1. Layer Norm 的计算公式是怎样的,如何使用代码实现?
其中 μ 为 x 的均值,σ 为 x 的方差,γ 和 β 是可训练的模型参数,γ 是缩放参数,新分布的方差 γ2 ; β 是平移系数,新分布的均值为 β 。 ε 为一个小数,添加到方差上,避免分母为0。
def layerNorm(feature):
size = feature.shape
alpha = torch.nn.Parameter(torch.ones(size[-1]))
beta = torch.nn.Parameter(torch.ones(size[-1]))
input_dtype = feature.dtype
feature = torch.nn.Parameter(feature.to(torch.float32))
mean = feature.mean(-1, keepdim=True)
std = feature.std(-1, keepdim=True)
feature = alpha * (feature - mean)
return (feature / (std + 1e-6) + beta).to(input_dtype)
2. RMS Norm 的计算公式是怎样的,如何使用代码实现?
对于layerNorm和RMSNorm,layerNorm包含缩放和平移两部分,RMSNorm去除了平移部分,只保留了缩放部分。
def RMSNorm(feature):
size = feature.shape
weight = torch.nn.Parameter(torch.ones(size[-1]))
input_dtype = feature.dtype
feature = torch.nn.Parameter(feature.to(torch.float32))
variance = feature.pow(2).mean(-1, keepdim=True)
feature = feature * torch.rsqrt(variance + 1e-6)
return weight * feature.to(input_dtype)
3. RMS Norm 相比于 Layer Norm 有什么特点?
RMSNorm 相比一般的 layerNorm,减少了计算均值和平移系数的部分,训练速度更快,效果基本相当,甚至有所提升。
4. Deep Norm 思路是什么?
DeepNorm 是由微软提出的一种 Normalization 方法。主要对 Transformer 结构中的残差链接做修正。
5. Deep Norm 有什么优点?
DeepNorm 可以缓解模型参数爆炸式更新的问题,把模型参数更新限制在一个常数域范围内,使得模型训练过程可以更稳定。模型规模可以达到 1000 层。
DeepNorm 兼具 PreLN 的训练稳定和 PostLN 的效果性能。
6. LN 在 LLMs 中的不同位置有什么区别么?如果有,能介绍一下区别么?
在 transformer 的原始结构中,采用了 PostLN 结构,即在残差连接之后 layerNorm,如上图(a)所示。在 LLM 训练过程中发现,PostLN 的输出层附近的梯度过大会造成训练的不稳定性。在 LLM 很少单独使用 PostLN,如在 GLM-130B 中采用 PostLN 与 PreLN 结合的方式。
PreLN 将 layerNorm 放置在残差连接的过程中,如上图(a)所示。PreLN 在每层的梯度范数近似相等,有利于提升训练稳定性。相比 PostLN,使用 PreLN 的深层 transforme 的训练更稳定,但是性能有一定损害。为了提升训练稳定性,很多大模型都采用了 PreLN。
大模型&AI产品经理如何学习
求大家的点赞和收藏,我花2万买的大模型学习资料免费共享给你们,来看看有哪些东西。
1.学习路线图
第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;
第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;
第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。
2.视频教程
网上虽然也有很多的学习资源,但基本上都残缺不全的,这是我自己整理的大模型视频教程,上面路线图的每一个知识点,我都有配套的视频讲解。
(都打包成一块的了,不能一一展开,总共300多集)
因篇幅有限,仅展示部分资料,需要点击下方图片前往获取
3.技术文档和电子书
这里主要整理了大模型相关PDF书籍、行业报告、文档,有几百本,都是目前行业最新的。
4.LLM面试题和面经合集
这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;
• 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。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓