基于Transformer的大模型是如何运行的?Meta从全部和上下文进修揭秘

本文旨在更好地理解基于 Transformer 的大型谈话模型(LLM)的内部体制,以提高它们的可靠性和可解释性。

随着大型谈话模型(LLM)在应用和部署方面的不断增加,打开黑箱并了解它们的内部工作原理变得越来越重要。更好地理解这些模型是如何做出决策的,这对改进模型和减轻其故障(如幻觉或推理错误)至关重要。

众所周知,最近 LLM 成功的一个重要因素是它们能够从上下文中进修和推理。LLM 对这些上下文的进修能力通常归功于 Transformer 架构,特别是自注意力块的应用,其能够仔细选择输入序列,进而推理出可信的下一个 token。此外,猜测可能需要全部知识,如语法规则或一般事实,这些可能不会出现在上下文中,需要保存在模型中。

我们不禁会疑问,为什么基于 Transformer 的模型非常擅长应用它们的上下文来猜测新的 token,这种能力是如何在训练中产生的?带着这些问题,来自 Meta AI 的研讨者进行了深入的研讨。他们通过研讨分解设置下 Transformer 的进修体制,揭示了其全部和上下文进修的平衡,并将权重矩阵解释为塑像影象,为理解和优化 Transformer 提供了基础。

基于Transformer的大模型是如何运行的?Meta从全部和上下文进修揭秘

论文地址:https://arxiv.org/pdf/2306.00802.pdf

首先要了解的是在训练过程中 Transformer 是如何发现这些能力的。为此,该研讨引入了一个分解数据集,该数据集由二元谈话模型生成的序列组成。然后,模型需要依靠上下文进修来对特定的二元序列进行良好的猜测,而全部二元可以根据当前 token 的全部统计数据进行猜测。虽然单层的 Transformer 无法可靠地猜测上下文二元,但该研讨发现通过开发感触头(induction head)体制的双层 Transformer 取得了成功,即拥有两个注意力头的 circuit,其允许 Transformer 从上下文 [・・・, a, b,・・・, a] 中猜测 b,并且在 Transformer 谈话模型中似乎无处不在。这种感触头(induction head)体制在 Transformer 谈话模型中是普遍存在的,并且取得了成功。

更进一步的,为了更好的了解上下文体制是怎样出现在训练过程中的,该研讨在随机初始化时冻结了一些层(包括嵌入和值矩阵)来进一步简化模型架构。这样一来研讨重点转移到注意力和前馈体制,同时避免了进修表征的困难。与此同时,这种简化还为单个权重矩阵引入了一个自然模型作为塑像影象。自然模型可以通过它们的外积保存输入 – 输出或键 – 值对嵌入。随机高维嵌入由于其接近正交性而特别适合这种观点。

总结而言,该研讨的贡献可概括为:

本文引入了一种新的分解设置来研讨全部和上下文进修:序列遵循二元谈话模型,其中一些二元在序列中变化,而另一些不会。

本文将 Transformer 的权重矩阵视为进修保存特定嵌入对的塑像影象,并以此为任务推导出一个简化但更可解释的模型。

本文对训练动态进行了细致的实证研讨:首先进修全部二元,然后以自上而下的方式进修适当的影象,形成感触头。

本文给出了训练动力学的理论见解,展示了如何通过在噪声输入中找到信号,在种群损失上进行一些自上而下的梯度步骤来恢复所需的塑像影象。

方法介绍

接着该研讨介绍了分解数据设置,这样能够仔细研讨感触头体制在训练过程中的发展以及 Transformer 如何进修利用上下文信息的。

双元数据模型:模型序列由一个通用的双元谈话模型(即马尔可夫链)组成,每个序列的生成方式如下:

基于Transformer的大模型是如何运行的?Meta从全部和上下文进修揭秘

下图 2 可视化了测试序列上的注意力图,这表明该模型已经进修了感触头体制。

基于Transformer的大模型是如何运行的?Meta从全部和上下文进修揭秘

接着该研讨介绍了 Transformer 塑像影象观点:因为几乎正交的嵌入,权重矩阵表现为塑像影象,将成对的嵌入保存为其外积的加权和。研讨引入了一个具有牢固随机嵌入的简化 Transformer 模型,将用这种想法产生对进修动力学的精确理解。

此外,该研讨提出了一个有用的观点,将 Transformer 中的模型权重视为高维嵌入向量的塑像影象。感触头体制可以通过以下外积矩阵作为影象来获得,而其他所有权重则牢固为随机初始化状态:

基于Transformer的大模型是如何运行的?Meta从全部和上下文进修揭秘

 实验

图 3 研讨了在迭代 300 次之前冻结不同层对训练动态的影响。

基于Transformer的大模型是如何运行的?Meta从全部和上下文进修揭秘

全部 vs 上下文进修。从图 4(左 / 右)可以看出,当联合训练所有层时,全部二元统计的进修速度往往比感触头更快,这可以从早期迭代中的 loss 和 KL 的快速下降中看出。

此外,从图 4(左)中看到,数据分布的变化会对上下文体制的进修速度产生重大影响。该研讨观察到以下情况可能会使上下文进修减慢:(i) 较少数量的触发器 K, (ii) 仅应用少有的牢固触发器,以及 (iii) 应用随机触发器而不是牢固触发器。

该研讨还在图 4(中间)中显示,在训练时将输出 token 分布更改为二元分布会降低准确率,这表明,应用更多样化的训练分布可以产生具有更好泛化准确率的模型,并且只需少量的额外训练成本。

基于Transformer的大模型是如何运行的?Meta从全部和上下文进修揭秘

更多研讨内容,请参考原论文。

给TA打赏
共{{data.count}}人
人已打赏
AI

数坤科技6周年公开信:关心调理健全产业的全面数字化和智能化

2023-6-21 16:46:00

AI

像相机一样变焦、添补画面细节,还能自定义风格,AI作画神器Midjourney又更新了

2023-6-24 12:28:00

0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧
个人中心
今日签到
有新私信 私信列表
搜索