大规模语言模型--LLaMA 家族

LLaMA 模型集合由 Meta AI 于 2023 年 2 月推出，包括四种尺寸(7B 、13B 、30B 和 65B)。由于 LLaMA 的开放性和有效性，自从 LLaMA 一经发布，就受到了研究界和工业界的广泛关注。LLaMA 模型在开放基准的各种方面都取得了非常出色的表现，已成为迄今为止最流行的开放语言模型。大批研究人员通过指令调整或持续预训练扩展了 LLaMA 模型。特别需

hanscal

1746人浏览 · 2023-09-28 23:37:09

hanscal · 2023-09-28 23:37:09 发布

LLaMA是在训练一系列模型中，通过训练比通常来说更多的 tokens，在不同的推理预算下达到尽可能好的性能而最终产生的模型。其参数范围为 70 亿(7B)到 650 亿(65B)。LLaMA 的预训练数据包含：CommonCrawl， C4 ，Github ，Wikipedia ，Books ，ArXiv，以及 StackExchange。

LLaMA 也使用了基本的 transformer 架构，并利用了以前的语言模型提出的各种改进：

预归一化为了提升训练的稳定性， LLaMA 使用了 RMSNorm将每个 transformer 子层的输入归一化而不是归一化输出。
SwiGLU 激活函数将 ReLU 激活函数替换为 SwiGLU 激活函数，维度变为 2/3 * 4d 而不是 PaLM 中的 4d。
旋转嵌入将每层的绝对位置嵌入替换为旋转位置嵌入(RoPE)。

另外，该模型使用了 AdamW 优化器进行训练。其超参数为 β 1 = 0.9 ，β2 = 0.95。使用余弦学习率调度，使最终学习率为最大学习率的 10%。权重衰减为 0.1，梯度裁剪为 1.0，使用了 2000 个预热步骤，而且根据模型大小调整学习率和批次处理大小。

LLaMA 使用了两种方法提高模型的训练速度。首先是使用 causal 多头注意力来减少内存使用量和运行时间。这种方法可以通过 xformers 库实现。这种效果是由于它不存储注意力权重以及它不计算被掩盖的 key 和 query 的分数而产生的。接着是通过检查点减少向后传播期间重新计算的激活量。这是通过手动实现transformer 的向后传播函数来实现的。为了充分利用这个优化，需要通过模型和序列并行来减少模型的内存使用。另外，使用 all_reduce 尽可能地重叠激活函数计算和GPU 之间通过网络的通信。

从结论上来说， LLaMA- 13B 的性能比 GPT-3 更强，但模型大小是其十分之一。而 LLaMA-65B 的表现可以与 Chinchilla-70B 和 PaLM-540B 竞争。与以前的模型不同， LLaMA 展示了仅使用公共数据集也能达到最先进的性能。

为有效适应非英语语言的 LLaMA 模型，通常需要扩展原来的词汇(训练语料库主要是英语) 或使用指令或数据对其进行微调目标语言。在这些扩展模型中，斯坦福大学发布的 Alpaca 是第一个基于 LLaMA (7B) 进行指令微调的开放模型。由 52K 训练使用 text-davinci-003 通过 selfinstruct 生成的指令遵循演示。指令名为Alpaca- 52K 的数据和训练代码在后续工作中被广泛采用，例如 AlpacaLoRA 、LoRA 、Koala 和 BELLE。此外， Vicuna [120] 是另一种流行的 LLaMA 变体，经过训练根据从 ShareGPT 16 收集的用户共享对话。由于其卓越的性能和可用性 LLaMA 模型家族，许多多模态模型将它们作为基础语言模型，以实现强大的语言理解和生成能力。比较的与其他变体相比，骆马毛在多式联运中更受青睐语言模型，这导致了各种流行模型的出现，包括 LLaVA、MiniGPT4、InstructBLIP 和 PandaGPT。LLaMA 的发布极大地推进了大规模语言模型的研究进展。在下图中展示了一个 LLaMA 简短的进化图。

LLaMA 简短的进化图

预训练数据

LLaMa 预训练数据大约包含 1.4T tokens，7B 和 13B 版本使用了 1T 的 tokens 进行训练， 33B 和 65B 的版本使用了 1.4T 的 tokens 进行训练。对于绝大部分的训练数据，在训练期间模型只见到过 1 次， Wikipedia 和 Books 这两个数据集见过 2 次。下表所示是 LLaMa 预训练数据的占比和分布，其中包含了 CommonCrawl 和 Books 等不同域的数据。

LLaMA 的预训练数据的占比和分布

English CommonCrawl [67%]：对五个 CommonCrawl 数据集进行预处理，时间跨度从 2017 年到 2020 年，使用 CCNet 流水线。该过程在行级别进行数据去重，使用fastText 线性分类器进行语言识别，以删除非英语页面，并使用 n-gram 语言模型过滤低质量内容。此外，还训练了一个线性模型，用于将页面分类为 Wikipedia 中的引用页面与随机抽样页面，并丢弃未被分类为引用的页面。
C4 [15%] 。C4 的预处理还包括去重和语言识别步骤：与 CCNet 的主要区别在于质量过滤，这主要依赖于标点符号的存在或网页中的词语和句子数量等启发式方法。
Github [4.5%]。使用 Google BigQuery 上可用的公共 GitHub 数据集。只保留了在Apache、BSD 和 MIT 许可下发布的项目。此外，使用基于行长度或字母数字字符比例的启发式方法过滤低质量文件，并使用正则表达式删除了诸如头文件之类的样板文件。最后，对生成的数据集进行了文件级别的去重，使用完全匹配的方法。
Wikipedia [4.5%]。添加了截至 2022 年 6 月至 8 月的 Wikipedia 数据，涵盖 20 种语言。处理数据以去除超链接、评论和其他格式样板。
Gutenberg and Books3 [4.5%]。添加了两个书的数据集，分别是 Gutenberg 以及 ThePile (训练 LLM 的常用公开数据集) 中的 Book3 部分。处理数据时执行重复数据删除，删除内容重叠超过 90。
ArXiv [2.5%]。处理了 arXiv Latex 文件，以添加科学数据到数据集中。移除了第一节之前的所有内容，以及参考文献。还移除了.tex 文件中的注释，并且内联展开了用户编写的定义和宏，以增加论文之间的一致性。
Stack Exchange [2%]。作者添加了 Stack Exchange，这是一个涵盖各种领域的高质量问题和答案网站，范围从计算机科学到化学。作者从 28 个最大的网站保留数据，从文本中删除 HTML 标签并按分数对答案进行排序。

模型架构

LLaMA 的模型架构与 GPT 相同，采用了 causal decoder-only 的 transformer 模型结构，如下图所示，不过也利用了随后提出的各种改进，这些改进也在不同模型(如 PaLM)中得到了应用，模型的主要特点为：

前置的 RMSNorm，为了提升训练的稳定性，没有使用传统的 post layer norm，而是使用了 pre layer Norm。
在 Q 、K 上使用RoPE 旋转式位置编码。
MLP 表达式 down(up(x)) × SwiGLU (gate(x)) ，其中 down, up, gate 都是线性层。
V2 的文本输入长度为 4096，使用了 Group Query Attention。
LLaMA 可以将更早的 K 、V 拼接到当前 K 、V 前面，可以用Q 查找更早的信息。

LLaMA 的模型架构示意图

Pre-normalization

受到 GPT3 的启发，为了提高训练稳定性， LLaMa 对每个 Transformer 子层的输入进行归一化，而不是对输出进行归一化， LLaMa 使用了 RMSNorm 归一化函数。

要讲 Layer Normalization，先讲讲为什么要做 Normalization，Normalization 通过将一部分不重要的信息损失掉，以此来降低拟合难度以及过拟合的风险，从而加速模型收敛。其目的是让分布稳定下来(降低各个维度数据的方差)。

不同的特征具有不同数量级的数据，它们对线性组合后的结果的影响所占比重就很不相同，数量级大的特征显然影响更大。做 Normalization 可以协调在特征空间上的分布，更好地进行梯度下降；
在神经网络中，特征经过线性组合后，还要经过激活函数，如果某个特征数量级过大，在经过激活函数时，就会提前进入它的饱和区间(比如 sigmoid 激活函数)，即不管如何增大这个数值，它的激活函数值都在 1 附近，不会有太大变化，这样激活函数就对这个特征不敏感。在神经网络用 SGD 等算法进行优化时，不同量纲的数据会使网络失衡，很不稳定。

Normalization 的方式主要包括以下几种方法：BatchNorm (2015 年)、LayerNorm (2016 年)、InstanceNorm (2016 年)、 GroupNorm (2018 年)。

BatchNorm：batch 方向做归一化，算 NHW 的均值，对小 batchsize 效果不好；BN 主要缺点是对 batchsize 的大小比较敏感，由于每次计算均值和方差是在一个 batch 上，所以如果 batchsize 太小，则计算的均值、方差不足以代表整个数据分布；
LayerNorm：channel 方向做归一化，算 CHW 的均值，主要对 RNN 作用明显；
InstanceNorm：一个 channel 内做归一化，算 H*W 的均值，用在风格化迁移；因为在图像风格化中，生成结果主要依赖于某个图像实例，所以对整个 batch 归一化不适合图像风格化中，因而对 HW 做归一化。可以加速模型收敛，并且保持每个图像实例之间的独立。
GroupNorm：将 channel 方向分 group，然后每个 group 内做归一化，算 (C//G)HW 的均值；这样与batchsize 无关，不受其约束。在 batchsize<16 的时候, 可以使用这种归一化。
SwitchableNorm：将 BN 、LN 、IN 结合，赋予权重，让网络自己去学习归一化层应该使用什么方法。

Batch Normalization 存在的一些问题：即不适用于什么场景。BN 在 mini-batch 较小的情况下不太适用。BN 是对整个 mini-batch 的样本统计均值和方差，当训练样本数很少时，样本的均值和方差不能反映全局的统计分布信息，从而导致效果下降。BN 无法应用于 RNN。RNN 实际是共享的 MLP，在时间维度上展开，每个 step 的输出是 (bsz, hidden_dim)。由于不同句子的同一位置的分布大概率是不同的，所以应用 BN 来约束是没意义的。而 BN 应用在 CNN 可以的原因是同一个 channel 的特征图都是由同一个卷积核产生的。

BN 是对batch 的维度去做归一化，也就是针对不同样本的同一特征做操作。LN 是对hidden 的维度去做归一化，也就是针对单个样本的不同特征做操作。因此 LN 可以不受样本数的限制。具体而言， BN 就是在每个维度上统计所有样本的值，计算均值和方差；LN 就是在每个样本上统计所有维度的值，计算均值和方差(注意，这里都是指的简单的 MLP 情况，输入特征是(bsz，hidden_dim))。所以 BN 在每个维度上分布是稳定的， LN 是每个样本的分布是稳定的。

常规的 Layer Normalization：

式中， gi 和 bi 是 Layer Normalization 的 scale (初始化为 1)和 shift 参数， µ 和 σ 的计算如下式所示：

而 RMSNorm，相当于是去掉了 µ 这一项。

RMSNorm 在 HuggingFace Transformer 库中代码实现如下所示：

SwiGLU 激活函数

受 PaLM 的启发， LLaMa 使用SwiGLU 激活函数替换 ReLU 以提高性能，维度从 4d 变为 2/3 * 4d 。SwiGLU 是 2019 年提出的新的激活函数，它结合了SWISH 和 GLU 两种者的特点。SwiGLU 主要是为了提升 Transformer 中的 FFN(feed-forward network) 层的实现。FFN 通常有两个权重矩阵，先将向量从维度 d 升维到中间维度 4d，再从 4d 降维到d。而使用 SwiGLU 激活函数的 FFN 增加了一个权重矩阵，共有三个权重矩阵，为了保持参数量一致，中间维度采用了2/3 * 4d ，而不是 4d。

其中， σ(x) 是 Sigmoid 函数。下图给出了 Swish 激活函数在参数 β 不同取值下的形状。可以看到当β 趋近于 0 时， Swish 函数趋近于线性函数 y = x，当 β 趋近于无穷大时， Swish 函数趋近于 ReLU 函数， β 取值为 1 时， Swish 函数是光滑且非单调。

Swish 激活函数在参数 β 不同取值下的形状

Rotary Position Embedding

旋转位置编码是一种能够将相对位置信息依赖集成到 self-attention 中，并提升 transformer 架构性能的位置编码方式。受 GPTNeo 的启发， LLaMa 没有使用之前的绝对位置编码，而是使用了旋转位置编码(RoPE)，可以提升模型的外推性，这也目前大模型相对位置编码中应用最广的方式之一。模型的外推性是指大模型在训练时和预测时的输入长度不一致，导致模型的泛化能力下降的问题。例如，如果一个模型在训练时只使用了 512 个 token 的文本，那么在预测时如果输入超过 512 个 token，模型可能无法正确处理。这就限制了大模型在处理长文本或多轮对话等任务时的效果。

在 Transformer 结构中做 self-attention 之前，会用词嵌入向量计算q, k,v 向量同时加入位置信息， RoPE 借助了复数的思想，出发点是通过绝对位置编码的方式实现相对位置编码。其目标是通过下述运算来给 q，k 添加绝对位置信息, 函数公式表达如下：

其中 qm 表示第 m 个 token 对应的词向量 xm 集成位置信息 m 之后的 query 向量。而 kn 和 vn 则表示第 n 个 token 对应的词向量 xn 集成位置信息 n 之后的 key 和value 向量。而基于 transformer 的位置编码方法都是着重于构造一个合适的 f (q, k, v) 函数形式。

而计算第 m 个词嵌入向量 xm 对应的 self-attention 输出结果，就是 qm 和其他 kn 都计算一个 attention score，然后再将 attention score 乘以对应的 vn 再求和得到输出向量 om ：

对于位置编码，常规的做法是在计算 query, key 和 value 向量之前，会计算一个位置编码向量 pi 加到词嵌入 xi 上，位置编码向量 pi 同样也是 d 维向量，然后再乘以对应的变换矩阵 W，即 f (xi , i) = W(xi + pi )，而经典的位置编码向量 pi 的计算方式是使用 Sinusoidal 函数：

其中 pi,2t 表示位置 d 维度向量 pi中的第 2t 位置分量也就是偶数索引位置的计算公式，而 pi,2t+1 就对应第 2t +1 位置分量也就是奇数索引位置的计算公式。

对于 2 维旋转位置编码，为了能利用上 token 之间的相对位置信息，假定 query 向量 qm 和 key 向量 kn 之间的内积操作可以被一个函数 g 表示，该函数g 的输入是词嵌入向量 xn 、xm 和它们之间的相对位置 m - n：

假定现在词嵌入向量的维度是两维 d = 2 ，这样就可以利用上 2 维度平面上的向量的几何性质，然后论文中提出了一个满足上述关系的 f 和 g 的形式如下：

这里面 Re 表示复数的实部。进一步地， fq 可以表示成下面的式子：

这里会发现，这相当于 query 向量乘以了一个旋转矩阵，这就是为什么叫做旋转位置编码的原因。同理， fk 可以表示成下面的式子：

最终， g(xm , xn , m − n) 可以表示如下：

当然，还可以将旋转位置编码从 2 维推广到任意维度。总结来说， RoPE 的 self-attention 操作的流程是：对于 token 序列中的每个词嵌入向量，首先计算其对应的 query 和 key 向量，然后对每个 token 位置都计算对应的旋转位置编码，接着对每个 token 位置的 query 和 key 向量的元素按照两两一组应用旋转变换，最后再计算 query 和 key 之间的内积得到 self-attention 的计算结果。下图展示了旋转变换的过程：

RoPE 的旋转变换过程示例

RoPE 具有很好的外推性，而且研究实验也证明了这一点，这里解释下具体原因。RoPE 可以通过旋转矩阵来实现位置编码的外推，即可以通过旋转矩阵来生成超过预期训练长度的位置编码。这样可以提高模型的泛化能力和鲁棒性。

回顾一下 RoPE 的工作原理：假设我们有一个 d 维的绝对位置编码 Pi ，其中 i 是位置索引。我们可以将 Pi 看成一个 d 维空间中的一个点。我们可以定义一个 d 维空间中的一个旋转矩阵 R，它可以将任意一个点沿着某个轴旋转一定的角度。我们可以用 R 来变换 Pi ，得到一个新的点 Qi = R * Pi。我们可以发现， Qi 和 Pi 的距离是相等的，即 ||Pi − Qi || = 0。这意味着 Pi 和 Qi 的相对关系没有改变。但是， Pi 和 Qi 的距离可能发生改变，即 ||Pi − Pj ||不等于||Qi − Pj ||。这意味着 Qi 和 Pj 的相对关系有所改变。因此，我们可以用 R 来调整不同位置之间的相对关系。

如果我们想要生成超过预训练长度的位置编码，我们只需要用 R 来重复变换最后一个预训练位置编码 Pn ，得到新的位置编码 Qn+1 = R*Pn , Qn+2 = R*Qn+1 , Qn+3 = R*Qn+2 ，依此类推。这样就可以得到任意长度的位置编码序列 Qn+1 , Qn+2 , ..., Qm ，其中 m 可以大于 n。由于 R 是一个正交矩阵，它保证了 Qi 和 Qj 的距离不会无限增大或缩小，而是在一个有限范围内波动。这样就可以避免数值溢出或下溢的问题。同时，由于R 是一个可逆矩阵，它保证了 Qi 和 Qj 的距离可以通过 R 的逆矩阵 R− 1 还原到 Pi 和 Pj 的距离，即 ||R− 1 *Qi −R− 1 *Qj || = ||Pi −Pj ||。这样就可以保证位置编码的可逆性和可解释性。所以，旋转位置编码总结而言：

旋转编码 RoPE 可以有效地保持位置信息的相对关系，即相邻位置的编码之间有一定的相似性，而远离位置的编码之间有一定的差异性。这样可以增强模型对位置信息的感知和利用。这一点是其他绝对位置编码方式(如正弦位置编码、学习的位置编码等) 所不具备的，因为它们只能表示绝对位置，而不能表示相对位置。
旋转编码 RoPE 可以通过旋转矩阵来实现位置编码的外推，即可以通过旋转矩阵来生成超过预训练长度的位置编码。这样可以提高模型的泛化能力和鲁棒性。这一点是其他固定位置编码方式(如正弦位置编码、固定相对位置编码等) 所不具备的，因为它们只能表示预训练长度内的位置，而不能表示超过预训练长度的位置。
旋转编码 RoPE 可以与线性注意力机制兼容，即不需要额外的计算或参数来实现相对位置编码。这样可以降低模型的计算复杂度和内存消耗。这一点是其他混合位置编码方式(如 Transformer-XL 、XLNet 等) 所不具备的，因为它们需要额外的计算或参数来实现相对位置编码。

RoPE 在 HuggingFace Transformer 库中代码实现如下所示：

模型超参数

不同规模 LLaMA 模型所使用的具体超参数如下表所示。

LLaMA 不同模型规模下的具体超参数细节

Group Query Attention(V2 only)

自回归模型生成回答时，需要前面生成的 KV 缓存起来，来加速计算。多头注意力机制 (MHA) 需要的缓存量很大， Multi-Query Attention(MQA) 指出多个头之间也可以共享 KV 对， MQA 还可能会导致质量下降，而且可能不希望仅训练一个单独的模型以实现更快的推理。Group Query Attention(GQA) 没有像 MQA 一样极端，将 query 分组，组内共享 KV，效果接近 MQA，，即分组查询注意力将查询头分成 G 组，每组组共享单个键头和值头，速度上与 MQA 可比较，分组查询注意力如下图所示。GQA-G 是指 G 组分组查询；GQA- 1 指单个组，只有单个键和值头，相当于 MQA；而 GQA-H 的组等于头数，相当于 MHA。在将多头检查点转换为 GQA 检查点时，通过平均池化该组内的所有原始头来构建每个组键和值头。

分组查询注意力示例

中间组数导致插值模型的质量高于 MQA，但比 MHA 更快。从 MHA 到 MQA 将 H 键和值头减少到单个键和值头，减少了键值缓存的大小，因此需要加载的数据量 H 倍。然而，较大的模型通常缩放头部的数量，使得多查询注意力在内存带宽和容量方面都代表了更积极的切割。GQA 允许随着模型大小的增加保持相同的带宽和容量比例下降。此外，较大的模型受到关注的内存带宽开销相对较小，因为 KV-cache 随模型维度缩放，而模型 FLOPs 和参数随模型维度的平方缩放。

HuggingFace Transformer 库中 LLaMA 解码器整体实现代码实现如下所示：