LLaMA，LLaMA-2中的变化

LLaMA

• 预训练Token数量 1.4T

  • CommonCrawl，C4：互联网网页
  • github：代码
  • wikipedia：百科
  • books，arxiv：书籍论文
  • StackExchange：科学问答

• pre-norm + RMSNorm

  • $Pre Norm: x_{t+1}=x_t+F(Norm(x_t))$
  • $Post Norm: x_{t+1}=Norm(x_t+F(x_t))$
  • 关于两者的讨论可以参考 博客
  • RMSNorm：计算减少，效果不差
    • layernorm：re-scale（方差）+ re-center（均值）
    • RMSNorm：re-scale（方差）

• FFN->SwiGLU

  • FFN: $max(0,xW_1 )W_2$
  • SiLU：$x*sigmoid(x)$，零点附近梯度较为友好
  • SwiGLU: $(SiLU(xW_{gate}) ⊗ xW_1 )W_2$

• RoPE

  • 将相对位置的计算放在QKV的QK时进行 博客1 博客2

• 上下文长度2048

  • 当拓展到更长文本时，直接外插，外插的部分模型没见过，性能弱于ALiBi，
  • 可以用内插值（Chinese-LLaMA做法）
  • NTK-Aware Scaled RoPE
  • 关于上下文长度的拓展详见我的另一个博客博客

LLaMA-2

• 预训练Token数量 2T
• pre-norm + RMSNorm（layerNorm的简化版）
• FFN->SwiGLU
• RoPE
• 上下文长度4096
• GQA（grouped-query attention）

  • MHA（Multi-head Attention）是标准的多头注意力机制，h个Query、Key 和 Value 矩阵。

  • MQA（Multi-Query Attention，Fast Transformer Decoding: One Write-Head is All You Need）是多查询注意力的一种变体，也是用于自回归解码的一种注意力机制。与MHA不同的是，MQA 让所有的头之间共享同一份 Key 和 Value 矩阵，每个头只单独保留了一份 Query 参数，从而大大减少 Key 和 Value 矩阵的参数量。

  • GQA（Grouped-Query Attention，GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints）是分组查询注意力，GQA将查询头分成G组，每个组共享一个Key 和 Value 矩阵。GQA-G是指具有G组的grouped-query attention。GQA-1具有单个组，因此具有单个Key 和 Value，等效于MQA。而GQA-H具有与头数相等的组，等效于MHA。