Qwen 模型学习笔记
1. Qwen 整体架构
Qwen的整体架构与Llama2类似,如下所示:
- Tokenizer: 将文本转为词表里面的数值。
- Embedding: 数值经过embedding得到一一对应的向量。
- Attention Mask: 用来看见左边、右边,双向等等来设定。
- 下游任务: 各类下游任务 (Casual, seqcls等) 基本都是基础模型model后面接对应的Linear层,损失函数不同。
2. Qwen2Config
Qwen2Config包含一些自定义的超参数,例如 vocab_size
, hidden_size
, num_hidden_layers
, num_attention_heads
等。类似于dict可以调用里面的超参数,比如 config.pad_token_id
。
3. Qwen2Model
3.1 初始化
设置了模型的两个属性:
padding_idx
: 用于指定填充标记的索引vocab_size
: 词汇表的大小
初始化了模型的嵌入层、解码器层、归一化层:
- 嵌入层(
nn.Embedding
):将输入的标记映射成密集的向量表示。 - 解码器层(
nn.ModuleList
):包含多个解码器层,这些层由Qwen2DecoderLayer
定义。 - 归一化层(
Qwen2RMSNorm
):使用 Root Mean Square Layer Normalization。
设置了是否使用 gradient_checkpoint
以节省显存。调用 post_init()
完成一些初始化和准备检查的代码。
3.2 Forward
核心主干讲解:
inputs_embeds = self.embed_tokens(input_ids)
hidden_states = inputs_embeds
for idx, decoder_layer in enumerate(self.layers):
if output_hidden_states:
all_hidden_states += (hidden_states,)
layer_outputs = decoder_layer(
hidden_states,
attention_mask=attention_mask,
position_ids=position_ids,
past_key_value=past_key_value,
output_attentions=output_attentions,
use_cache=use_cache,
)
hidden_states = layer_outputs[0]
hidden_states = self.norm(hidden_states)
if output_hidden_states:
all_hidden_states += (hidden_states,)
最终以 BaseModelOutputWithPast
的形式输出。
4. Qwen2DecoderLayer
4.1 初始化
DecoderLayer的三件套:attn + MLP + norm
class Qwen2DecoderLayer(nn.Module):
def __init__(self, config: Qwen2Config):
super().__init__()
self.hidden_size = config.hidden_size
self.self_attn = QWEN2_ATTENTION_CLASSES[config._attn_implementation](config, layer_idx)
self.mlp = Qwen2MLP(config)
self.input_layernorm = Qwen2RMSNorm(config.hidden_size, eps=config.rms_norm_eps)
self.post_attention_layernorm = Qwen2RMSNorm(config.hidden_size, eps=config.rms_norm_eps)
input_layernorm 和 post_attention_layernorm 的内容相同,但应用的顺序不同。
4.2 Forward
residual = hidden_states
hidden_states = self.input_layernorm(hidden_states)
hidden_states, self_attn_weights, present_key_value = self.self_attn(
hidden_states=hidden_states,
attention_mask=attention_mask,
position_ids=position_ids,
past_key_value=past_key_value,
output_attentions=output_attentions,
use_cache=use_cache,
**kwargs,
)
hidden_states = residual + hidden_states
residual = hidden_states
hidden_states = self.post_attention_layernorm(hidden_states)
hidden_states = self.mlp(hidden_states)
hidden_states = residual + hidden_states
outputs = (hidden_states,)
return outputs
5. Qwen2Attention
5.1 初始化
核心参数解析:
num_key_value_heads
: 表示键值对的头数num_key_value_groups
: 表示键值对的组数,计算为num_heads // num_key_value_heads
(GQA的实现)q_proj
,k_proj
,v_proj
,o_proj
四个Linear
操作。
class Qwen2Attention(nn.Module):
def __init__(self, config: Qwen2Config):
super().__init__()
self.config = config
self.hidden_size = config.hidden_size
self.num_heads = config.num_attention_heads
self.head_dim = self.hidden_size // self.num_heads
self.num_key_value_heads = config.num_key_value_heads
self.num_key_value_groups = self.num_heads // self.num_key_value_heads
self.max_position_embeddings = config.max_position_embeddings
self.rope_theta = config.rope_theta
self.is_causal = True
self.attention_dropout = config.attention_dropout
self.q_proj = nn.Linear(self.hidden_size, self.num_heads * self.head_dim, bias=config.attention_bias)
self.k_proj = nn.Linear(self.hidden_size, self.num_key_value_heads * self.head_dim, bias=config.attention_bias)
self.v_proj = nn.Linear(self.hidden_size, self.num_key_value_heads * self.head_dim, bias=config.attention_bias)
self.o_proj = nn.Linear(self.num_heads * self.head_dim, self.hidden_size, bias=config.attention_bias)
self.rotary_emb = Qwen2RotaryEmbedding(
self.head_dim,
max_position_embeddings=self.max_position_embeddings,
base=self.rope_theta,
)
5.2 Forward
bsz, q_len, _ = hidden_states.size()
query_states = self.q_proj(hidden_states)
key_states = self.k_proj(hidden_states)
value_states = self.v_proj(hidden_states)
query_states = query_states.view(bsz, q_len, self.num_heads, self.head_dim).transpose(1, 2)
key_states = key_states.view(bsz, q_len, self.num_key_value_heads, self.head_dim).transpose(1, 2)
value_states = value_states.view(bsz, q_len, self.num_key_value_heads, self.head_dim).transpose(1, 2)
cos, sin = self.rotary_emb(value_states, seq_len=kv_seq_len)
query_states, key_states = apply_rotary_pos_emb(query_states, key_states, cos, sin, position_ids)
key_states = repeat_kv(key_states, self.num_key_value_groups)
value_states = repeat_kv(value_states, self.num_key_value_groups)
attn_weights = torch.matmul(query_states, key_states.transpose(2, 3)) / math.sqrt(self.head_dim)
attn_weights = attn_weights + attention_mask
attn_weights = nn.functional.softmax(attn_weights, dim=-1, dtype=torch.float32).to(query_states.dtype)
attn_weights = nn.functional.dropout(attn_weights, p=self.attention_dropout, training=self.training)
attn_output = torch.matmul(attn_weights, value_states)
attn_output = attn_output.transpose(1, 2).contiguous()
attn_output = attn_output.reshape(bsz, q_len, self.hidden_size)
attn_output = self.o_proj(attn_output)
return attn_output, attn_weights, past_key_value
6. Qwen2MLP
class Qwen2MLP(nn.Module):
def __init__(self, config):
super().__init__()
self.config = config
self.hidden_size = config.hidden_size
self.intermediate_size = config.intermediate_size
self.gate_proj = nn.Linear(self.hidden_size, self.intermediate_size, bias=False)
self.up_proj = nn.Linear(self.hidden_size, self.intermediate_size, bias=False)
self.down_proj = nn.Linear(self.intermediate_size, self.hidden_size, bias=False)
self.act_fn = ACT2FN[config.hidden_act]
def forward(self, x):
down_proj = self.down_proj(self.act_fn(self.gate_proj(x)) * self.up_proj(x))
return down_proj
7. Qwen2RMSNorm
class Qwen2RMSNorm(nn.Module):
def __init__(self, hidden_size, eps=1e-6):
super().__init__()
self.weight = nn.Parameter(torch.ones(hidden_size))
self.variance_epsilon = eps
def forward(self, hidden_states):
input_dtype = hidden_states.dtype
hidden_states = hidden_states.to(torch.float32)
variance = hidden_states.pow(2).mean(-1, keepdim=True)
hidden_states = hidden_states * torch.rsqrt(variance + self.variance_epsilon)
return self.weight * hidden_states.to(input_dtype)
8. 关键细节解析
8.1 GQA
repeat_kv
方法用于扩展key
和value
的头维度,使其与query
的头维度匹配。expand
方法用于对张量进行扩展,不实际分配新的内存。repeat
方法通过实际复制数据来扩展张量,占用更多内存。
8.2 Rotary Position Embedding
- 通过旋转位置嵌入,使每个 token 既有相对位置信息,又有绝对位置信息
。
apply_rotary_pos_emb
函数将旋转位置嵌入应用于查询和键张量。
总结
Qwen的整体架构和实现细节为我们提供了一个强大的自然语言处理模型。通过对其结构和实现细节的深入了解,我们可以更好地理解和应用Qwen模型来解决各种自然语言处理任务。