当前位置：首页 > news >正文

Large Language Model系列之二：Transformers和预训练语言模型

news 文章来源：https://blog.csdn.net/shanglianlm/article/details/140456523 2025/5/18 15:14:39

1 Transformer模型

Transformer模型是一种基于自注意力机制的深度学习模型，它最初由Vaswani等人在2017年的论文《Attention Is All You Need》中提出，主要用于机器翻译任务。随后，Transformer模型因其出色的性能和灵活性被广泛应用于各种自然语言处理（NLP）任务，如文本分类、问答系统、文本摘要等，以及计算机视觉领域中的一些任务。
在这里插入图片描述
以下是Transformer模型的几个关键特点：

自注意力机制（Self-Attention）：
允许模型在编码（编码器）或解码（解码器）过程中，计算序列中每个元素对于其他所有元素的注意力权重，从而捕捉序列内部的长距离依赖关系。
编码器-解码器架构（Encoder-Decoder Architecture）：
Transformer模型由编码器和解码器组成，编码器处理输入序列，解码器生成输出序列。
多头注意力（Multi-Head Attention）：
模型并行地执行多个注意力函数，每个头学习输入的不同表示，然后将这些表示合并，以捕获不同子空间的信息。
位置编码（Positional Encoding）：
由于Transformer模型缺乏递归和卷积结构，因此需要位置编码来提供序列中单词的位置信息。
前馈网络（Feed-Forward Networks）：
在每个编码器和解码器层中，自注意力层的输出会通过一个前馈神经网络，进一步提取特征。
层归一化（Layer Normalization）和残差连接（Residual Connections）：
这些技术有助于避免训练过程中的梯度消失问题，使得可以训练更深的网络。
并行处理能力：
与循环神经网络（RNN）相比，Transformer模型可以并行处理整个序列，这大大提高了模型的计算效率。
可扩展性：
Transformer模型可以通过简单地堆叠更多的层或使用更大的模型尺寸来扩展，以提高模型的容量。

Transformer模型的成功推动了后续许多变体和改进，例如BERT（Bidirectional Encoder Representations from Transformers）、GPT（Generative Pre-trained Transformer）和T5（Text-to-Text Transfer Transformer）等，这些模型在预训练和微调范式下取得了显著的成果。

参考资料：
1 十分钟理解Transformer
2 The Illustrated Transformer
3 Transformer模型详解（图解最完整版）
4 万字长文，深入浅出Transformer，值得收藏！

2 早期PLMs

2-1 仅编码器PLMs

仅编码器模型，最初为语言理解任务设计，如文本分类，通过编码器网络将文本转换为类别标签。这类模型的代表包括BERT及其衍生模型，如RoBERTa、ALBERT、DeBERTa、XLM、XLNet、UNILM等。

BERT模型

组成：嵌入模块、Transformer编码器堆栈、全连接层。
预训练目标：掩蔽语言模型（MLM）和下一个句子预测。
微调应用：适用于多种语言理解任务，通过添加分类器层进行微调。

变体模型

RoBERTa：通过调整超参数和训练策略提高BERT的鲁棒性。
ALBERT：采用参数减少技术，降低内存消耗，加快训练速度。
DeBERTa：引入解耦注意力机制和增强的遮蔽解码器，提高模型泛化能力。
ELECTRA：使用替换token检测（RTD）作为预训练任务，效率更高。

跨语言模型

XLMs：将BERT扩展到跨语言模型，使用无监督和监督两种方法，通过新的跨语言模型目标提高跨语言能力。

这些模型在语言理解任务上取得了显著成果，推动了AI社区开发更多基于BERT的仅编码器语言模型。

2-2 仅解码器PLM

在仅解码器预训练语言模型领域，OpenAI开发的GPT系列模型扮演了关键角色，从GPT-1到GPT-2。

GPT-1模型

创新：首次证明仅解码器Transformer模型通过生成式预训练能在多种自然语言处理任务上展现优异性能。
预训练：在大量未标记文本上进行自监督学习，目标是预测下一个词。
微调：在特定下游任务上进行微调，需要的样本数量较少。
影响：为后续GPT模型奠定了基础，每一代都在架构上进行了优化，提升了语言任务的性能。

GPT-2模型

能力：在大规模WebText数据集上训练，展示了语言模型在无明确监督的情况下执行特定任务的能力。
改进：在GPT-1的基础上进行了架构上的调整，包括层归一化的位置变动、增加额外的层归一化、修改初始化过程、调整残差层权重。
扩展：扩大了词汇量至50,257个，并将上下文大小从512个标记增加至1024个标记。

GPT系列模型通过逐步的架构优化和扩展，实现了在自然语言处理领域的显著进步，为大型语言模型的发展提供了坚实的基础。

2-3 编码器-解码器PLM

Raffle等人提出，几乎所有的自然语言处理（NLP）任务都可被视为序列到序列的生成任务。基于这一理念，编码器-解码器语言模型被设计为一个统一框架，能够处理所有自然语言理解和生成任务。以下是几个代表性的编码器-解码器预训练语言模型（PLM）的概览：

T5模型

框架：T5是一个文本到文本转换的Transformer模型，将所有NLP任务统一为文本到文本的生成任务，有效利用迁移学习。
特点：通过转换任务格式，T5能够处理广泛的NLP任务。

mT5

多语言支持：mT5是T5的多语言版本，预训练涉及101种语言，基于Common Crawl的多语言数据集。

MASS模型

遮蔽序列到序列预训练：MASS采用编码器-解码器框架，通过遮蔽句子片段并预测这些片段来同时训练编码器和解码器，用于语言嵌入和生成。

BART模型

训练方式：BART基于标准的序列到序列翻译模型架构，通过引入噪声并学习重构原始文本进行预训练。

这些模型展示了编码器-解码器架构在处理多样化NLP任务时的灵活性和强大能力，推动了自然语言理解和生成任务的进展。

3 大型语言模型（LLMs）

在这里插入图片描述

3-1 GPT 家族

GPT家族是由OpenAI开发的一系列仅解码器Transformer语言模型，涵盖了从GPT-1到GPT-4等多个版本，以及其他衍生模型如CODEX、WebGPT、InstructGPT和ChatGPT。
在这里插入图片描述

开源与封闭源代码

早期的GPT-1和GPT-2模型是开源的，而GPT-3和GPT-4等近期模型则是封闭源代码，仅通过API提供服务。

GPT-3模型

参数规模：GPT-3拥有1750亿参数，是一个巨大的自回归语言模型。
能力：作为首个真正的大型语言模型（LLM），GPT-3展示了无需微调即可在多种任务上应用的能力。
性能：在翻译、问答等NLP任务上表现卓越，且能够处理需要推理或领域适应的任务。

CODEX模型

发布：2023年3月发布，是一个能将自然语言解析生成代码的通用编程模型。
应用：支持GitHub Copilot服务，是GPT-3针对编程应用的微调版本。

WebGPT模型

功能：经过微调，能够使用文本浏览器回答开放式问题，帮助用户搜索和浏览网页。
训练：包括模仿人类浏览行为、学习奖励函数，并通过强化学习进行优化。

InstructGPT

设计：旨在使语言模型遵循人类指令，通过人类反馈进行微调。
改进：提高了真实性，减少了有害输出，同时保持了在公共NLP数据集上的性能。

ChatGPT

发布：2022年11月30日发布，是一个能够完成问答、搜索、摘要等任务的聊天机器人。
技术基础：基于GPT-3.5和GPT-4，遵循InstructGPT的训练理念。

GPT-4模型

最新进展：GPT-4是GPT家族中最新且功能最强大的LLM，具备多模态能力，可以接受图像和文本输入。
性能表现：在专业和学术基准测试中展现出与人类相媲美的性能。
训练与微调：通过预训练和RLHF微调，使模型行为与人类期望一致。

GPT家族的模型不仅在规模上不断增长，而且在能力上也不断创新，推动了自然语言处理技术的发展。

3-2 LLaMA 家族

LLaMA家族是由Meta发布的一系列开源基础语言模型，旨在推动开源大型语言模型（LLMs）的发展，并为特定任务应用提供定制化的解决方案。与GPT模型不同，LLaMA模型在非商业许可下向研究社区开放模型权重。
在这里插入图片描述

LLaMA模型

发布时间与规模：2023年2月发布的第一组模型，参数从70亿到650亿不等。
预训练数据：在数万亿标记的公开数据集上进行预训练。
架构创新：采用改进的Transformer架构，包括SwiGLU激活函数、旋转位置嵌入和均方根层归一化。
性能对比：LLaMA-13B模型在基准测试中超越了GPT-3模型。

LLaMA-2

发布背景：2023年7月，Meta与微软合作发布，包括基础语言模型和对话微调的LLaMA-2 Chat。
性能优势：在公共基准测试中表现优于其他开源模型。

Alpaca

来源与微调：从LLaMA-7B模型微调而来，使用自我指导方式生成的遵循指令演示。
成本效益：特别适合学术研究，性能与GPT-3.5相似，但模型规模更小。

Vicuna-13B

开发背景：通过对LLaMA模型微调，利用用户共享对话开发。
初步评估：质量上达到ChatGPT和Google Bard的90%以上，训练成本仅为300美元。

Guanaco

微调方法：使用QLoRA技术高效微调，即使是650亿参数的模型也能在单个GPU上完成。
性能对比：在Vicuna基准测试中胜过所有之前发布的模型。

Koala

构建背景：基于LLaMA，特别关注交互数据，包括用户输入和高性能封闭源代码聊天模型生成的响应。
性能评估：在现实世界用户提示的评估中与最先进的聊天模型相当。

Mistral-7B

模型特点：70亿参数的语言模型，采用分组查询注意力和滑动窗口注意力技术。
性能对比：在多个基准测试中优于其他开源模型，实现了更快的推理和更低的推理成本。

LLaMA家族的模型通过不断的技术创新和性能优化，为开源LLMs领域提供了强有力的竞争者，推动了自然语言处理技术的发展。

3-3 PaLM 家族

PaLM（Pathways语言模型）家族是由谷歌开发的一系列大型语言模型（LLMs），以其庞大的规模和高质量的预训练数据而著称。

首款PaLM模型

发布时间：2022年4月。
规模：基于5400亿参数的Transformer架构。
预训练资源：在7800亿个标记的文本语料上预训练，使用6144个TPU v4芯片和Pathways系统。
性能和成果：PaLM在多个语言理解和生成基准测试中实现了最先进的小样本学习结果，部分任务上与人类表现相当。

U-PaLM模型的持续训练

规模：提供8B、62B和540B三个规模的模型。
持续训练方法：采用UL2R方法，实现计算节省。

Flan-PaLM的指令微调

微调特点：使用大量任务和数据集进行指令微调。
性能提升：在多个任务上显著提高了性能。

PaLM-2模型

性能提升：相比前身，PaLM-2在多语言和推理能力上表现更佳，同时具有更高的计算效率。

Med-PaLM：面向医疗领域的专用模型

模型定位：专门用于提供高质量医学问题答案。
微调方法：使用指令提示微调方法，适应医学领域。

Med-PaLM 2的进一步改进

改进方法：通过医学领域微调和合成提示进行改进。
性能提升：在MedQA数据集上得分显著提高，创造了新的最先进水平。

PaLM家族的模型通过不断的技术创新和性能优化，在自然语言处理领域展现了强大的能力，特别是在多语言理解和生成任务上。此外，通过持续训练和指令微调，PaLM家族的模型在特定领域如医疗保健中也展现出了巨大的潜力。