LLM | GPT-NEOX论文详解

GPT-NEOX使用旋转位置编码。模型权重使用float16表示。最大序列长度为2048。

论文题目：2022.04.14_GPT-NeoX-20B: An Open-Source Autoregressive Language Model

论文地址：2204.06745.pdf (arxiv.org)

论文代码：EleutherAI/gpt-neox: An implementation of model parallel autoregressive transformers on GPUs, based on the DeepSpeed library. (github.com)

Demo：GPT-NeoX (huggingface.co)

论文详解

概述

介绍了 GPT-NeoX-20B，这是一个在 Pile【1】 数据集上训练的 200 亿参数自回归语言模型，其权重是开源的。在这项工作中，描述了 GPT-NeoX-20B 的架构和训练，并评估了其在一系列语言理解方面的性能，数学和基于知识的任务。GPT-NeoX-20B 是一个特别强大的小样本推理器，并且在评估时，性能比类似大小的 GPT-3 和 FairSeq 模型高得多。是开源训练和评估代码以及模型权重。

1.模型架构

GPT-NeoX-20B 是一种自回归 transformer 解码器模型，它在很大程度上遵循了 GPT-3 的模型，但有一些明显的偏差。
该模型有 200 亿个参数、44 层、隐藏维度大小为 6144 和 64 个头。

旋转位置嵌入

与 RoFormer 一样，使用旋转嵌入代替 GPT 模型中使用的学习位置嵌入。

在基础的位置嵌入上，关于m位置的token，注意力在m-n上，做线性依赖的嵌入空间进行提取

也就是Xm和Xn是各位置出现的，已经处理之后的m和n的token嵌入，Wtq和Wk是下面公式的查询（query）和key的权重

换句话说，如下图，

如果Enhanced的位置编码是1，经过编码后如虚线部分位置，通过公式进行变换(回传)编码部分。

在GPT-NeoX-20B中旋转嵌入适作用于编码向量的前25%，早期实验结果中证明性能和计算的有效性相对来说比较好。

更加高效的训练

并行注意力和全连接层

为了提高计算效率，需要并行计算和添加注意力层和前馈层。

初始化

在前馈输出层中，使用了可定义为 2/L√d 的初始化架构。（为防止激活随着深度和宽度的增加而变大。

密集层

GPT3 在密集层和稀疏层之间交替，而 GPT-NeoX-20B 仅使用密集层来降低实现复杂性。

2.训练

基于数据集Pile训练

Tokenization： BPE

3.结果

3.1.自然语言任务

GPT-NeoX-20B在某些任务（如ARC、LAMBADA、PIQA、PROST）上的表现优于FairSeq 13B，而在其他任务上表现较差。（例如 HellaSwag、LogiQA Zero-Shot）。在 32 项任务中，22 项表现良好，4 项表现不佳，6 项在误差范围内。

GPT-NeoX-20B在HellaSwag上的性能最低，在Zero-Shot和Five-Shot设置下的得分比FairSeq 13B低四倍。

3.2.数学任务

对于数学问题，GPT-3 和 FairSeq 模型的表现相似，而 GPT-J 和 GPT-NeoX 模型的表现始终更好。鉴于 GPT-J 与 Pile 数据集中许多方程的相关性，可以假设这是由于数据造成的，由于训练数据不公开，因此很难验证它们。

3.3.高级任务

在基于知识的高级任务中，MMMLU（多学科多项选择题）GPT-NeoX 和 FairSeq 模型优于 GPT-3，在五轮学习中尤为突出。

在之前的研究中，Zero-Shot 和 Few-Shot 之间的性能差异并不显著，但在 GPT-NeoX 和 FairSeq 模型的情况下，发现 Zero-Shot 之间的差异可以忽略不计，而当增加到 Five-Shot 时，性能提升明显更大。

强大的小样本学习

实验结果表明，与FairSeq模型相比，GPT-J和GPT-NeoX在Few-Shot设置中具有明显更大的优势。

与Zero-Shot相比，GPT-J-6B和GPT-NeoX-20B分别提高了0.0526和0.0598，而FairSeq 6.7B和13B型号分别提高了0.0051和0.0183。

扩展

大模型训练流程

数据并行：模型的参数被复制到每个GPU上。每个GPU负责处理一部分独立的训练数据，并计算梯度。然后，这些梯度被汇总并应用于更新模型参数。这样，每个GPU都在处理整个模型的一部分数据，从而加速训练。
Batch Size：批量大小通常被等分到每个GPU上。例如，如果你有4个GPU，每个GPU可能处理总批量大小的1/4。
模型参数同步：在训练过程中，模型参数需要在不同的GPU之间同步，以确保它们保持一致。这可以通过梯度汇总和模型参数更新来实现。在深度学习框架中，通常会使用反向传播算法来计算每个GPU上的梯度，然后将这些梯度汇总起来，最后应用于更新模型参数。
数据分发：训练数据需要被分发到不同的GPU上。这可以通过数据切片或数据分区的方式实现。确保每个GPU都有足够的训练数据以进行有效的学习。
模型架构：在训练大型语言模型时，通常会使用分层的模型结构，以便更好地适应多GPU的训练。例如，可以使用分布式的Transformer架构。
内存管理：确保每个GPU的显存都足够容纳模型参数、梯度和训练数据。对于大型语言模型，可能需要特别注意内存的管理，以避免显存不足的问题。