LLaMa系列模型
- 羊驼模型(鼻祖是LLaMa模型,Facebook公司开源模型):即将成为大模型的安卓,国内95%的大模型都是羊驼套壳。
- GPT系列(OpenAI公司):相当于大模型的iOS(不开源)。
LLaMa模型结构:前面的词预测后面的词,经典的解码结构。位置编码用的是旋转自编码。
大语言模型为什么取名为LLaMa(美洲鸵)?
LLM发音困难。两个LL跟绕口令一样挑战舌头。大家想给它加点原音,帮助发音。有人加了A,就是LLaMa。
- LLaMa是2023年Meta发布的基础LLM模型,该模型有四个版本,分别是7B、13B、33B、65B参数的模型。(LLaMa模型是从零开始训练的基础模型,国内大多数模型都是套壳LLaMa模型)
2.模型的优点:
- 开源。相比之前的大模型,LLaMa完全是在公共开源预训练数据上训练(通用性比较强,没有使用封闭的数据)
- 推理效率也是LLaMa的一个亮点,可以在单卡V100完成推理(降低了硬件使用门槛,让大模型平民化,训练模型的成本大大降低)。
3.模型的训练和数据:
65B的模型使用2048块A100 80G的GPU,训练21天左右。(训练成本还是比较高的,训练的数据集同GPT一样)
LLaMa模型训练的数据集
Alpaca模型
- Alpaca是斯坦福从Meta的LLaMA 7B微调而来的全新模型(套壳是微调模型,LLaMA是全调的基础模型),仅用了52k数据,性能约等于GPT-3.5。
- 训练成本奇低,不到600美元。(大模型屌丝化)
- 在8个80GB A100 上训练了3个小时,不到100美元;
- 生成数据使用OpenAl的API,500美元。(正常是人工来标注数据,人工的成本很高;这里数据标注使用了OpenAl的接口,问题问ChatGPT3,用它的回答作为标注数据来进行微调,训练出Alpaca模型)
国内很多大模型都是学Alpaca模型的玩法,套壳LLaMA模型低成本训练出自己的模型。
Alpaca模型的训练流程
Alpaca模型使用了GPT3来标注数据
Vicuna模型
Vicuna模型简介
Vicuna模型训练流程
Vicuna模型使用了GPT4来做评估(效果更好)
GPT5短时间暂时不会有,因为GPT4已经突破了人类现在的硬件资源的一个极限。
羊驼系列模型对比
羊驼系列模型对比
华驼大模型(国内的医疗大模型)
华驼大模型
百川大模型(搜狗王小川搞的大模型)
LLaMa + 中文数据
业内有句俗话:一开源就自主研发,不开源就卡脖子
LLaMa2的提升
模型的提升一般模型本身没有多大的进化, 主要的提升是堆数据和堆算力,使模型进行进化。
LLaMa2.0的训练也使用了ChatGPT的训练那套方法:
- 第一步:首先对LLaMa模型通过问答对进行有监督的训练
- 第二步:训练一个排序模型(就是通过人来标注这个模型输出的数据,让这个模型输出的答案更加符合人类的认知;通过人来对这些输出的结果打分,来调整这个模型,让这个模型的输出结果更加符合人的认知);这个强化模型,就相当于具备了人的情商,理解了人类的喜好。
- 第三步:用具备人类喜好的这个模型,再来去微调LLaMa,让这个LLaMa模型输出的结果更加符合人的认知(相当于具备了情商),这样就训练出LLaMa2.0。
微调的效果为什么会好?
原生的基础LLaMa用的语料是通用语料。在自己的数据上进行微调,让模型能够满足自己的需求。微调的本质并不是能把模型效果变好,微调的目的是让模型更适应于我们的数据。
如何系统的去学习大模型LLM ?
作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。
但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的 AI大模型资料
包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
😝有需要的小伙伴,可以V扫描下方二维码免费领取🆓
![](https://img-blog.csdnimg.cn/img_convert/26f0fbe3753382d1ec9b1a43731bdcce.png)
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了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,这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
阶段1:AI大模型时代的基础理解
- 目标:了解AI大模型的基本概念、发展历程和核心原理。
- 内容:
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2:AI大模型API应用开发工程
- 目标:掌握AI大模型API的使用和开发,以及相关的编程技能。
- 内容:
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.2.1 什么是Prompt
- L2.2.2 Prompt框架应用现状
- L2.2.3 基于GPTAS的Prompt框架
- L2.2.4 Prompt框架与Thought
- L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
- L2.3.1 流水线工程的概念
- L2.3.2 流水线工程的优点
- L2.3.3 流水线工程的应用
- L2.4 总结与展望
阶段3:AI大模型应用架构实践
- 目标:深入理解AI大模型的应用架构,并能够进行私有化部署。
- 内容:
- L3.1 Agent模型框架
- L3.1.1 Agent模型框架的设计理念
- L3.1.2 Agent模型框架的核心组件
- L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
- L3.2.1 MetaGPT的基本概念
- L3.2.2 MetaGPT的工作原理
- L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
- L3.3.1 ChatGLM的特点
- L3.3.2 ChatGLM的开发环境
- L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
- L3.4.1 LLAMA的特点
- L3.4.2 LLAMA的开发环境
- L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍
阶段4:AI大模型私有化部署
- 目标:掌握多种AI大模型的私有化部署,包括多模态和特定领域模型。
- 内容:
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
学习计划:
- 阶段1:1-2个月,建立AI大模型的基础知识体系。
- 阶段2:2-3个月,专注于API应用开发能力的提升。
- 阶段3:3-4个月,深入实践AI大模型的应用架构和私有化部署。
- 阶段4:4-5个月,专注于高级模型的应用和部署。
这份完整版的大模型 LLM 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
😝有需要的小伙伴,可以Vx扫描下方二维码免费领取🆓
![](https://img-blog.csdnimg.cn/img_convert/26f0fbe3753382d1ec9b1a43731bdcce.png)