一、前言
相信网已经很多LLM大模型 的介绍 ,概念,发展历史,应用场景的很多文章,但是很多文章都是缺少细节的描述,到底怎么用,需要些什么东西怎么层显出来。所以虽然看了很多大模型的介绍,也仅仅停留到了解的阶段,很难动手实施。也就是说,不能落地实施的方案,策略,其实都是嘴炮。本文尝试更加细致的总结大模型的实际用于开发,使用。
二、大语言模型(LLM)
深度学习模型
首先大语言模型(LLM)是一种深度学习模型, 它能够对自然语言文本进行建模,包括词汇、语法和语义等方面。LLM在文本分类、语言生成和文本摘要等领域中都有广泛应用。它通过对大量文本数据进行训练,来学习自然语言的语法和语义规律,从而实现对文本的理解和生成。
神经网络训练策略
在训练过程中,大语言模型(LLM)使用神经网络来学习输入文本的表示和模式。这些表示和模式可以表示为向量,其中包含了文本的语法和语义信息。在训练过程中,大语言模型(LLM)不断优化模型参数和网络结构,以获得更好的分类或生成性能。
训练步骤
- 输入文本:大语言模型(LLM)从输入的文本数据中提取特征,包括单词、语法和语义信息等。
- 特征提取:大语言模型(LLM)通过神经网络来学习输入文本的特征表示,这些表示可以表示为向量。
- 模型训练:大语言模型(LLM)使用这些特征向量来训练分类或生成模型,不断优化模型参数和网络结构。
- 模型应用:大语言模型(LLM)将训练好的模型参数和网络结构应用到实际的文本分类、语言生成和文本摘要任务中,实现对输入文本的理解和生成。
具体实施
- 准备工作:环境配置与依赖安装
在进行大语言模型(LLM)的应用前,需要进行以下准备工作:
- 环境配置:搭建相应的开发环境,包括操作系统、Python和深度学习框架等。
- 依赖安装:根据所使用的深度学习框架,安装相应的依赖项,包括TensorFlow、PyTorch等。
- 核心模块实现
在搭建好开发环境后,需要进行大语言模型(LLM)的核心模块实现。核心模块包括以下几个步骤:
- 单词表示:将单词的发音和词义表示为向量,用于特征提取。
- 词法分析:通过词法分析算法,将单词的语法表示为向量,用于模型训练。
- 语义分析:通过语义分析算法,将单词的语义表示为向量,用于模型训练和解释。
- 模型训练:使用这些表示向量来训练分类或生成模型,并不断优化模型参数和网络结构。
- 模型部署:将训练好的模型部署到生产环境中,实现对输入文本的理解和生成。
- 集成与测试
在完成核心模块实现后,需要进行集成和测试,以确保大语言模型(LLM)能够在实际应用中达到预期的性能。
- 优化与改进
在实际应用中,大语言模型(LLM)可能会出现性能问题,需要进行优化和改进,包括以下几点:
- 数据预处理:预处理大语言模型(LLM)的训练数据,包括分词、词性标注和命名实体识别等。
- 模型调整:调整大语言模型(LLM)的模型参数和网络结构,以提高模型性能和准确度。
- 模型融合:将多个大语言模型(LLM)进行融合,以提高模型性能和准确度。
三、具体实现细节(操作)
1、环境准备
安装工具包
bash
pip install numpy requests torch tiktoken matplotlib pandas
导入工具包
python
# 导入对应的包
import os
import requests
import pandas as pd
import matplotlib.pyplot as plt
import math
import tiktoken
import torch
import torch.nn as nn
数据读取
python
with open('sales_textbook.txt', 'r', encoding='utf-8') as f:
text = f.read()
配置文件设置
python
# 设置一些参数
batch_size = 4 # 批次
context_length = 16 # token 长度,最长 16 个单词
d_model = 64 # 维度
num_layers = 8 # Number of transformer blocks ???
num_heads = 4 # 多头 # 我们的代码中通过 d_model / num_heads = 来获取 head_size
文本清洗
python
# 使用 tiktoken 工具库进行处理,该工具是openAI 提供的又快又轻量级,基于原始单词
encoding = tiktoken.get_encoding("cl100k_base")
tokenized_text = encoding.encode(text) # 整个文本的单词数量 77,919
vocab_size = len(set(tokenized_text)) # 单词数:相当于哈希表里面的字典 3,771
max_token_value = max(tokenized_text) # 每个单词对应一个数值,这里找到最大值,100069
print(f"文本单词数量: {len(tokenized_text)}")
print(f"词汇表数量: {vocab_size}")
print(f"最大的单词 token 对应的编码值: {max_token_value}")
python
作者:Cv大法代码酱
链接:https://www.zhihu.com/question/641255219/answer/3444335788
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
# 2、词向量
# 把数据转成张量形式
tokenized_text=torch.tensor(tokenized_text, dtype=torch.long)
# 首先吧数据集分成训练数据和验证数据(8:2)
# Split train and validation
split_idx = int(len(tokenized_text) * 0.8) # 取出 80%的位置
train_data = tokenized_text[:split_idx] #训练数据
val_data = tokenized_text[split_idx:] #验证数据
# 准备训练数据
data = train_data
#随机取4个数字,范围 0-(77919*0.8-16),为了构建批量数据
idxs = torch.randint(low=0, high=len(data) - context_length, size=(batch_size,))
print(idxs)
# x 是一个 4*16 的结构,因为 idxs 有 4 个,每个里面都是 16 的长度
# y比 x 移后一位
x_batch = torch.stack([data[idx:idx + context_length] for idx in idxs])
y_batch = torch.stack([data[idx + 1:idx + context_length + 1] for idx in idxs])
print(x_batch.shape,y_batch.shape)
文本转换
python
# 把 16 个数字转换成 64 维度(列)
# 找到最大的 token 值对应的数字
max_token_value=tokenized_text.max().item()
max_token_value
# 需要构造一个 max_token_value*64 维度的矩阵
input_embedding_lookup_table = torch.nn.Embedding(max_token_value+1, d_model)
#看下初始化权重信息,这些数据是在不断更新的
input_embedding_lookup_table.weight.data
# 把 x_batch 与权重绑定
x_batch_embedding = input_embedding_lookup_table(x_batch)
y_batch_embedding = input_embedding_lookup_table(y_batch)
# 打印看看
x_batch_embedding.shape
# 先构建一个全 0编码 的 16*64 的矩阵,先把形状搞出来,16*64 方便与x_batch_embedding的形状进行@运算
position_encoding_lookup_table = torch.zeros(context_length, d_model)
# torch.arange形成一维16个数,然后扩展第二位
position = torch.arange(0, context_length, dtype=torch.float).unsqueeze(1) # unsqueeze函数主要是对数据维度进行扩充。
#print(torch.arange(0, context_length, dtype=torch.float))
#print(position)
# 计算正玄余玄
div_term = torch.exp(torch.arange(0, d_model, 2).float() * (-math.log(10000.0) / d_model))
position_encoding_lookup_table[:, 0::2] = torch.sin(position * div_term) #偶数位
position_encoding_lookup_table[:, 1::2] = torch.cos(position * div_term) #奇数位
position_encoding_lookup_table = position_encoding_lookup_table.unsqueeze(0).expand(batch_size, -1, -1) #add batch to the first dimension
print("Position Encoding Look-up Table: ", position_encoding_lookup_table.shape)
pd.DataFrame(position_encoding_lookup_table[0].numpy())
# 最终输入 需要输入与位置信息加和
x=x_batch_embedding+position_encoding_lookup_table
y=y_batch_embedding+position_encoding_lookup_table
# 看看此时形状
x.shape,y.shape
训练数据
python
# 准备 Wq、Wk、Wv,也是权重矩阵
Wq=nn.Linear(d_model,d_model) # 64*64
Wk=nn.Linear(d_model,d_model)
Wv=nn.Linear(d_model,d_model)
# 此处相乘是 x 的后两维与 Wq 等相乘 16*64 X 64*64 = 16*64
Q=Wq(x) # Wq*x
K=Wk(x)
V=Wv(x)
# 多头机制,为了把64 个维度进行拆分多份,每一个头里面有一部分维度,这里是 4 个头,分别进行部分计算,然后合并
#先拆 Q,里面第一维度第二维度不变,分别是 4,,16,增加第三维度4,第四维度从之前的第三维 64 变成 16;这样就变成(4,,16,4,,16);
Q=Q.reshape(batch_size,context_length,num_heads,d_model//num_heads)
K=K.reshape(batch_size,context_length,num_heads,d_model//num_heads)
V=V.reshape(batch_size,context_length,num_heads,d_model//num_heads)
# 在把二三维度转换,变成(4,,4,,16,,16)因为接下来需要做注意力机制,关注的是 token,而不是多头
Q = Q.transpose(1, 2) # [4, 4, 16, 16]
K = K.transpose(1, 2) # [4, 4, 16, 16]
V = V.transpose(1, 2) # [4, 4, 16, 16]
# 注意力机制
# K 转置
output=Q @ K.transpose(-2,-1)/math.sqrt(d_model//num_heads)
#做 softmax之前做 mask 部分,一句话比如中国人民,在第三个字的时候,他只知道中国人,不知道第四位是民这个字,所以需要处理下,把未来的设置成 0
#形成一个三角区域
mask=torch.triu(torch.ones((context_length,context_length)),diagonal=1).bool()
output=output.masked_fill(mask,float('-inf'))
pd.DataFrame(output[0][0].detach().numpy())