大家好啊,之前有小伙伴私信我,想了解下大模型比如 chatGPT 是如何进行训练的。
和他们聊了一下,发现有一个点一直在困惑着大家,那就是——大模型的训练是无监督学习还是有监督学习?在大模型训练过程中,数据的标签是什么?如何计算损失然后进行反向传播的呢?
今天就简单来聊一下这个问题。
1、是有监督还是无监督
事实上,很多自然语言处理(NLP)的模型,尤其是上文提到的大语言模型(如GPT系列),都是通过无监督学习或自监督学习的方式进行训练的。
也就是说它们不需要人工标注的标签来进行训练。
试想一下,训练 GPT 的数据样本大多来自于互联网,如果需要对这些数据进行标注的话,会花费大量的人力,并且很多长文本是没有办法或者很难去标注的。
因此这类模型的训练采用的基本是自监督学习的模式。
自监督学习可以认为是无监督学习的一种特殊方式。
模型通过从输入数据本身生成的伪标签来进行训练,这些伪标签不是由人工标注的,而是由模型根据一定的规则自动生成的。
常见的自监督学习任务模型有以下两种。
第一种是掩码语言模型(Masked Language Model, MLM),这是 BERT 等模型使用的一种训练方法。
它将其中一部分输入词进行随机掩码(替换为一个特殊的掩码符号),模型的任务就是是预测这些被掩码的词。
这样,模型就能学习到词与上下文之间的关系,有点类似于让模型不断进行完形填空的意思。
第二种是因果语言模型(Causal Language Model, CLM),这是 GPT 系列模型使用的一种训练方法。
在这种训练模式下,模型被训练来预测给定前文的下一个词,这样,模型就能学习到文本的顺序结构和语言的生成过程。
说到这你可能还不完全清楚,看下面的例子就明白了。
2、GPT 的训练过程
以因果语言模型的训练为例,假设给模型的输入数据是:The quick brown fox jumps over the lazy" 这句话。
当然实际训练时,输入给模型的数据还会经过 Tokenization、词嵌入和位置编码这些步骤,但是我们这里先绕过,不影响理解。
在 GPT 等模型的训练时,如果给定上述句子作为模型的输入,是希望模型可以预测出下一个词是什么,这是模型的任务。
因此,每给定一个单词(Token),模型都要预测下一个词,然后将预测出来的词加上原来已有的词作为新的输入,继续预测下一个词,如此反复迭代。
将训练过程写出伪代码是如下形式。
ini
# 假设:
# - input_tokens 是输入序列
# - target_tokens 是目标序列
# - transformer_model 是一个Transformer模型
# - optimizer 是用于优化模型参数的优化器
# - loss_function 是损失函数,例如交叉熵损失
for epoch in range(num_epochs): # 迭代多个训练周期
for input_tokens, target_tokens in data_loader:
# 1. 模型输入
# 将输入token转换为嵌入向量,进行词嵌入和位置编码
input_embeddings = embedding_layer(input_tokens)
position_embeddings = get_position_embeddings(input_embeddings)
transformer_input = input_embeddings + position_embeddings
# 2. Transformer模型
# 通过Transformer模型得到输出
transformer_output = transformer_model(transformer_input)
# 3. 模型输出和损失计算
# 将Transformer输出转换为logits
logits = output_layer(transformer_output)
loss = loss_function(logits, target_tokens) # 计算损失
# 4. 梯度下降和反向传播
optimizer.zero_grad() # 清除之前的梯度
loss.backward() # 反向传播,计算梯度
optimizer.step() # 更新模型参数
上面的 input_tokens 就可以认为是输入的一句话。
可以看到在计算损失的时候,比较的是模型的输出和 target_tokens 的损失。
模型的输出我们好理解,就是模型预测的下一个词,那么target_tokens 是什么呢?
上面说到自监督学习的时候,说到一句话:“自监督学习中的伪标签是模型通过一定的规则生成的”。
target_tokens 就是伪标签,因为模型需要预测下一个词,因此“一定的规则”就是对输入 token 往后移一位来实现的,如下所示。
input_tokens 是原始句子中的单词序列,而 target_tokens 是这个序列向右移动一个位置的结果。
在训练过程中,模型会试图根据 input_tokens 中的每个词来预测 target_tokens 中的下一个词。
例如,给定输入 “The”,模型应该预测输出 “quick”;然后将 “The” 和 "quick "合成新的输入 “The quick” 给模型,模型应该预测出 “brown”,以此类推。
这样经过大量甚至是海量的文本数据的自监督学习,模型就可以学到很多自然语言的结构和句式了。
大语言模型也就训练完成了。
当然上面的过程说的很粗糙,仅仅是想让大家先搞清楚自监督学习这个概念,以及实际模型训练时,模型是如何自我监督的。
• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;
• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;
• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。
零基础如何学习大模型 AI
领取方式在文末
为什么要学习大模型?
学习大模型课程的重要性在于它能够极大地促进个人在人工智能领域的专业发展。大模型技术,如自然语言处理和图像识别,正在推动着人工智能的新发展阶段。通过学习大模型课程,可以掌握设计和实现基于大模型的应用系统所需的基本原理和技术,从而提升自己在数据处理、分析和决策制定方面的能力。此外,大模型技术在多个行业中的应用日益增加,掌握这一技术将有助于提高就业竞争力,并为未来的创新创业提供坚实的基础。
大模型典型应用场景
①AI+教育:智能教学助手和自动评分系统使个性化教育成为可能。通过AI分析学生的学习数据,提供量身定制的学习方案,提高学习效果。
②AI+医疗:智能诊断系统和个性化医疗方案让医疗服务更加精准高效。AI可以分析医学影像,辅助医生进行早期诊断,同时根据患者数据制定个性化治疗方案。
③AI+金融:智能投顾和风险管理系统帮助投资者做出更明智的决策,并实时监控金融市场,识别潜在风险。
④AI+制造:智能制造和自动化工厂提高了生产效率和质量。通过AI技术,工厂可以实现设备预测性维护,减少停机时间。
⑤AI+零售:智能推荐系统和库存管理优化了用户体验和运营成本。AI可以分析用户行为,提供个性化商品推荐,同时优化库存,减少浪费。
⑥AI+交通:自动驾驶和智能交通管理提升了交通安全和效率。AI技术可以实现车辆自动驾驶,并优化交通信号控制,减少拥堵。
…
这些案例表明,学习大模型课程不仅能够提升个人技能,还能为企业带来实际效益,推动行业创新发展。
学习资料领取
如果你对大模型感兴趣,可以看看我整合并且整理成了一份AI大模型资料包,需要的小伙伴文末免费领取哦,无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发
部分资料展示
一、 AI大模型学习路线图
整个学习分为7个阶段
二、AI大模型实战案例
涵盖AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,皆可用。
三、视频和书籍PDF合集
从入门到进阶这里都有,跟着老师学习事半功倍。
四、LLM面试题
如果二维码失效,可以点击下方链接,一样的哦
【CSDN大礼包】最新AI大模型资源包,这里全都有!无偿分享!!!
😝朋友们如果有需要的话,可以V扫描下方二维码联系领取~