LLM主要架构

标签：BERT Transformer 架构 训练 模型 任务 主要 LLM GPT

LLM本身基于Transformer架构

自2017年，Attention is all you need诞生起，原始的Transformer模型不同领域的模型提供了灵感和启发

基于原始的Transformer框架，衍生了一系列模型，一些模型仅仅使用encode或decoder，有些模型同时使用encoder + decoder。

Transformer 模型图：

LLM 分类一般分为三种：自编码模型(Encoder)、**自回归模型(decoder) **和 序列到序列模型(Encoder-decoder)

自编码模型(AE, AutoEncoder model)

代表模型BERT

AE模型，代表作BERT，其特点为：Encoder-Only

基本原理：在输入中随机MASK掉一部分单词，更精上下文预测这个词

AE模型通常用于内容理解任务，比如自然语言理解(NLU)中的分类任务：情感分析、提取式问答

BERT 是2018年10月由Google AI研究院提出的一种预训练模型

• BERT全称为：Bidirectional Encoder Representation from Transformers
• BERT在机器阅读理解顶级水平测试SQuAD1.1 中表现出惊人的成绩：全部两个衡量标准上全面超越人类，并且在11种不同NLP测试中创出SOTA表现，包括将GLUE基准推高至80.4%(绝对改进7.6%)，MultiNLI准确度达到86.7%(绝对改进5.6%)，称为NLP发展史上里程碑式的模型成就

BERT架构

总体架构：如下图所示，最左边的就是BERT的架构图，一个典型的双向编码模型。

从上面的架构图中可以看到，宏观上BERT分为三个主要模块：

• 最底层黄色标记的Embedding模块
• 中间层蓝色标记的Transformer模块
• 最上层绿色标记的预微调模块

Embedding模块

BERT中的该模块是由三种Embedding共同组成而成，如下图：

• Token Embeddings: 词嵌入向量，第一个单词是CLS标志，可以用于之后的分类任务
• Segment Embedding：句子分段嵌入张量，是为了服务后续的两个句子为输入的预训练任务
• Position Embedding： 位置编码张量
• 整个Embedding模块的输出张量就是这三个张量的直接加和结果

双向Transformer

BERT中使用了经典Transformer结构中的Encoder部分，完全舍弃了Decoder部分
两大训练任务也集中体现在训练Transformer模块中

预微调模块

经过中间层Transformer的处理后，BERT的最后一层根据任务的不同需求而作不同的调整即可

比如对于sequence-level的分类任务，BERT直接取第一个[CLS] token的final hidden state，再加一个层全连接层后进行softmax来预测最终的标签

BERT的预预测任务

• Masked LM(带mask的语言模型训练)，简称MLM

  在原始训练文本中，随机的抽取15%的token作为参与MASK任务的对象

  • 80%的概率下，用[MASK]标记替换该token
  • 在10%的概率下，用一个随机的单词替换token
  • 在10%的概率下，保持该token不变

• Next Sentence Prediction(下一句话预测任务)，简称NSP

  输入句子对(A, B)，模型来预测句子B是不是句子A的真实的下一句话。

  • 所有参与任务训练的句子都被选中作为句子A
  • 其中50%的B是原始文本中真实跟随A的下一句话(标记为IsNext，代表正样本)
  • 其中50%的B是原始文本中随机抽取的一句话(标记为NotNext，代表负样本)

数据集与BERT模型的特点

数据集如下：

​ BooksCorpus (800M words) + English Wikipedia (2,500M words)

模型的一些关键参数为：

AE模型总结

• 优点

​ BERT使用双向Transformer，在语言理解相关的任务重表现很好

• 缺点
  • 输入噪声：预训练-微调存在差异
  • 更适合NLU(自然语言理解)任务，不适合用NLG(自然语言生成)任务

PS

• 什么是自编码？
  答：在输入中随机MASK掉一部分单词，根据上下文预测找个词

• BERT模型的核心架构？
  答：Transformer的Encoder模块

• BERT的预训练任务？
  答：MLM和NSP

自回归模型(AR, AutoRegresive model)

代表模型GPT

AR模型，代表作GPT，其特点为：Decoder-Only
基本原理：从左往右学习的模型，只能利用上文或者下文的信息。
AR模型通常用于生成式任务，在长文本的生成能力很强，比如自然语言生成(NLG)领域的任务：摘要、翻译或抽象问答

2018年6月，OpenAI公司发表论文"Improving Language Understanding by Generative Pre-training"(用生成式预训练提高模型的语言理解力)，推出了具有1.17亿个参数的GPT(Generative Pre-training，生成式预训练)模型

GPT模型架构

三个语言模型的对比架构图，中间为GPT

从上图可看到GPT采用的是 单向Transformer模型，例如给定一个句子\([u_1, u_2, ..., u_n]\) ,GPT在预测单词\(u_i\)的时候只会利用\([u_1, u_2, ...,u_{(i-1)}]\) 的信息，而BERT会同时利用上下文的信息\([u_1, u_2, ...,u_{(i-1)}, u_{i+1},...,u_n]\)

GPT采用了Transformer的Decoder模块，但GPT的Decoder Block和经典Transformer Decoder Block 有所不同
GPT中取消了第二个encoder-decoder attention子层，只保留Masked Multi-Head Attention层和Feed Forward层
PS：
注意：对比于经典的Transformer架构，解码器模块采用了6个Decoder Block；GPT的架构中采用了12个Decoder Block。

GPT训练过程

GPT的训练包括两个阶段过程：1.无监督的预训练语言模型；2.有监督的下游任务fine-tunning
无监督的预训练语言模型

• 给定句子\(U = [u_1, u_2, ..., u_n]\),GPT训练语言模型时的目标是最大化下面的似然函数：

\[L_1(U) = \sum_i{logP(u_i|u_{i-k, ..., u_{i-1};\Theta})} \]

• 上述公式具体来说是要预测每个词\(u_i\)的概率，这个概率是基于它前面\(u_{i-k}\)到\(u_{i-1}\)个词，以及模型\(\Theta\),这里的k代表上文的窗口大小，理论上，k取的越大，模型所能获取的上文信息越充足，模型的能力越强。

• GPT是一个单向语言模型，模型对输入U进行特征嵌入得到Transformer第一层的输入\(h_0\),再经过多层Transformer特征编码，使用最后一层的输出即可得到当前预测的概率分布，计算过程如下：

\[h_0 = UW_e + W_p \]

$W_p$代表单词的位置编码，形状是[max_seq_len, embedding_dim],
$W_e$的形状为$[vocab\_size, embedding\_dim]$

• 得到输入张量\(h_0\)后，要将\(h_0\)传入GPT的Decoder Block中，依次得到\(h_t\):

\[h_t = transformer\_block(h_{l-1}) l \in [1, t] \]

• 最后通过得到的\(h_t\)来预测下一个单词：

\[P(u) = softmax(h_tW_e^T) \]

有监督的下游任务fine-tunning

• GPT预训练后，会针对具体的下游任务队模型进行微调
  微调采用的是 有监督学习，训练样本包括单词序列\([x_1, x_2, ..., x_n]\)和label y
  GPT微调的目标任务：根据单词序列\([x_1, x_2, ..., x_n]\)预测标签y

\[P(y|x^1, ..., x^m) = softmax(h_l^mW_y) \]

其中，\(W_y\)表示预测输出的矩阵参数，微调任务的目标是最大化下面的函数：

\[L_2 = \sum_{(x,y)}log{P(y|x^1, ..., x^m)} \]

综合两个阶段的目标任务函数，可知GPT的最终优化函数为：

\[L_3 = L_2 + \lambda L_1 \]

整体训练过程架构图
根据下游任务适配的过程分两步：

• 1. 根据任务定义不同输入
• 2. 对不同任务增加不同的分类层
     具体定义可以参见下图：
     

GTP数据集

GPT使用了BooksCorpus数据集，文本大小约5GB，包含7400W+的句子。这个数据集由7000本独立的、不同风格类型的书籍组成，选择该部分数据集的原因：

• 1. 书籍文本包含大量高质量长句，保证模型学习长距离信息依赖
• 2. 书籍未开源公布，所以很难在下游数据集上见到，更能体验模型的泛化能力

GPT模型的特点

模型的一些关键参数为：

优点

• GPT在9个任务上的表现sota
• 更易于并行化

缺点

• GPT语言模型是单向的
• 针对不同的任务，需要不同数据集进行模型微调，相对比较麻烦

PS

• 什么是自回归模型？
  答：从左往右学习的模型，只能利用上文或下文的信息

• GPT模型的核心架构？
  答：transformer 的Decoder模块(去除中间的第二个子层)

• GPT的预训练任务？
  答：无监督的预训练 和 有监督任务的微调

序列到序列模型(Sequence to Sequence Model)

代表模型T5

encoder-decoder模型同时使用编码器和解码器，它将每个task视作序列到序列的转换/生成(比如，文本到文本，文本到图像或图像到文本的多模态任务)。Encoder-decoder模型通常用于需要内容理解和生成的任务如机器翻译

T5由谷歌提出，该模型的目的是构建任务统一框架：将所有NLP任务都视为文本转换任务

通过这样的方式就能将NLP任务转换为Text-to-Text形式，也就可以用同样的模型，同样的损失函数，同样的训练过程，同样的解码过程来完成所有NLP任务。

T5模型架构与训练过程

T5模型结构与原始的Transformer基本一致，除了做了以下几点改动：

• 采用了简化版的Layer Normalization，去除了Layer Norm的bias；将Layer Norm放在残差连接外面

• 位置编码：T5使用了一种简化版的相对位置编码，即每个位置编码都是一个标量，被加在logits上用于计算注意力权重。各层共享位置编码，但是在同一层内，不同的注意力头的位置编码都是独立学习的。

自监督预训练
采用类似于Bert模型的MLM预训练任务

多任务预训练
除了使用大规模数据进行无监督预训练，T5模型还可以利用任务的标注数据进行有监督的多任务预训练，例如SQuAD问答和机器翻译等任务

T5数据集与模型的特点

• T5 数据集
  作者对公开爬取的页面数据集Common Crawl进行过滤，去掉一些重复的、低质量的、看起来像代码的文本等，并且最后只保留英文文本，得到数据集 C4:the Colossal Clean Crawled Corpus
• 模型的一些关键参数：
  

PS

• 什么是序列到序列模型？
  答：同时使用编码器和解码器，它将每个task视作序列到序列的转换/生成

• T5模型的核心架构？
  答： Transformer

• T5的预训练任务？
  答： 采用类似于Bert模型的MLM预训练任务和多任务预训练

标签：BERT,Transformer,架构,训练,模型,任务,主要,LLM,GPT
From： https://www.cnblogs.com/whiteBear/p/18478087