为什么大模型相比中小模型，有更突出的性能和泛化能力，也许大多数人并没有想过这个问题，业内一般从函数曲线拟合的角度，来理解模型为什么能解决现实中的问题。
1、模型为什么越大，性能和泛化越好？
在AI领域，对需要解决的业务问题，将其视为满足一定条件的数据分布，先通过特征工程的方式，从业务问题中拆解出有哪些特征，然后通过分层采样的方式，均匀抽取出一定量的样本，每个样本包含业务问题所对应的特征，以此形成训练集，之后便可选择模型进行训练。假设某个业务问题，它的预测目标为一个简单的数值，而模型特征个数从0到N不等，那便可以用平面可视化的方式，展示模型复杂度对预测效果的影响，参见图1，图1中每个蓝圈表示训练集中的一个样本点，红色曲线表示模型预测值形成的曲线，绿色曲线表示其真实分布曲线，M表示模型有多少个参数。
图1 不同复杂度曲线拟合效果对比
图1中右上角的M，表示模型有几个参数，而模型采用的是多项式曲线，形如式1：
表1阐述了M取值不同时，从式1派生出的不同模型公式及其拟合效果，可见M=0或1时，由于模型过于简单，产生欠拟合状态，而M=3时，模型基本可以较好拟合训练样本所有的点，而M=9时，则严重过拟合。
从图1中可看出一种趋势，模型参数越多，模型表达特征的能力越强，其能拟合的曲线可越复杂，这一点也是大模型效果好的基本原因，因为大模型含有Billion级以上的参数数量，其表征能力是非常非常之强大，理论上能拟合宇宙中的万事万物，因为宇宙万物定律本质皆数学，皆可近似抽象为一个数学模型，哪怕中国传统的风水学、相命学等玄学无不如此，区别在于模型复杂程度不同。
当然，模型也不是越大越好，模型好坏在于模型复杂度和任务复杂度的匹配，一般来说，简单任务用简单模型，复杂任务则用复杂模型。而对于复杂任务，也不一定只能用复杂模型，如果复杂任务可拆解为数个简单任务，那也可以用数个简单模型解决数个简单任务，然后在流程上进行组合编排即可，这就回归到ImageModelFlow流程编排的范畴。
2、大模型的分层结构
大模型体系可分为三层：通用大模型层、行业大模型层和细分场景大模型层。
基于世界上各种各样的通用知识，训练出通用大模型，然后基于行业通用知识，对通用大模型进行微调，训练出行业大模型，之后便针对行业细分场景，结合行业某个垂直领域的专业知识，训练出针对某个细分场景解决方案的细分场景大模型。
除了通用大模型会从0到1构建一个通用大模型，也可基于开源通用大模型微调，行业大模型、细分场景大模型，只需基于其上层大模型微调即可。
2.1 通用大模型层
通用大模型，其用于训练的数据皆为通用知识和经验，好比一个学生十几年寒窗苦读，经过小学、中学、大学、硕士、博士几个阶段，学习和积累了大量的人类社会中的常见通用知识，对通用知识和经验是比较了解的。
当今大模型主流底座是Transformer，不同流派采用的Transformer组件也有所不同。基础大模型通常采用多任务且无监督方式来进行训练，因为大模型参数量巨大，Billion级起步，且复杂度非常高，所需的训练数据相应也非常大，否则就分分钟欠拟合状态，所以不能只靠人工标注的有监督训练，有限的成本预算是cover不住的。
通用大模型包含NLP通用大模型、CV通用大模型和多模态通用大模型，NLP通用大模型一般采用MLM(Masked Language Model)方式进行预训练，而CV通用大模型可采用强监督学习(Supervised Learning)、对比式自监督学习(Contrastive Language-Image Learning)、图文对比式学习(Image-only (Non-) Contrastive Learning)和生成式自监督学习(Masked Image Model)。
Supervised Learning强监督学习就不用说了，Masked Image Modeling和BERT的MLM子任务类似，而Contrastive Language-Image Pre-training图文对照学习，因被Stable Diffusion的Latent Diffusion Model采用以进行图文多模态信息抽取，似乎其知名度是其中最高的。
2.1.1 Contrastive Language-Image Pre-training
Contrastive Language-Image Pre-training为图文对照学习，简称CLIP，是一种文生图模型，也可输入文本查询相关的图像，因之前学习Stable Diffusion原理和源码时，发现其LDM潜空间模型会引用CLIP抽取多模态的限制条件描述，在去噪过程中通过注意力计算，获取预测当前时间步噪声所需的条件约束信息，以此有条件地生成相应的图像。
图2描述了CLIP预训练的原理，以及Zero Shot对未知数据集进行图像分类的原理。
图2 CLIP原理(来源于网络)
- CLIP预训练
CLIP预训练需要大量的图文对样本，每个样本包含一张图片和一段对该图片的文本描述，预训练时，图片经Image Encoder转换为一组向量Ii，而图片对应的文本经Text Encoder转换为一组向量Ti，一个批次的图文对经Image Encoder和Text Encoder编码转换，便可得到(I0, T0)、(I1, T1)、…、(Ibatch_size-1, Tbatch_size-1)个元组，把这些元组看成一个个二维坐标点，便可组成一个图4中左图的对照矩阵，I为纵坐标，T为横坐标，只有对照矩阵对角线上的点才是正样本，其他位置的均为负样本，所以在构建损失函数时，尽量最大化对角线上Ii * Ti的值，同时最小化其他位置Ii * Tj的值即可。
- CLIP Zero Shot分类图片
有了CLIP预训练模型，其他的下游任务就非常好办了，比如要对图像进行分类，哪怕这些分类是预训练时完全没见过的分类，都是没问题的，CLIP这种Zero Shot的神奇能力，关键在于其Text Encoder和Image Decoder，在预训练时，Text Encoder已经阅文本“无数”，而Image Decoder也阅“图片”无数，所以在陌生文本和图片来了之后，它们两个都能提取出图片或文本的特征，本质是一种Embedding信息。所以，对于图片分类任务，将不同的分类标签通过prompt组成N句话，N句话经过Text Encoder转换为N个文本Embedding向量，然后将分类图片输入Image Encoder，得到图片的Embedding向量，N个文本Embedding向量与图片Embedding向量求相似度，相似度最高的即为对应的分类。
- CLIP引发的多模态思考
从本人研究的感悟看，多模态数据，无论图片、文本、语音数据等，无论其原始数据结构是如何表达的，在多模态里，针对不同种类的数据，会分别建立不同种类的Encoder，比如Image Encoder、Text Encoder等，这些不同种类Encoder的目的或功能只有一个，将不同模态的数据Embedding到同一个高维稠密空间，在这个高维稠密空间里，表征相同含义的向量，它们的相似度或距离就越近，好比NLP中的开源Word2Vec，不同的字、词或token间，如果其语义是相近的，经word2vec映射到Embedding空间后，其间的向量相似度是非常高的，且语义越相近，向量间相似度越高，反之亦然。
更扩展一点说，比如图片和语音虽然数据表现方式不一样，但它们的含义都表示【雨天的海边】，那边经过多模态的不同Encoder进行Embedding后，在高维稠密的Embedding空间内，图片和语音的Embedding向量距离就越近或相似，而无论两个向量它们原来是什么样的表达方式，只要它们的语义或含义是相似的，两个向量间的距离就越近，这一点也为大模型后续的计算奠定了坚实的基础。
多模态是今后AI领域重点方向之一，因为AI产品的发展，会逐步从一次只能接收一种模态的数据，发展为同时接收图片、语音、文本等其他模态的数据，使AI智能体就像人一样，同时能接收视觉、听觉、触觉、味觉、嗅觉的人类五个感官的数据，然后像人一样同时处理五感数据，定会有不一样的效果。
后面会对BLIP、BLIP v2、LLava等多模态模型做点研究，跟进这块技术的发展。
2.1.2 Masked Image Modeling
Masked Image Modeling训练方式，比较类似于BERT的MLM子任务，先将预训练图片通过Vit拆分为多个patch，然后随机将这些patch擦去(masked)，然后让模型预测这些masked的patch，是一种无监督的预训练方式，省去了大量标注所需的成本。
2.2 行业大模型
行业大模型，基于通用大模型和行业数据微调而来，因为通用大模型只具有通识能力，对某个行业具体的知识还有所欠缺，所以需要补充些许行业具体知识，再微调训练下即可，好比一个人经过十几年寒窗苦读，大学毕业后，只学到了通用的基础知识，如果要进入社会工作，还需要再补充一些社会上的知识和行业专业技能，AI在这点上和人的经历也是相通的。
2.2.1 大模型微调技术
图3展示了当今大模型主流的微调技术，Lora、Prefix Tuning、P-Tuning/v2等，此外，LangChain在一定程度上，也可视为一种微调手段。
图3 大模型主流微调技术(来源于网络)
1）LoRA微调
LoRA是Low Rank Adaptation的简写，中文名为低秩分解，图4描述了LoRA微调原理。
任何一个深度学习模型，其构成的基本单元包括可训练参数、不可训练且用于持久化存储模型状态的buffer等，微调LLM时只考虑可训练参数，每个可训练参数都会对应一个权重矩阵W，图6中间左侧的W即表示某个可训练参数的权重矩阵，其维度为d*d。
图4 LoRA微调原理(来源于网络)
LoRA微调LLM的思想，是冻结所有可训练参数的权重矩阵W，同时在W旁侧，并行引入一个新的参数调节矩阵ΔW，微调时只调整ΔW的权重值，即新的知识保存在ΔW中，经微调后输出的LLM，其可训练参数的权重矩阵值由W +ΔW共同决定。因为保留了原始大模型的权重，也学到了新的知识，W +ΔW操作使新旧知识通过加法操作进行融合，所以既改进了大模型，也很大程度上避免知识遗忘的问题，而知识遗忘在Prefix Tuning和P-Tuning/v2上却是很明显的，尤其在训练轮次较多的情况下，更为明显。
在具体操作上，Lora引入两个低秩矩阵A和B，构成一条旁路，秩就是线性代数中矩阵的秩，是一种压缩矩阵的做法，减少了很多矩阵参数。A和B矩阵的秩都为r，A矩阵的维度是d*r，B矩阵的维度是r*d，A矩阵相当于一个Encoder，B矩阵相当于Decoder，Encoder对新知识数据进行提炼和内化，Decoder用于生成适用于原始大模型的知识表达。
A*B的维度为d*d，与原始权重W维度相同，可直接矩阵相加进行新旧知识融合。
其实Lora原理就是一个公式：
清华智谱ChatGLM3-6b源码中提供的微调方式就是LoRA，Lora还有一些变体QLoRA等。
图5 ChatGLM3-6b模型微调demo
2) Prefix Tuning
Prefix Tuning是一种加前缀的微调方法，在模型的每一层加入一定数量的前缀token，如图6所示。在Prefix Tuning刚提出时，只在Embedding层添加前缀token，后面发现任务变得复杂后，Embedding层的prefix token表现力不够，所以拓展到每层都添加。微调时，会冻结除prefix token外的其他参数，仅更新prefix token，由于是迭代梯度下降修改模型参数参数，所以此种方式容易产生知识遗忘的问题。
个人理解这种微调方式，是引入一些prefix token，相当于预留字段，专门保存新数据集的特有知识信息，然后通过相当于向量拼接(Concat)的方式进行信息融合，达到微调的目的，因为每次迭代会冲掉参数原有的信息，所以迭代次数多了后，会有比较明显的原有模型知识遗忘问题。
图6 Prefix Tuning原理示意
3) P-Tuning v1/ v2
目前的大模型，都依赖于提供给它的Prompt文本质量，好的Prompt文本，会最大程度发挥大模型的能力，不好的Prompt文本，则无法发挥大模型应有的能力，甚至还会把大模型的缺陷短板给暴露出来。因此，Prompt Engineering(提示词工程)就被提出来了，研发和管理Prompt Template也成为大模型工作的一部分。
提示词工程盛行的现象，和搜索引擎刚刚出来时有点像，早期的搜索引擎还不成熟，对搜索关键字的内容和组织方式也有偏好倾向，然后出现了各种如何组织搜索关键字的tip工程，如今的提示词工程也应该是这种tip工程，随着大模型技术的不断完善，对语义的把握越来越强，提示词工程应该会慢慢退出历史舞台，届时人们随意输入Prompt内容，都能得到期望的结果。
个人感觉造成大模型要靠Prompt Engineering来最大化其能力输出的局面，可能和大模型的结构、训练数据的组成结构、训练方式有关，相对于特定的模型结构、数据结构、训练方式，大模型学到了模型-数据-任务间的一种或几种关联关系，这些特定的关联模式和逻辑，需要特定的Prompt才能完全触发和命中，而不同厂家和品牌的大模型，模型结构、数据结构和训练方式肯定多少不一样，这也说明了为什么不同品牌的大模型，其Prompt Template都不太一样。
如果用过大模型，可能会发现相同含义但不同表达的话语，大模型输出的内容不太一样，质量也参差不齐，比如图7所示，“DataFrame是什么”、“什么是DataFrame”2个不同话术，产生的结果也有明显不同，而P-Tuning就是要解决的问题，就是语义相近的Prompt，尽量产生相近似的输出，至少不要产生互相矛盾的结果。
图7 不同话术的效果
图8描述了P-tuning的技术原理，相较于普通的训练方式，P-Tuning在Embedding层之前，引入了一个Prompt Encoder，而在Prompt前后加了一些伪Prompt，Prompt+伪Prompt一起传给Prompt Encoder，Prompt Encoder会在Prompt中挑选出重要的字/词作为anchor输出，其他位置hi的输出为不具特定含义的隐层，输出给Embedding，再到LLM进行训练，然后输出结果反向传播。
图8 P-tuning原理
P-Tuning v2在P-Tuning的基础上，在transformer每一个Attention Block的Embedding层均做微调，P-Tuning只在第一个Attention Block进行微调，因此v2版本的P-Tuning的表征能力和效果，比v1版本强一些。
4) LangChain
LangChain是一个大模型应用开发框架，用于简化大模型的应用开发，包含Models、Chains、Prompts、Memory、Indexes和Agents六大组件，这里只是强调LangChain相当于微调的功能部分，其他的提示词模板、向量数据库、文档加载器、链、Agents等功能，暂不做说明。
图9描述了LangChain扩展LLM模型能力的原理，首要工作是构建行业知识向量库，即将大模型不具务的行业知识，经由LangChain Loader组件加载进内存，然后通过Text Splitter拆分为一个个Chunk，一个个Chunk经过Embedding组件映射进特征向量空间，然后将Embedding后的chunk向量存入向量数据库，向量数据库可使用VectorStore、Pinecone或Faiss等。值得注意的是，语义相似的chunk，经Embedding后得到向量，其相似度则比较高，反之则比较低，这是后续文本聚类、搜索、推荐等任务的理论基础。
然后就可以基于行业知识向量库，进行知识问答，即用户提问了一个Query，经由Embedding组件将Query映射到特征向量空间，然后将Query的Embedding向量，交由向量数据库匹配最相似的top k个上下文chunk段，匹配策略就是相似度计算和KNN搜索，然后将这些匹配得到的chunk段文本和query文本，基于PromptTemplate构建提示词，提示词再传给LLM，即可完成一轮对话。
可见LangChain方案在一定程度上，不需要finetune LLM，就可使LLM迁移到新的数据集上，知识问答类或类似NLP任务，都可以如此实现。
图9 LangChain扩展LLM模型能力
2.3 细分场景大模型
细分场景大模型，直接基于行业大模型孵化出来，所需数据量和微调成本都很少，可很快地训练出来，这应该是日常工作中，接触最多的一类大模型，也是大模型三层架构中模型数量最多的一层。细分场景大模型层中有众多不同功能的大模型，便组成了一个工具库，面对不同的实际场景，从工具库中挑选合适好用的大模型，往往是比较关键的，如果工具库中的大模型都不满足要求，必要时还是需要收集场景数据，训练新的场景大模型，并添加至工具库。
现实中的场景问题，一般都比较复杂，不太是一个模型就能完全解决的，需要将复杂问题进行拆解，得到一系列简单问题，每个简单问题用适合该问题的模型来解决，最后将多个模型的输出结果进行组装运算，得到最终的计算结果。
3、大模型底层基座
如今众多的大模型，它们的模型底座是Transformer，Pytorch框架已经提供了官方实现的Transformer框架，使得大模型的构建开发更加方便，也更加标准化一点。
3.1 Transformer模型结构
图10描述了Transformer架构简图，Transformer为一种Encoder-Decoder框架，模型左侧为Encoder，模型右侧为Decoder，Encoder和Decoder可以包含多个层，上一层的输入来自下层的输出。
Encoder每一层为一个Encoder Block，每个Block内部均会计算输入向量的Self Attention，Self Attention的感受野是双向的，即一个文本序列，某个时间步的注意力可以兼顾前文和后文的信息，注意力的计算如图14中Dot Attention所示那样。
由于Attention计算时，将当前batch的所有样本一次性输入给Transformer，所以Transformer可以将batch批次所有样本(T, B, C)的C维度等分为h段，每一段可独立执行Dot Attention的计算，因此可以将Attention的计算挪到GPU，大为提高了NLP任务的处理效率，是一个里程碑式的存在，在此之前的NLP任务，处理的数据都是时序数据，而时序特征作为NLP任务最为重要的特征，同时因为时序的存在，操作必须是串行操作，所以无法利用GPU的并行高速计算能力，使得NLP任务一度训练和推理速度比较慢，而这一瓶颈被Transformer引入的位置编码(Position Embedding)巧秒解决，位置编码对每个位置的Token Embedding加上一个各自不同的数值，以区分不同的位置，这样即使文本序列中有多个相同的字或词，但因各自人位置编码不同，以此区别同一文本在不同位置，其表达的含义是不同的，从而完美替代时序特征，也就是说无需按时间顺序串行一个字一个字地处理序列数据。
图10 Transformer架构简图
更本质一点说，Transformer的本质就是Attention的计算，性能瓶颈也在于Attention计算，对于大模型训练和推理来说，由于参数量Billion级别起步，Attention计算耗费的性能占比是最大的，而实际上Attention计算存在比较多的冗余，在DDPM开启了进入AIGC时代的可能，但也由于高分辨率图像带来的巨量Attention计算，甚至使得普通消费级显卡无法承受推理过程中的Attention计算开销，所以XFormer带来了Cross Attention，使得Attention的计算速度和存储效率有了质的提高，将Attention计算的时间复杂度从O(N2D)降低为O(ND2)，N为时间步数，D为每个时间步的特征维度。
3.2 XFormer
图11描述了XFormer模型结构，其中最关键的部件为XFA(Cross Feature Attention)，用于替代传统的Attention计算框架，XFA有两个改进点：1）去掉了softmax的计算; 2）将K矩阵拆分为上下文分数矩阵Kc和特征要素分数矩阵Kf。
图11 XFormer结构(来源于网络)
- 替代昂贵的softmax
Softmax带有指数运算，其计算代价是比较大的，XFA对Q和K做了近似softmax替换：
即用向量(T, B, C)中C通道的维度值D，对向量进行L2正则化，L2正则化后的向量值，近似于归一化的效果，从而近似代替Softmax，提高计算效率。
- 将K矩阵拆分为Kc和Kf
K矩阵维度为(T, C)，Kc的维度为(T, 1)，Kf的维度为(1, C)，Kc*Kf的维度为(T, C)，因此Kc和Kf从矩阵计算上看，可以替代原来的矩阵K，但Kc和Kf两个矩阵的参数之和，比矩阵K小很多，这样就提高了计算和存储效率，这点是MobileNet的核心思想在XFormer中的应用。
XFA完整的计算公式如下：
Kc为查询上下文分数，通俗一点理解，其表示VQT中哪些位置的元素比较重要，然后保留VQT中重要的元素，去除不重要的元素。而Kf表示查询特征要素分数，表示VQT所有元素的C维度中的哪些特征值比较重要，然后保留比较重要的特征值，去除不重要的特征值，可见Kc和K相当于指示器，告诉模型只计算哪些位置的Attention，其他位置的Attention置0即可。
关注更多安卓开发、AI技术、股票分析技术及个股诊断等理财、生活分享等资讯信息，请关注本人公众号(木圭龙的知识小屋)
标签：训练,矩阵,模型,Attention,导论,Encoder,Embedding From： https://www.cnblogs.com/tgltt/p/18517304