大語言模型：原理與工程實踐

目 錄
1 解鎖大語言模型1
1.1 什么是大語言模型·1
1.2 語言模型的發(fā)展·2
1.3 GPT 系列模型的發(fā)展·3
1.4 大語言模型的關鍵技術·4
1.5 大語言模型的涌現(xiàn)能力·5
1.6 大語言模型的推理能力·5
1.7 大語言模型的縮放定律·6
參考文獻·7
2 大語言模型基礎技術·8
2.1 語言表示介紹·8
2.1.1 詞表示技術·8
2.1.2 分詞技術·9
2.2 經(jīng)典結構 Transformer·14
2.2.1 輸入模塊·15
2.2.2 多頭自注意力模塊·16
2.2.3 殘差連接與層歸一化·19
2.2.4 前饋神經(jīng)網(wǎng)絡·19
2.2.5 解碼器·19
2.3 預訓練語言模型·21
2.3.1 Decoder 的代表：GPT 系列·21
2.3.2 Encoder 的代表：BERT·23
2.4 初探大語言模型·24
2.4.1 InstructGPT·24
2.4.2 LLaMA 系列·28
參考文獻·30
3 預訓練數(shù)據(jù)構建·32
3.1 數(shù)據(jù)的常見類別及其來源·32
3.1.1 網(wǎng)頁數(shù)據(jù)·33
3.1.2 書籍數(shù)據(jù)·34
3.1.3 百科數(shù)據(jù)·34
3.1.4 代碼數(shù)據(jù)·34
3.1.5 其他數(shù)據(jù)·36
3.2 數(shù)據(jù)的預處理方式·36
3.2.1 正文提取·37
3.2.2 質量過濾·37
3.2.3 文檔去重·38
3.2.4 數(shù)據(jù)集凈化·39
3.3 常用數(shù)據(jù)集的完整構建方式 ·40
3.3.1 C4·40
3.3.2 MassiveText·40
3.3.3 RefinedWeb·41
3.3.4 ROOTS·42
3.4 難點和挑戰(zhàn)·43
3.4.1 數(shù)據(jù)收集的局限性·43
3.4.2 數(shù)據(jù)質量評估的挑戰(zhàn)·43
3.4.3 自動生成數(shù)據(jù)的風險·44
參考文獻·44
4 大語言模型預訓練·46
4.1 大語言模型為什么這么強·46
4.2 大語言模型的核心模塊·49
4.2.1 核心架構·49
4.2.2 組成模塊選型·51
4.3 大語言模型怎么訓練·60
4.3.1 訓練目標·60
4.3.2 數(shù)據(jù)配比·62
4.4 預訓練還有什么沒有解決·65
參考文獻·66
5 挖掘大語言模型潛能：有監(jiān)督微調·67
5.1 揭開有監(jiān)督微調的面紗·67
5.1.1 什么是有監(jiān)督微調·67
5.1.2 有監(jiān)督微調的作用與意義·68
5.1.3 有監(jiān)督微調的應用場景·68
5.2 有監(jiān)督微調數(shù)據(jù)的構建·69
5.2.1 有監(jiān)督微調數(shù)據(jù)的格式·69
5.2.2 有監(jiān)督微調數(shù)據(jù)的自動化構建·70
5.2.3 有監(jiān)督微調數(shù)據(jù)的選擇·75
5.3 大語言模型的微調方法·76
5.3.1 全參數(shù)微調·76
5.3.2 適配器微調·76
5.3.3 前綴微調·77
5.3.4 提示微調·78
5.3.5 低秩適配·79
5.4 大語言模型的微調和推理策略·79
5.4.1 混合微調策略·80
5.4.2 基于上下文學習的推理策略·81
5.4.3 基于思維鏈的推理策略·82
5.5 大語言模型微調的挑戰(zhàn)和探索·83
5.5.1 大語言模型微調的幻覺問題·83
5.5.2 大語言模型微調面臨的挑戰(zhàn)·84
5.5.3 大語言模型微調的探索與展望 ·84
參考文獻·85
6 大語言模型強化對齊·87
6.1 強化學習基礎 ·87
6.1.1 強化學習的基本概念·87
6.1.2 強化學習中的隨機性·88
6.1.3 強化學習的目標·89
6.1.4 Q 函數(shù)與 V 函數(shù)·89
6.2 DQN 方法·91
6.2.1 DQN 的結構·91
6.2.2 DQN 訓練：基本思想·92
6.2.3 DQN 訓練：目標網(wǎng)絡·94
6.2.4 DQN 訓練：探索策略·94
6.2.5 DQN 訓練：經(jīng)驗回放·95
6.2.6 DQN 訓練：完整算法·95
6.2.7 DQN 決策·96
6.3 策略梯度方法·96
6.3.1 策略網(wǎng)絡的結構·96
6.3.2 策略網(wǎng)絡訓練：策略梯度·97
6.3.3 策略網(wǎng)絡訓練：優(yōu)勢函數(shù)·99
6.3.4 PPO 算法·100
6.4 揭秘大語言模型中的強化建模·101
6.4.1 Token-level 強化建模·101
6.4.2 Sentence-level 強化建模·102
6.5 獎勵模型·103
6.5.1 獎勵模型的結構·103
6.5.2 獎勵模型的訓練·104
6.5.3 獎勵模型損失函數(shù)分析·106
6.6 RLHF·108
6.6.1 即時獎勵·108
6.6.2 RLHF 算法·109
6.7 RLHF 實戰(zhàn)框架·111
6.8 RLHF 的難點和問題·111
6.8.1 數(shù)據(jù)瓶頸·112
6.8.2 硬件瓶頸·113
6.8.3 方法瓶頸·114
參考文獻·115
7 大語言模型的評測·117
7.1 基座語言模型的評測·117
7.1.1 主要的評測維度和基準概述·118
7.1.2 具體案例：LLaMA 2 選取的評測基準·118
7.2 大語言模型的對話能力評測·120
7.2.1 評測任務·120
7.2.2 評測集的構建標準·131
7.2.3 評測方式·132
7.3 大語言模型的安全性評測·132
7.3.1 評測任務·133
7.3.2 評測方式和標準·134
7.4 行業(yè)大語言模型的評測：以金融行業(yè)大語言模型為例·134
7.4.1 金融行業(yè)大語言模型的自動化評測集·135
7.4.2 金融行業(yè)大語言模型的人工評測集·136
7.5 整體能力的評測·137
7.6 主流評測數(shù)據(jù)集及基準·138
參考文獻·142
8 大語言模型的應用·143
8.1 大語言模型為什么需要提示工程·143
8.1.1 人類和大語言模型進行復雜決策的對比·144
8.1.2 提示工程的作用·144
8.2 什么是提示詞·145
8.2.1 提示詞的基礎要素·146
8.2.2 提示詞設計的通用原則·146
8.3 推理引導·147
8.3.1 零樣本提示·147
8.3.2 少樣本提示·148
8.3.3 思維鏈提示·149
8.3.4 自我一致性提示·150
8.3.5 思維樹提示·151
8.4 動態(tài)交互·155
8.4.1 檢索增強生成技術·155
8.4.2 推理和行動協(xié)同技術·159
8.5 案例分析·161
8.5.1 案例介紹·161
8.5.2 工具設計·161
8.5.3 提示詞設計·165
8.5.4 案例運行·167
8.6 局限和發(fā)展·172
8.6.1 目前的局限·172
8.6.2 未來的發(fā)展·173
參考文獻·173
9 工程實踐·175
9.1 大語言模型訓練面臨的挑戰(zhàn)·175
9.2 大語言模型訓練綜述·176
9.2.1 數(shù)據(jù)并行·176
9.2.2 模型并行·179
9.2.3 ZeRO 并行·181
9.3 大語言模型訓練技術選型技巧·184
9.4 大語言模型訓練優(yōu)化秘籍·186
9.4.1 I/O 優(yōu)化·186
9.4.2 通信優(yōu)化·187
9.4.3 穩(wěn)定性優(yōu)化·190
9.5 大語言模型訓練工程實踐·190
9.5.1 DeepSpeed 架構·191
9.5.2 DeepSpeed 訓練詳解·191
9.5.3 DeepSpeed 訓練調優(yōu)實踐·194
9.6 強化學習工程實踐·196
9.6.1 DeepSpeed-Chat 混合引擎架構·196
9.6.2 DeepSpeed-Chat 訓練詳解·197
9.6.3 DeepSpeed-Chat 訓練調優(yōu)實踐·199
9.7 大語言模型推理工程·201
9.7.1 提升規(guī)模：模型量·202
9.7.2 提高并行度：張量并行·205
9.7.3 推理加速：算子優(yōu)化·207
9.7.4 降低計算量：KV-Cache·208
9.7.5 推理工程綜合實踐·210
參考文獻·212
10 手把手教你訓練 7B 大語言模型·214
10.1 自動化訓練框架·214
10.1.1 自動化訓練框架介紹·214
10.1.2 主要模塊介紹·215
10.2 動手訓練 7B 大語言模型·237
10.2.1 語料預處理·238
10.2.2 預訓練實踐·240
10.2.3 指令微調實踐·245
10.3 小結·247