[个人理解] llama.cpp之sample策略

最近有点时间看了几天llama.cpp 的code，有几个点，想记录一下，不对的地方，欢迎大家指正。

话说本该去年就看，奈何这个领域变的太快，索性积累到今年，当openAI也开始挤牙膏的时候一并看了。

Summary

- llama是跟chatpgt一样，基于transformer架构的decode only的一挂，这一系列的模型擅长文字接龙

- llama的模型几个部分，tokenalize, embedding, decode, sample

这篇文章重点介绍sample这一块

sample 策略

总结起来就是，本来decode输出的是字典里面每个token是next token的概率，但是不能直接取概率最大的那一个，需要有一定的sample策略。基本上就是两步走，第一步，要先筛筛，把符合一定条件的token留下，第二步掷骰子，随机选取一个token。

先说这第一步

llama里面用的是多种策略的组合，核心的code是下面这几行。samplers_sequence里面基本上这几种策略都用了，先是top40，把概率排名前40的token留下，然后又是top p就是把概率大于p的都留下，然后是temperature的策略，把所有token的概率重新算一算，温度越高，那么所有的概率就越接近，温度越低，就让概率高的越高，概率低的越低，拉大差距，知道谁在裸泳。

for (auto sampler_type : samplers_sequence) {
    switch (sampler_type) {
        case llama_sampler_type::TOP_K    : llama_sample_top_k    (ctx_main, &cur_p, top_k,     min_keep); break;
        case llama_sampler_type::TFS_Z    : llama_sample_tail_free(ctx_main, &cur_p, tfs_z,     min_keep); break;
        case llama_sampler_type::TYPICAL_P: llama_sample_typical  (ctx_main, &cur_p, typical_p, min_keep); break;
        case llama_sampler_type::TOP_P    : llama_sample_top_p    (ctx_main, &cur_p, top_p,     min_keep); break;
        case llama_sampler_type::MIN_P    : llama_sample_min_p    (ctx_main, &cur_p, min_p,     min_keep); break;
        case llama_sampler_type::TEMPERATURE:
            if (dynatemp_range > 0) {
                float dynatemp_min = std::max(0.0f, temp - dynatemp_range);
                float dynatemp_max = std::max(0.0f, temp + dynatemp_range);
                llama_sample_entropy(ctx_main, &cur_p, dynatemp_min, dynatemp_max, dynatemp_exponent);
            } else {
                llama_sample_temp(ctx_main, &cur_p, temp);
            }
            break;
        default : break;
    }
}

再说第二步

这第二步也很简单，code里面核心部分就一行，就是根据每个token的概率值去归一化然后重新产生一组概率，这重新产生的概率和为1，然后根据这个概率分布去掷骰子，看看究竟选了哪个token的id。就结束了。

std::discrete_distribution<> dist(probs.begin(), probs.end());

差不多就是这样。

看到网上讲这一块的比较少，就记录一下。