LLM Training
这些是我从非常推荐的书籍 https://www.manning.com/books/build-a-large-language-model-from-scratch 中整理的笔记，附加了一些额外信息。
Basic Information
您应该先阅读这篇文章，以了解一些基本概念：
0. Basic LLM Concepts1. Tokenization
这个初始阶段的目标非常简单：以某种合理的方式将输入划分为标记（ID）。
2. Data Sampling
这个第二阶段的目标非常简单：对输入数据进行采样，并为训练阶段准备数据，通常通过将数据集分隔为特定长度的句子，并生成预期的响应。
3. Token Embeddings
这个第三阶段的目标非常简单：为词汇表中的每个标记分配一个所需维度的向量以训练模型。 词汇表中的每个单词将在X维空间中有一个点。 请注意，最初每个单词在空间中的位置是“随机”初始化的，这些位置是可训练的参数（在训练过程中会得到改善）。
此外，在标记嵌入期间创建了另一层嵌入，它表示（在这种情况下）单词在训练句子中的绝对位置。这样，句子中不同位置的单词将具有不同的表示（含义）。
4. Attention Mechanisms
这个第四阶段的目标非常简单：应用一些注意机制。这些将是许多重复的层，将捕捉词汇表中单词与当前用于训练LLM的句子中其邻居的关系。 为此使用了许多层，因此将有许多可训练的参数来捕捉这些信息。
5. LLM Architecture
这个第五阶段的目标非常简单：开发完整LLM的架构。将所有内容整合在一起，应用所有层，并创建所有函数以生成文本或将文本转换为ID及其反向操作。
该架构将用于训练和预测文本。
6. Pre-training & Loading models
这个第六阶段的目标非常简单：从头开始训练模型。为此，将使用之前的LLM架构，通过对数据集进行循环，使用定义的损失函数和优化器来训练模型的所有参数。
7.0. LoRA Improvements in fine-tuning
使用LoRA大大减少了所需的微调已训练模型的计算量。
7.1. Fine-Tuning for Classification
本节的目标是展示如何微调一个已经预训练的模型，以便LLM选择给定文本被分类到每个给定类别的概率（例如，文本是否为垃圾邮件）。
7.2. Fine-Tuning to follow instructions
本节的目标是展示如何微调一个已经预训练的模型以遵循指令，而不仅仅是生成文本，例如，作为聊天机器人响应任务。
Last updated