一镜到底，通过Llama大模型架构图看透transformers原理
Llama Nuts and Bolts是Github上使用Go语言从零重写Llama3.1 8B-Instruct模型推理过程（80亿参数规模）的实战类开源项目，其作者是来自土耳其的Adil Alper DALKIRAN。
如果你对于 LLM（大语言模型）和 Transformers 的工作原理感兴趣，并对相关概念略知一二，但仍想深入理解，那么这个项目非常适合你！
这个项目最大的特色是：
-
使用Go语言从零开发，不依赖任何机器学习库和数学计算库，走出 Python 生态的舒适区
-
配备完整的大模型推理的流程图，透视大模型如何运作的细节
-
完备的文档和代码说明，能够亲身体验机器学习的基础知识、Transformers 模型、注意力机制、旋转位置嵌入（RoPE）以及背后的数学原理
Llama Nuts and Bolts项目代码和文档地址：
需要注意的是，该项目仅为教育目的开发，未经过生产环境或商业使用测试。其目标是创建一个实验性项目，能够在完全不依赖 Python 生态系统的情况下对 Llama 3.1 8B-Instruct 模型进行推理。
这个项目使用Go语言，不使用任何现有的机器学习或数学计算库，从零实现一个控制台应用程序，通过使用预训练的 Llama 3.1 8B-Instruct 模型参数生成文本输出。
开发这个项目的过程使作者深入研究了 transformers 模型的内部结构，并发现了之前没有意识到的细节，包括作者已经了解的理论知识，还有需要重新学习的新内容，并从中获得了新见解。
Llama Nuts and Bolts 的第一个版本于 2024 年 3 月 12 日发布，适配 Llama 2 模型，而其最新的版本支持Llama 3.1 8B-Instruct模型。
话不多说，先上图。
Llama transformers 架构的特点
与经典transformers架构相比，Llama 的transformers架构具有几个显著特征：
- 仅解码器架构 Decoder-Only Architecture：Llama 纯文本模型只有解码器decorder，没有encoder，这意味着它仅专注于根据输入上下文生成序列，无需编码器，因此它主要依赖自注意力机制来捕捉输入序列中的依赖关系。Llama 是一个仅解码器模型，这意味着它仅专注于根据输入上下文生成序列。这与像 BERT 或 T5 这样的编码器-解码器模型形成对比，后者同时利用编码器来理解输入和解码器来生成输出。
- 自注意力机制 Self-Attention Mechanism：Llama 纯文本模型不包括交叉注意力层。Llama 自注意力层用于解码器encoder内处理输入序列，而交叉注意力层在编码器-解码器模型中更为常见，其中编码器处理一个输入（例如，源语言），解码器则基于该处理信息生成输出。Llama 使用自注意力以捕捉输入文本中的依赖关系，而无需交叉注意力层。这使其能够生成连贯且上下文相关的文本。