为X = x1, x2, ..., xn，MHSA模块对它们进行线性投影并获得一组查询Q、键K和值V，如公式所示：
其中WQi、WKi和WVi分别是第i个头的投影矩阵。
然后自注意力操作应用于每组(Qi, Ki, Vi)并得到第i个头的特征Zi，如公式所示：
其中dk是查询（键）的维度。
注意，自注意力操作包含矩阵乘法操作，其计算复杂度是对输入长度的二次方。最后，MHSA模块将所有注意力头的特征连接起来，并通过线性投影形成其输出Z，如公式所示：
其中WO是投影矩阵。
可以看到，自注意力机制允许模型识别不同输入部分的重要性，无论距离如何，并且可以捕捉输入句子中的长距离依赖和复杂关系。
Transformer块中的另一个重要模块是FFN。
通常，FFN位于MHSA模块之后，由两个带有非线性激活函数的线性变换层组成。它接收MHSA模块的输出特征X，如公式所示：
其中W1和W2表示两个线性层的权重矩阵，σ(·)表示激活函数。
本文翻译自清华大学最新成果论文：《A Survey on Efficient Inference for Large Language Models 》，https://arxiv.org/pdf/2404.14294。
更多关于大语言模型的介绍，可以查看《Transformer最后一公里》专栏。