做网站后台系统的规范交换友情链接的注意事项

学习内容

• 完整学习LLaMA

LLaMA

• 2023年2月，由FaceBook公开了LLaMA，包含7B，13B，30B，65B。
• 2023年7月，发布LLaMA2，包含7B，13B，65B。
  • 可商用
  • 模型架构不变，但训练数据增加了40%
  • 34B模型由于未满足安全要求并未发布
  • 包含基座模型和Chat模型：LLaMA 2 - chat

论文部分介绍：

• 数据来源于公开数据集
• 目的：在推理预算有限的情况下，达到更好的效果。
• LLaMA 13B在大多数测试中优于GBT3-175B，65B相比当时最好的模型也有竞争力。
• 主要工作：通过更多的token训练语言模型。
  
• 主要针对英语进行训练，也使用了部分其他语言。

LLaMA模型结构

和 GPT 系列一样，LLaMA 模型也是 Decoder-only 架构，但结合前人的工作做了一些改进，比如：

• Pre-normalization [GPT3]. 为了提高训练稳定性，LLaMA 对每个 transformer 子层的输入进行归一化，使用 RMSNorm 归一化函数，Pre-normalization 由Zhang和Sennrich（2019）引入。
• SwiGLU 激活函数 [PaLM]. 将 ReLU 非线性替换为 SwiGLU 激活函数，且使用$\frac{2}{3}4d$ 而不是 PaLM 论文中的 4d，SwiGLU 由 Shazeer（2020）引入以提高性能。
• Rotary Embeddings [GPTNeo]. 模型的输入不再使用 positional embeddings，而是在网络的每一层添加了 positional embeddings (RoPE)，RoPE 方法由Su等人（2021）引入。
  

LLaMA下载和使用

• 模型申请:地址
• 模型代码:地址（可以使用download脚本，只保留7b）
• 我对校验不太了解，大家可以校验一下，我就肉眼看大小校验了。
• 模型无法运行LLaMA初始权重，需要用transformers的脚本，convert_llama_weight_to_hf.py
• 简单推理函数脚本和其中的文件

好用的开源项目Chinese-Alpaca

• 本地GPU、CPU部署

• 开源中文LLaMA模型，和指令微调的Alpaca大模型

• 在原模型的基础上，扩充vocab词表，使用中文数据进行“继续训练”，并使用中文指令数据进行微调。

• 该仓库的中包含的大模型。Chinese-LLaMA-7B是在原版LLaMA-7B的基础上，在20GB的通用中文语料库上进行预训练。Chinese-LLaMA-Plus-7B是在原版LLaMA-7B的基础上，在120GB的通用中文语料库上进行预训练
  
  ![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/7af06255ff3449f
  ea26e0bbd92aba9b6.jpeg)

• 完全使用LoRA进行预训练和微调，需要原版的LLaMA模型。

• LoRA居然能有这么强……太离谱了。

Chinese-Alpaca使用

• 根据官方教程即可，仅记录不同之处。
• 单LoRA权重合并效果一般，建议使用多LoRA合并。（Plus和Pro）

量化

• 量化：使用llama.cpp进行量化
• 加入-t和别的参数之后效果极快

评估

• 使用wikitext或自己构建数据集评估困惑度
• 也可以使用GPT4或人类打分