Chapter4.1 Coding an LLM architecture

文章目录

• [4 Implementing a GPT model from Scratch To Generate Text](#4 Implementing a GPT model from Scratch To Generate Text)
• • [4.1 Coding an LLM architecture](#4.1 Coding an LLM architecture)

4 Implementing a GPT model from Scratch To Generate Text

• 本章节包含

  1. 编写一个类似于GPT的大型语言模型（LLM），这个模型可以被训练来生成类似人类的文本。
  2. Normalizing layer activations to stabilize neural network training
  3. 在深度神经网络中添加shortcut connections，以更有效地训练模型
  4. 实现 Transformer 模块以创建不同规模的 GPT 模型
  5. 计算 GPT 模型的参数数量及其存储需求

  在上一章中，学习了多头注意力机制并对其进行了编码，它是LLMs的核心组件之一。在本章中，将编写 LLM 的其他构建块，并将它们组装成类似 GPT 的模型

  ​

  ---

4.1 Coding an LLM architecture

• 诸如GPT和Llama等模型,基于原始Transformer架构中的decoder部分,因此，这些LLM通常被称为"decoder-like" LLMs，与传统的深度学习模型相比，LLM规模更大，这主要归因于它们庞大的参数数量，而非代码量。因为它的许多组件都是重复的，下图提供了类似 GPT LLM 的自上而下视图

​

本章将详细构建一个最小规模的GPT-2模型（1.24亿参数），并展示如何加载预训练权重以兼容更大规模的模型。

• 1.24亿参数GPT-2模型的配置细节包括：

  GPT_CONFIG_124M = {
      "vocab_size": 50257,    # Vocabulary size
      "context_length": 1024, # Context length
      "emb_dim": 768,         # Embedding dimension
      "n_heads": 12,          # Number of attention heads
      "n_layers": 12,         # Number of layers
      "drop_rate": 0.1,       # Dropout rate
      "qkv_bias": False       # Query-Key-Value bias
  }

  我们使用简短的变量名以避免后续代码行过长

  1. "vocab_size" 词汇表大小，由 BPE tokenizer 支持，值为 50,257。
  2. "context_length" 模型的最大输入标记数量，通过 positional embeddings 实现。
  3. "emb_dim" token输入的嵌入大小，将每个token转换为 768 维向量。
  4. "n_heads" 多头注意力机制中的注意力头数量。
  5. "n_layers" 是模型中 transformer 块的数量
  6. "drop_rate" 是 dropout 机制的强度，第 3 章讨论过；0.1 表示在训练期间丢弃 10% 的隐藏单元以缓解过拟合
  7. "qkv_bias" 决定多头注意力机制（第 3 章）中的 Linear 层在计算查询（Q）、键（K）和值（V）张量时是否包含偏置向量；我们将禁用此选项，这是现代 LLMs 的标准做法；然而，我们将在第 5 章将 OpenAI 的预训练 GPT-2 权重加载到我们的重新实现时重新讨论这一点。

• 下图中的方框展示了我们为实现最终 GPT 架构所需处理的各个概念的顺序。我们将从第一步开始，即一个我们称为 DummyGPTModel 的 GPT 骨架占位符：

  ​

  import torch
  import torch.nn as nn
  
  
  class DummyGPTModel(nn.Module):
      def __init__(self, cfg):
          super().__init__()
          self.tok_emb = nn.Embedding(cfg["vocab_size"], cfg["emb_dim"])
          self.pos_emb = nn.Embedding(cfg["context_length"], cfg["emb_dim"])
          self.drop_emb = nn.Dropout(cfg["drop_rate"])
          
          # Use a placeholder for TransformerBlock
          self.trf_blocks = nn.Sequential(
              *[DummyTransformerBlock(cfg) for _ in range(cfg["n_layers"])])
          
          # Use a placeholder for LayerNorm
          self.final_norm = DummyLayerNorm(cfg["emb_dim"])
          self.out_head = nn.Linear(
              cfg["emb_dim"], cfg["vocab_size"], bias=False
          )
  
      def forward(self, in_idx):
          batch_size, seq_len = in_idx.shape
          tok_embeds = self.tok_emb(in_idx)
          pos_embeds = self.pos_emb(torch.arange(seq_len, device=in_idx.device))
          x = tok_embeds + pos_embeds
          x = self.drop_emb(x)
          x = self.trf_blocks(x)
          x = self.final_norm(x)
          logits = self.out_head(x)
          return logits
  
  
  class DummyTransformerBlock(nn.Module):
      def __init__(self, cfg):
          super().__init__()
          # A simple placeholder
  
      def forward(self, x):
          # This block does nothing and just returns its input.
          return x
  
  
  class DummyLayerNorm(nn.Module):
      def __init__(self, normalized_shape, eps=1e-5):
          super().__init__()
          # The parameters here are just to mimic the LayerNorm interface.
  
      def forward(self, x):
          # This layer does nothing and just returns its input.
          return x

  1. DummyGPTModel ：简化版的 GPT 类模型，使用 PyTorch 的 nn.Module 实现。
  2. 模型组件：包括标记嵌入、位置嵌入、丢弃层、变换器块、层归一化和线性输出层。
  3. 配置字典 ：配置通过 Python 字典传入,如 GPT_CONFIG_124M，用于传递模型配置。
  4. forward 方法：描述数据从输入到输出的完整流程。计算嵌入 → 应用 dropout → 通过 transformer blocks 处理 → 应用归一化 → 生成 logits。
  5. 占位符 ：DummyLayerNorm 和 DummyTransformerBlock 是待实现的组件。

• 数据流动：下图提供了 GPT 模型中数据流动的高层次概述。

  ​

  使用 tiktoken 分词器对由 GPT 模型的两个文本输入组成的批次进行分词：

  import tiktoken
  
  tokenizer = tiktoken.get_encoding("gpt2")
  
  batch = []
  
  txt1 = "Every effort moves you"
  txt2 = "Every day holds a"
  
  batch.append(torch.tensor(tokenizer.encode(txt1)))
  batch.append(torch.tensor(tokenizer.encode(txt2)))
  batch = torch.stack(batch, dim=0)
  print(batch)
  
  """输出"""
  tensor([[6109, 3626, 6100,  345],
          [6109, 1110, 6622,  257]]
        )

  接下来，我们初始化一个包含 1.24 亿参数的 DummyGPTModel 实例，并将 tokenized batch 输入其中。

  torch.manual_seed(123)
  model = DummyGPTModel(GPT_CONFIG_124M)
  
  logits = model(batch)
  print("Output shape:", logits.shape)
  print(logits)
  
  """输出"""
  Output shape: torch.Size([2, 4, 50257])
  tensor([[[-0.9289,  0.2748, -0.7557,  ..., -1.6070,  0.2702, -0.5888],
           [-0.4476,  0.1726,  0.5354,  ..., -0.3932,  1.5285,  0.8557],
           [ 0.5680,  1.6053, -0.2155,  ...,  1.1624,  0.1380,  0.7425],
           [ 0.0447,  2.4787, -0.8843,  ...,  1.3219, -0.0864, -0.5856]],
  
          [[-1.5474, -0.0542, -1.0571,  ..., -1.8061, -0.4494, -0.6747],
           [-0.8422,  0.8243, -0.1098,  ..., -0.1434,  0.2079,  1.2046],
           [ 0.1355,  1.1858, -0.1453,  ...,  0.0869, -0.1590,  0.1552],
           [ 0.1666, -0.8138,  0.2307,  ...,  2.5035, -0.3055, -0.3083]]],
         grad_fn=<UnsafeViewBackward0>)

  1. 输出张量：输出张量有两行，分别对应两个文本样本。每个文本样本由 4 个标记组成；每个标记是一个 50,257 维的向量，这与标记器的词汇表大小一致。
  2. 嵌入维度：50,257 维对应词汇表中的唯一标记，后处理阶段将其转换回 token IDs 并解码为单词。

  ---