[GPT]Andrej Karpathy微软Build大会GPT演讲(上)--GPT如何训练
前言
OpenAI的创始人之一，大神Andrej Karpthy刚在微软Build 2023开发者大会上做了专题演讲：State of GPT（GPT的现状）。
他详细介绍了如何从GPT基础模型一直训练出ChatGPT这样的助手模型（assistant model）。作者不曾在其他公开视频里看过类似的内容，这或许是OpenAI官方第一次详细阐述其大模型内部原理和RLHF训练细节。
难能可贵的是，Andrej不仅深入了细节， 还高屋建瓴的抽象了大模型实现中的诸多概念，牛人的洞察就是不一样。
比如，Andrej非常形象的把当前LLM大语言模型比喻为人类思考模式的系统一（快系统），这是相对于反应慢但具有更长线推理的系统二（慢系统）而言。这只是演讲里诸多闪光点的其中一个。
并且，Andrej真的有当导师的潜力，把非常技术的内容讲得深入浅出，而又异常透彻。这个演讲完全可以让非专业人士也能理解，并且，认真看完演讲后会有一种醍醐灌顶的感觉。
本次演讲的精校完整中文版视频的B站传送门： https://www.bilibili.com/video/BV1ts4y1T7UH
他将整个报告分为了两个部分，分别是GPT是如何训练的，以及该如何用GPT。
GPT是如何训练
这节的主要内容其实都是围绕着这个图中的概念来的，从左边开始到右边描述了gpt在训练过程中的4个阶段，通常来说是四个阶段预训练（Pretraining），有监督的微调（Supervised Finetuning），奖励建模（Reward Modeling）和强化学习（Reinforcement Learning），这几个阶段通常是依次进行，每个阶段都有不同的数据集。
这里从第一个阶段：预训练阶段开始说起，这个阶段使用大量的文本对模型进行预训练，消耗了99%的训练资源，需要数千GPU训练几个月（其他几个阶段只用了1%资源，一般是数个gpu训练几天就可以）。
预训练阶段
这个阶段首先需要准备大量的数据，下图是引用了llama中使用了哪些数据。
可以大致看到进入这些集合的数据集的种类，我们有common crawl这只是一个网络爬取，C4也是common crawl，然后还有一些高质量的数据集。例如，GitHub、维基百科、书籍、ArXiv论文存档、StackExchange问答网站等。这些都混合在一起，然后根据给定的比例进行采样，形成 GPT 神经网络的训练集。
下载完这些数据之后，并不能直接使用他们进行训练，计算机是无法识别的，需要首先做一下tokenization，将单词转化为token，这个过程如下图所示，最后的结果是每一个单词（或单词的一部分）都会被一个数字编号所代替，所有单词会形成一个词典，数字编号就是词典中的序号。
接下来开始准备一个transformer的模型，Andrej以GPT3和LLaMA作为例子如下图
这里针对几个超参数进行一下描述：
- vocabulary size：表示上一张图中筹备的词典有多少个
- context length：表示训练时一次性能输入的文本的长度是多少，意味着超过这个长度就无法记忆了
- parameter：表示transformer的参数数量
- Trained on XXX tokens：表示训练时一共看过多少token，可以认为是训练iteration * context length * batch size
这些大致是在进行预训练时要处理的数量级：词汇量通常是几万个标记。上下文长度通常是 2,000、4,000，现在甚至是 100,000，这决定了 GPT 在尝试预测序列中的下一个整数时将查看的最大整数数。
你可以看到，Llama 的参数数量大概是 650 亿。现在，尽管与 GPT3 的 1750 亿个参数相比，Llama 只有 65 个 B 参数，但 Llama 是一个明显更强大的模型，直观地说，这是因为该模型的训练时间明显更长，训练了1.4 万亿标记而不是 3000 亿标记。所以你不应该仅仅通过模型包含的参数数量来判断模型的能力。
这里我展示了一些粗略的超参数表，这些超参数通常用于指定 Transformer 神经网络。比如头的数量，尺寸大小，层数等等。
在底部，展示了一些训练超参数。例如，为了训练 65 B 模型，Meta 使用了 2,000 个 GPU，大约训练了 21 天，大约花费了数百万美元。
现在，当我们实际进行预训练时&#