在2023年4月27号杨景峰发布一篇论文《Harnessing the Power of LLMs in Practice: A Survey on ChatGPT and Beyond》中文翻译为《在实践中利用LLMs的力量:关于ChatGPT及其他的调查》
在这篇文章有一张图广泛流传,今天我们就讲讲这篇论文的内容。
0 1
什么是大语言模型
LLM(Large language models翻译为大语言模型)是在大量数据集上预先训练的巨大语言模型(模型参数很多),它没有使用数据对特定任务进行微调。
fine-tuned models(微调模型)通常是较小的语言模型,这些模型也经过预训练,然后在较小的、特定于任务的数据集上进一步调整,以优化它们在该任务上的性能。
那什么是fine-tuned models(微调模型)?它是BERT(全称是Bidirectional Encoder Representation from Transformers,即双向Transformer的Encode)是一个预训练的模型的一种。
那BERT又是什么呢?是一个预训练的模型,那么什么是预训练呢?举例子进行简单的介绍。
假设已有A训练集,先用A对网络进行预训练,在A任务上学会网络参数,然后保存以备后用,当来一个新的任务B,采取相同的网络结构,网络参数初始化的时候可以加载A学习好的参数,其他的高层参数随机初始化,之后用B任务的训练数据来训练网络,当加载的参数保持不变时,称为"frozen",当加载的参数随着B任务的训练进行不断的改变,称为“fine-tuning”,即更好地把参数进行调整使得更适合当前的B任务
优点:当任务B的训练数据较少时,很难很好的训练网络,但是获得了A训练的参数,会比仅仅使用B训练的参数更优。
从实际的角度来看,我们认为参数小于20B(Billion)的模型是微调模型。虽然可以微调像PlaM(540B)这样的大型模型,但实际上,这可能非常具有挑战性,特别是对于学术研究实验室和小型团队。对于许多个人或组织来说,使用 3B 参数微调模型仍然是一项艰巨的任务。
0 2
大模型分类
如上图所示,有三种类型:编码器-解码器(Encoder-Decoder)、仅编码器语言模型(Encoder-only)、仅解码器语言模型(Decoder-only)。
仅解码器模型(Decoder-only)已经逐渐主导了LLM的发展。在LLMs开发的早期阶段,仅解码器模型并不像仅编码器和编码器-解码器模型那样流行。
在 2021 年之后,随着改变游戏规则的 LLM - GPT-3 的推出,仅解码器模型经历了显著的繁荣。与此同时,在BERT带来的最初爆炸性增长之后,仅编码器模型逐渐开始消失。
0 3
三大语言模型的介绍
1、仅解码(Decoder-only)的模型逐渐主导了LLMs的发展。在LLMs的早期阶段,仅解码的模型并不像仅编码和编码-解码模型那样受欢迎。然而,随着颠覆性LLMs - GPT-3的引入,仅解码模型经历了显著的繁荣。与此同时,在由BERT带来的初期爆发式增长之后,仅编码模型逐渐消失。
2、OpenAI在LLM方面始终保持领导地位,无论是当前还是未来。其他公司和机构正在努力赶上OpenAI,开发能够与GPT-3和当前的GPT-4相媲美的模型。这种领先地位可能归因于OpenAI在最初并不广泛被认可时坚定地坚持其技术道路。
3、Meta对开源LLMs做出了重大贡献,并促进了LLMs的研究。在考虑对开源社区的贡献时,特别是与LLMs有关的贡献,Meta是最慷慨的商业公司之一,因为Meta开发的所有LLMs都是开源的。
4、LLMs表现出向闭源化的倾向。在LLM开发的早期阶段(2020年以前),大多数模型都是开源的。然而,随着GPT-3的引入,公司越来越倾向于关闭其模型,例如PaLM,LaMDA和GPT-4。因此,学术研究人员更难在LLM培训方面进行实验。因此,基于API的研究可能成为学术界主要的方法。
5、编码-解码模型(Encoder-Decoder)仍然很有前途,因为这种类型的架构仍在积极探索,而且大多数都是开源的。Google在开源编码-解码架构方面做出了实质性的贡献。然而,仅解码模型的灵活性和通用性似乎使得Google对此持坚定立场的前景较少。
END
本篇文章主要探讨了三大语言模型的介绍:1、编码器-解码器(Encoder-Decoder);2、仅编码器语言模型(Encoder-only);3、仅解码器语言模型(Decoder-only)
读者福利:如果大家对大模型感兴趣,这套大模型学习资料一定对你有用
对于0基础小白入门:
如果你是零基础小白,想快速入门大模型是可以考虑的。
一方面是学习时间相对较短,学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
包括:大模型学习线路汇总、学习阶段,大模型实战案例,大模型学习视频,人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型!
😝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
】🆓
👉AI大模型学习路线汇总👈
大模型学习路线图,整体分为7个大的阶段:(全套教程文末领取哈)
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。
👉大模型实战案例👈
光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。
👉大模型视频和PDF合集👈
观看零基础学习书籍和视频,看书籍和视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。
👉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。
👉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
】🆓