大模型-模型架构-详细配置

静能生慧

已于 2024-09-13 19:40:54 修改

阅读量464

点赞数 5

分类专栏：大模型文章标签：大模型

于 2024-09-13 19:39:23 首次发布

本文链接：https://blog.csdn.net/sgliquangang/article/details/142215273

版权

大模型专栏收录该内容

7 篇文章 0 订阅

订阅专栏

一、详细配置简介

1、目的：配置可以提升训练稳定性、性能与计算效率的组件

2、可配置部分：

归一化
注意力机制
激活函数
位置编码

二、层归一化

1、作用：对数据进行重新放缩，提升模型的训练稳定性

2、发展过程：批次归一化->层归一化(LayerNorm)->RMSNorm、DeepNorm

3、RMSNorm：

特点：仅利用激活值综合的均方根对激活值重新缩放
优点：相比层归一化（LayerNorm）模型训练速度快、模型性能更好

4、DeepNorm

特点：基于LayerNorm，在残差连接中对激活值按照一定比例进行缩放
优点：模型层数成功被拓展至1000层，提升了训练稳定性和模型性能

5、位置

层前归一化（Pre-Norm）

位置：加在每一层之前
优点：防止模型梯度爆炸和梯度消失
缺点：模型性能低于层厚归一化

夹心归一化（SandWich-Norm）

位置：层前归一化和层后归一化的结合
优点：理论上具有更高的灵活度
缺点：实际上可能会引起模型训练崩溃

层后归一化（Post-Norm）

位置：每一层最后
优点：
- 加快神经网络收敛速度，使模型可以更有效地传播梯度，从而减少训练时间
- 降低神经网络对于超参数（如学习率、初始化参数等）的敏感度，使得网络更容易调优，并减少了超参数调整的难度
缺点：由于输出层附近存在梯度较大问题，模型训练容易出现不稳定的现象

6、总结

现有大模型中，Post-Norm很少被单独使用，通常与其他策略相结合使用，例如GLM-130B是Post-Norm与Deep-Norm一起使用

三、激活函数

1、位置

前馈网络层内

2、作用

引入非线性变换，提升模型能力

3、类型

ReLU

使用场景：原始transformer模型中采用的激活函数
计算过程：将输入的每个神经元和”零“值比较，将小于的值置为0
缺点：可能会产生神经元失效问题，置为0的神经元将学习不到有用信息

Swish

原理：将神经元和该神经元的Sigmoid激活的乘积作为新的激活函数

GELU

原理：利用标准的高斯累积分布函数作为激活函数

GLU及其变种SwiGLU、GeGLU

原理：GLU引入了两个不同的线性层，其中一个线性层的输出将被输入到一个激活函数中，其结果将和另一个线性层的输出进行逐元素相乘作为最终输出
优点：相比于其他激活函数，GLU能带来更好的性能表现
SwiGLU、GeGLU：相比于GeLU，SwiGLU和GeGLU拥有更好的性能和收敛性，但计算过程更加复杂

四、位置编码

1、绝对位置编码

2、相对位置编码

特点：可以对比训练序列更长的序列进行建模，即具备一定的外推能力，适合长文本场景

3、旋转位置编码

特点：基于绝对位置信息的旋转矩阵来表示注意力中的相对位置信息
优点：具有良好的性能级长期衰减特性
应用情况：被主流大模型广泛采用

4、ALiBi位置编码

原理：通过在建和查询之间的距离上施加相对距离相关的惩罚来调整注意力分数
特点：
- 一种特殊的相对位置编码，用于增强模型外推能力，能对远超上下文窗口更远距离的词元进行有效建模
- 内置惩罚分数，不需要引入任何可训练的参数

五、注意力机制

1、完整自注意力机制

原理：对其前面的所有词元都要进行计算，因此序列长度为T的词元需要O（T^2）的时间复杂度，多头自注意力机制，会将多个头的计算结果进行聚合，形成最终输出

2、稀疏注意力机制

特点：相比完整自注意力机制，算力消耗和计算复杂度低
滑动窗口注意力机制
- 应用最广泛的稀疏注意力机制
- 不会计算跟所有词元的注意力信息，只计算设定的窗口内的注意力信息

3、多查询/分组查询注意力机制

原理：针对不同的头共享相同的键和值变换矩阵
优点：减少防存量，提高计算强度，从而实现更快解码速度，且对模型性能影响较小
分组查询注意力机制：
- 特点：结合多查询注意力机制的效率与多头自注意力机制的性能
- 原理：将全部的头划分为若干组，并且针对同一组内的头共享相同的变换矩阵
- 优点：有效的平衡了效率和性能