ch01 大模型原理
典型的LLM结构
- 输入层：输入文本分词为词元（Token）序列；每个词元进一步映射到对应的Token ID；最终转换为多维数值矩阵。
- 多层Decoder堆叠结构：由多个完全相同的Decoder层堆叠而成。通过逐层计算，模型逐步总结和建模输入序列的深层语义与依赖关系。每个Decoder层的关键组件如下：
- 自注意力（Self-Attention）机制：通过查询（Q）、键（K）、值（V）向量进行注意力计算，并结合因果掩码，保证每个词元只能关注其之前的序列位置，使模型能够建模序列中不同词元之间的语义关系。自注意力机制通常以多头注意力（MHA）、多查询注意力(MQA)、分组查询注意力(GQA)、多头潜在注意力(MLA)等形式实现。
- 位置编码（Positional Encoding）：通过引入序列中的词元位置信息，帮助模型理解序列的相对和绝对位置。RoPE方法被广泛使用。
- 前馈网络（Feed-Forward Network, FFN）：对经过自注意力机制计算的隐藏状态（Hidden States）进行非线性变换，进一步提取特征和语义。FFN内部通常包含激活函数（例如 SwiGLU），以提高模型的非线性拟合能力，捕捉更复杂的模式。对于采用MoE结构的LLM，FFN部分通常由多个专家网络组成，并通过路由机制动态激活少数专家，从而提升模型的容量和计算效率。
- 归一化（Normalization）:采用RMSNorm等层归一化（Layer Normalization）方法，稳定数值计算，提升训练稳定性并加速模型收敛。
- 残差连接（Residual Connection）：在每个子层输入和输出之间添加残差连接，确保信息顺畅传递，缓解深层网络中的梯度消失问题，提升模型训练效率。
- 输出层：将Decoder输出的多维隐藏状态通过线性变换映射到全词表的Logits，得到词元候选的概率分布。随后，解码模块根据概率分布，采用不同的解码算法生成最终输出文本。
- 提取最后位置的Logits：推理时只计算最后一个位置的Logits。预测下一个词元仅依赖序列最后一个位置的Logits，因此需要从所有位置的Logits中提取最后一个位置的Logits。
- 解码（Decoding）：根据概率分布，应用解码策略（随机采样、或选择最大概率）确定最终预测的下一个词元。例如，在贪婪搜索解码策略下，选择概率最高的词元作为预测结果。
（1）预填充阶段（Prefill）：一次性处理完整的输入序列并计算其隐藏状态。随后，模型计算下一个词元的概率分布。
（2）继续生成：模型接续迭代计算，逐步生成其余Token。
模型在每个生成步骤中都需要重复计算相同的前缀。为提升推理效率，通常会采用KVCache等缓存机制来减少冗余计算。
每个词元对应的向量，是通过预训练学习得到的，蕴含了词元的语义信息。