LLaMA 模型中的Transformer架构变化
目录
1. 前置层归一化（Pre-normalization）
2. RMSNorm 归一化函数
3. SwiGLU 激活函数
4. 旋转位置嵌入（RoPE）
5. 注意力机制优化
6. Group Query Attention
7. 模型规模和训练超参数
8. 分布式模型训练
前置归一化与后置归一化的区别
前置归一化（Pre-normalization）
后置归一化（Post-normalization）
结论
1. 前置层归一化（Pre-normalization）
LLaMA模型采用了前置层归一化策略，这意味着在每个子层（自注意力层和前馈网络）的输入之前进行层归一化。这与传统的Transformer中的后置层归一化不同，后者在子层输出之后进行归一化。
2. RMSNorm 归一化函数
LLaMA模型使用RMSNorm作为其归一化函数，这是一种替代传统层归一化的方法，它在保持计算效率的同时，专注于规范化权重矩阵的行，以实现更快的收敛和更好的泛化。
3. SwiGLU 激活函数
在LLaMA模型的Transformer架构中，激活函数从传统的ReLU或GELU更换为SwiGLU。SwiGLU是一种基于Swish激活函数的GLU变体，它提供了更好的梯度流动和可能的性能提升。
4. 旋转位置嵌入（RoPE）
LLaMA模型还采用了旋转位置嵌入（RoPE）来代替传统的位置编码方法。RoPE通过将位置信息编码为旋转矩阵，使模型能够更有效地捕捉序列中元素之间的位置关系。
5. 注意力机制优化
LLaMA模型可能包含对注意力机制的优化，例如稀疏注意力机制，以减少计算复杂度和内存需求。这些优化措施有助于提高模型的计算效率。
6. Group Query Attention
在LLaMA v2中，使用了Group Query Attention技术，这是一种将query分组，组内共享Key-Value的方法，旨在减少缓存量并加速计算，同时保持与Multi-Query Attention相似的效果。
7. 模型规模和训练超参数
LLaMA模型有不同的规模版本，从几十亿到数百亿参数不等。每个版本的模型都有特定的超参数设置，例如隐藏层大小、头数、层数、学习率等。
8. 分布式模型训练
由于LLaMA模型的参数量非常大，需要依赖分布式模型训练框架来完成训练过程，这可能涉及到大量的GPU资源和优化的训练策略。
前置归一化与后置归一化的区别
前置归一化（Pre-normalization）
- 位置：在子层（如自注意力和前馈网络）的输入之前进行归一化。
- 优点：有助于提高训练过程中的稳定性，特别是在模型参数初始化阶段，可以降低梯度爆炸的风险。
- 缺点：可能需要更精细的学习率调整和优化策略。
后置归一化（Post-normalization）
- 位置：在子层的输出之后进行归一化。
- 优点：这是原始Transformer模型中的标准做法，对于许多任务而言效果良好。
- 缺点：在大型模型和数据集上可能导致训练初期的梯度不稳定问题。
结论
LLaMA模型中的前置层归一化是为了提高模型的训练稳定性和效率，而后置层归一化则是Transformer的传统方法。在实际应用中，前置归一化可能更适合于训练大型模型，因为它可以减少训练初期的梯度问题。然而，这两种方法都有其优势和局限性，选择哪一种取决于具体的模型设计和任务需求。
参考：
- 深入解析LLaMA如何改进Transformer的底层结构 - 知乎
- LLaMA v1/2模型结构总览 - 知乎
- LLaMA Explained | Papers With Code
- Understanding Llama2: KV Cache, Grouped Query Attention, Rotary ...