大语言模型 10 - 从0开始训练GPT 0.25B参数量 补充知识之模型架构 MoE、ReLU、FFN、MixFFN

写在前面

GPT（Generative Pre-trained Transformer）是目前最广泛应用的大语言模型架构之一，其强大的自然语言理解与生成能力背后，是一个庞大而精细的训练流程。本文将从宏观到微观，系统讲解GPT的训练过程，包括数据收集、预处理、模型设计、训练策略、优化技巧以及后训练阶段（微调、对齐）等环节。

我们将先对 GPT 的训练方案进行一个简述，接着我们将借助 MiniMind 的项目，来完成我们自己的 GPT 的训练。

训练阶段概览

GPT 的训练过程大致分为以下几个阶段：

• 数据准备（Data Preparation）
• 预训练（Pretraining）
• 指令微调（Instruction Tuning）
• 对齐阶段（Alignment via RLHF 或 DPO）
• 推理部署（Inference & Serving）

简单介绍

过去两年，大语言模型（LLM）在实践中几乎清一色采用 Decoder-Only Transformer。与此同时，社区又陆续把 LayerNorm 换成 RMSNorm、把 ReLU/GELU 换成 SwiGLU，甚至在前向网络里引入 MoE / MixFFN 等稀疏或卷积混合结构。理解这些改动背后的设计动机，有助于你在 模型微调、推理加速或重新发明“更小更强”模型 时做出正确的工程权衡。

模型架构

MiniMind-Dense（和Llama3.1一样）使用了Transformer的Decoder-Only结构，跟GPT-3的区别在于：
● 采用了GPT-3的预标准化方法，也就是在每个Transformer子层的输入上进行归一化，而不是在输出上。具体来说，使用的是RMSNorm归一化函数。
● 用SwiGLU激活函数替代了ReLU，这样做是为了提高性能。
● 像GPT-Neo一样，去掉了绝对位置嵌入，改用了旋转位置嵌入（RoPE），这样在处理超出训练长度的推理时效果更好。

MiniMind-MoE模型，它的结构基于Llama3和Deepseek-V2/3中的MixFFN混合专家模块。
● DeepSeek-V2在前馈网络（FFN）方面，采用了更细粒度的专家分割和共享的专家隔离技术，以提高Experts的效果。

MiniMind的整体结构一致，只是在RoPE计算、推理函数和FFN层的代码上做了一些小调整。 其结构如下图（重绘版）：

修改模型配置见./model/LMConfig.py。 参考模型参数版本见下表：

Decoder-Only Transformer

Decoder-Only 去掉了原始 Transformer 的 Encoder，改用 因果掩码 + KV-缓存 即可在推理时做到 O(1) 序列延长成本。因此 GPT-3、LLaMA、Gemini 乃至文本-图像多模态模型都选择了它。

decoder-only-transformers-explained-the-engine-behind-llms

FFN

经典 FFN = Linear(d_model → d_ff) + 激活 + Linear(d_ff → d_model)，其中
d_ff≈4·d_model，激活函数最早用 ReLU。FFN 占据 >60 % FLOPs & 参数量，因此它也是改进热点。

ReLU vs SwiGLU

实验证明，等价参数量下 SwiGLU 能带来 0.3 ~ 0.6 token perplexity 改进，且推理成本几乎不变。

RMSNorm

公式：y = x / RMS(x) · γ，其中 RMS(x)=sqrt(mean(x²))

• 省略中心化 → 参数更少，FLOPs 与内存带宽-读写减半
• 训练稳定性 在 Pre-Norm 框架中与 LayerNorm 等价；实测可 缩短 1 ~ 10 % 训练时间
• 兼容大批量 / 低精度 适合 GPU / TPU 混合精度

NeurIPS-23 的对比研究正式证明：Pre-LN 与 Pre-RMSNorm 在数学上可互换，并提出进一步压缩的 CRMSNorm。

MoE & MixFFN

MoE

思路：为每个 token 只激活少数“专家”FFN，计算成本与密集模型相当但可容纳 亿 / 万亿级参数

• 核心模块： ① 稀疏门控（Top-k 或 Router），② 专家簇（通常 k=2,4,8…）
• 代表模型：Switch-Transformer、GLaM、Mixtral-8x7B

优缺点：

• 参数利用率高，训练加速可达 7 ×  （相同 FLOPs）
• 通讯/负载均衡难度大，推理需要“容量因子”调度

MixFFN

• 在两层 MLP 中插入 3 × 3 Depthwise Conv，融合 局部感受野 与 全局 MLP
• 位置编码可选/可省，分辨率外推更稳
• 语言模型可类比引入 (Conv or) LoRA-Adapter 获得额外局部建模能力

小小总结

• Decoder-Only 让语言生成模型推理线性伸缩；
• RMSNorm 与 SwiGLU 分别在归一化与激活层面消除冗余、提升可训练性；
• MoE / MixFFN 代表 FFN 的两条进化路线：一条追求 参数稀疏 & 超大模型，一条追求 局部感知 & 多模态。