这篇文章介绍了近年最火的预训练大模型之一LLaMA，以及如何对它进行finetune，以应用到下游NLP、多模态等任务中，也包括如何降低finetune的资源开销，实现高性价比的大模型应用。
1、LLaMA大模型
LLaMA是今年2月份由MetaAI提出的一组预训练大模型，相关论文为LLaMA: Open and Efficient Foundation Language Models。LLaMA完全基于开源数据进行训练，实现了超越GPT3的效果。LLaMA包括多种尺寸的大模型，从7B到65B。
LLaMA的模型结构主体仍然是Transformer，基于Transformer融合了一些之前工作的优化点。这些优化点包括如下几个方面：
Pre-normalization：对Transformer每层的输入使用RMSNorm进行标准化
SwiGLU activation function：使用SwiGLU激活函数替代原来的ReLU激活函数
Rotary Embeddings：使用rotary positional embeddings（旋转式位置编码）替代原来的绝对位置编码
在优化器上，使用AdamW，并且使用了cosine learning rate schedule，学习结束阶段的学习率为初始的10%，使用梯度裁剪小于1，以及2000的warmup step。
2、Instruction Tuning LLaMA
Stanford alpaca对LLaMA采用Instruction Tuning的方式对LLaMA进行finetune，让其适配下游任务。Instruction Tuning的核心是将各类NLP任务转换成自然语言的形式，构造任务的Instruction-output对，将其输入大模型中finetune大模型参数。
具体的样本构造上，首先生成175个基础的Instruction-output对，然后将其输入到GPT-3.5中，让GPT-3.5对这些数据进行扩展，最终得到52k的训练数据，使用这些数据finetuenLLaMA-7B，最终得到的模型效果达到了接近GPT-3.5的效果。
3、高效LLaMA Finetune
上面方法的finetune效果非常惊人，能够利用GPT-3.5的数据让finetune后的LLaMA取得近乎持平的效果。但是存在的问题是这种finetune方式仍然代价较高，需要对大模型的全量参数进行finetune，运行效率较低，一般的组织也没有这种finetune大模型全量参数的资源。
高效finetune的方法已经有很多历史研究，利用Adapter系列方法，在之前的文章中也进行过详细介绍。LLaMA-Adapter: Efficient Fine-tuning of Language Models with Zero-init Attention这篇文章提出利用Adapter的思路进行LLaMA的finetune，只用8个A100 GPU，finetune1.2M的参数，就能达到接近全量finetune的效果。
LLaMA-Adapter仍然使用和Stanford alpaca相同的52k的Instruction-Output对进行finetune。区别在于，本文会将预训练LLaMA的参数冻结，通过增加prefix-prompt的方式进行finetune。这里增加的prefix-prompt是可学习的参数，也是finetune要优化的参数，它们被拼接到输入token的起始位置。这里只在最后的几层Transformer使用这些prompt，以此提升对高阶语义的理解能力。
由于增加的Prompt向量是随机初始化的，训练的开始阶段这些prompt向量训练不充分，在进行attention时可能会对后续token的信息造成负面影响。为了解决这个问题，文中提出了一种Zero-init Attention的方式。Zero-init Attention在计算attention时，使用一个门控网路对prompt向量的信息进行选择，在初始时使用较小的权重，减少其对整个序列的影响。
4、多模态LLaMA Finetune
本文还进一步将LLaMA应用到多模态任务中。应用方法为，使用一个Visual Encoder，例如CLIP，对输入的图像进行编码。然后将这个编码通过一个projection层映射后，加到Adapter中的prompt向量上，再利用上述的方法进行LLaMA的finetune。通过这种方式，可以让LLaMA适应多模态任务，根据图像信息进行表示生成。
下面是本文进行多模态LLaMA finetune后的效果case，可以看到能够比较好的解决多模态问题。
5、总结
本文介绍了大模型LLaMA以及它的finetune方法。大模型是目前NLP发展的趋势，如何在自己的业务场景上finetune大模型，让其对齐下游任务，也是业内目前的一个研究重点。在LLaMA大模型上的finetune技术探索工作，可以帮助我们进行广泛的大模型应用实践。
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
LLM大模型学习路线 ↓
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
- L2.3 流水线工程
- 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
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- 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
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
8774
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
