A Survey of Large Language Models

近期，ChatGPT成为了全网热议的话题。ChatGPT是一种基于大规模语言模型技术（LLM， large language model）实现的人机对话工具。现在主流的大规模语言模型都采用Transformer网络，通过极大规模的数据进行自监督训练。但是，如何构建自监督训练数据？在基础的Transformer结构上，大家又做了哪些创新呢？为了保证训练过程高效且稳定，又有哪些黑科技呢？今天给大家介绍一篇来自人民大学的综述论文，为大家解密这些大模型的训练技巧。

论文地址: http://arxiv.org/abs/2303.18223

相关资源参考: https://github.com/RUCAIBox/LLMSurvey

训练数据的收集与处理

大规模语言模型对训练数据的规模与质量都有更高的要求。那现在的大模型都用了什么语料？这些语料都发挥着怎样的作用？如何对语料做清洗和预处理？大模型还有什么特殊的细节需要我们去处理？

数据来源

数据来源上，大规模语言模型的训练数据可以一般性语料与特殊语料。一般性语料，如网页、书籍、对话文本，占比较大，可以在各种话题上为模型提供语言知识；而特殊语料，如多语言数据、科技语料、代码等，可以为模型带来解决特定任务的能力。现有的大模型训练语料的成分比例如下图所示：

一般性语料中，网页语料规模较大，但其中包含Wikipedia等高质量语料的同时，还包含垃圾邮件等低质量语料，一般需要过滤处理。问答语料，如Reddit等社交媒体平台，可以潜在地提高模型回答问题的能力。社交媒体通常涉及多人对话，对话语料可以根据回复关系整理成树状结构，从而每一条支路都是一段完整的对话内容。书籍语料是少有的书面语长文本，可以帮助模型学习严谨的语言学知识，建模长距离依赖，提高生成内容的连贯性。

特殊语料中，多语言语料可以提升模型在翻译，多语言摘要、问答等任务上的能力。科技语料通过获取arXiv论文、教科书、数学网络社区等内容，可以帮助模型理解特殊符号、术语和表达式，提高模型在科技任务与推理上的表现。代码语料主要来自Stack Exchange等问答社区以及GitHub上的开源项目，包含代码、注释和文档。最近研究表明，代码语料可以提升模型复杂推理的能力（chain-of-thought），因其具有的长距离依赖以及内在精密的逻辑。

清洗与预处理

得到语料之后，一般人们通过上图的流程来清洗、预处理语料，提升质量。

具体而言，在第一步的语料清洗中，可以利用Wikipedia等样本作为正例训练一个二分类器筛选高质量语料。不过最近的研究表明，这一筛选方式可能带来偏见。所以现在更推荐使用启发式规则来筛选，比如剔除非目标任务语言、丢弃低perplexity数据、删去标点/符号过多或过长过短的句子、删除具有某些特定词汇（如html标签、链接、脏话、敏感词）的句子。

第二步是去重。包含大量重复词汇或短语的句子可以删掉；重复率（词/n-grams共现）过高的段落可以删掉；删除训练集中可能与测试集相关度过高的内容。这样可以提高训练集质量，缓解语言模型生成内容重复的问题，避免测试集泄露带来的过拟合问题。

第三步是通过关键词等方式剔除用户隐私信息（姓名、地址、电话等）

最后，三步清洗完毕，就可以上分词、准备训练了。分词方面，并没有什么黑科技。要么直接使用GPT-2等现成的分词器，要么对训练语料构建基于SentencePiece、Byte Pair Encoding等算法的分词方式。

一些注意细节

大模型的特点，导致在处理预训练语料时，需要注意一些特殊的细节：

需要调节不同来源的语料的混合比例，不能直接基于语料规模。均衡的语料比例有助于提高模型的泛化能力，特定类型的语料可以提升模型特定的能力。
语料规模要与模型的参数规模相配合。经验表明，给定算力，语料的token数与模型的参数个数相当时，模型的表现相对更好。所以不要一味地追求大语料，控制规模、提高质量、训练充分，也很重要。
语料质量很重要（再次强调）。实验表明，大模型训练时，低质量的语料不用都比用了好。过多的重复数据甚至会让训练过程失效（崩溃或陷入无意义的局部最优）。

模型结构与任务

主流的大规模语言模型都是基于Transformers结构。从下图中可以看出，绝大多数模型均基于Casual decoder结构，即仅使用解码器（单向注意力遮掩）处理输入和输出内容。小编猜测是因为GPT-3展现了Casual decoder很强的能力之后，结合上该结构上的scaling law等研究，人们已经丧失了调研其他结构的兴趣。

另外两种大语言模型的结构，Encoder-decoder结构和最初做机器翻译的模型类似，采用两个不共享参数上的组件分别处理输入和输出内容。而Prefix decoder 和 Casual decoder很像，但是在输入部分内不采用单向注意力遮掩，而允许双向注意力。有点像是共享参数的Encoder-decoder结构。

除了Transformer的结构选取。上表还展示一些模型设计细节。具体包括以下几点：

Layer Normalization（层归一化）是确保模型收敛，缓解训练崩溃问题的重要手段。具体而言，经典的Pre Norm在每个多头注意力层与前馈网络层前加层归一化。Pre RMS Norm在Pre Norm的基础上，去掉了归一化中的均值部分，即仅就标准差做尺度缩放，让优化过程更平滑，是现在的主流推荐方法。此外，在Embedding后加Norm，虽然会让优化更平滑，但却会明显降低模型表现，所以现在一般不再使用。
激活函数方面，传统的ReLU一般是不够看的。现在认为，SwiGLU 和 GeGLU 可以带来更好的表现，但相对于GeLU等激活函数而言，会带来更多的参数。
位置信息编码，传统的有习得的绝对位置编码（Learned）与针对相对距离的相对位置编码（Relative）。后者针对测试时的更长语料时具有更好的外推性。最近，RoPE使用较为广泛，特点在于使用类似于核函数、三角旋转的方式，给query和key向量带上绝对位置编码，从而使得其内积中带有表达相对位置信息的项。

除此之外，上表中还汇总了部分超参数信息，如#L层数、#H头数、隐层规模、MCL最大上下文长度。

相较模型结构细节，预训练任务上的设计就很朴实无华了。最常见的预训练任务就是自回归语言模型，让语言模型逐一地根据输入历史预测下一个词，广泛地被GPT-3等语言模型所采纳。而像T5 和 GLM-130B 引入了降噪自编码训练目标，让模型还原输入内容中被遮掩的语段。

优化设置与技巧

大规模语言模型为了使训练过程更加高效、平稳，在训练过程中还有一系列的“黑科技”。具体而言，这些技巧可以：1、提升模型最终表现；2、提升模型收敛速度；3、避免模型收敛到loss很高的局部最优，或者不收敛；4、避免训练过程崩溃。现有的大模型公开的优化设置与技巧如下表所示。

batch-size一般设置较大，为了更好地利用大规模训练数据，让模型训练过程更加稳定。比如使用8196的batch-size（每个batch处理1.6M个token输入）。GPT-3使用动态调整Batch-size的方式，使其处理的Token数从32K逐渐增大到3.2M。

学习率 一般较小，且包含warm up设置，以确保训练平稳。比如在前0.1%~0.5%的训练步骤中，设置一个线性的学习率递增。峰值学习率一般在以下，比如GPT-3的学习率是。之后，会采用cosine decay strategy，逐渐减小学习率，在收敛前将学习率再下降10%左右。

优化器一般采用Adam、AdamW、以及Adafactor。其中，Adafactor是Adam的一个节约显存的变体。

其它稳定训练过程的技巧包括梯度裁剪（gradient clipping），以1.0为阈值；weight decay（类似于L2正则）率为0.1。即使如此，大模型的训练过程依然经常崩溃。PaLM 和 OPT 提出，在发生崩溃时可以从之前的一个中间节点开始继续训练，并且跳过之前那段导致崩溃的训练数据。GLM 发现embedding层经常有异常梯度，需要适当调整。

数据并行（Data parallelism） 是最常用的一种多卡训练方式。将训练数据分配到多块显卡上，分别计算前向和反向传播之后，再汇总梯度，更新参数，同步模型。该方法可以解决单卡batch过小的问题。

流水线并行（Pipeline parallelism） 在一块显卡上只存储、计算一些相邻的层。为了缓解时序操作等待带来的低效问题，GPipe 和 PipeDream 等工具提出在流水线中集合多个batch的数据，并异步更新参数。该方法可以缓解单卡跑不动batch-size为1的情况。

张量并行（Tensor parallelism） 对大矩阵乘法运算：中的A矩阵做拆分，从而使该运算转化成两个较小的矩阵的乘法结果的拼接：，而两个较小的矩阵乘法可以放在两块显卡上进行。该方法被 Megatron-LM、Colossal-AI等工具实现，可以缓解单一大矩阵乘法显存占用过高的问题，同时也会带来一定的通讯成本。

混合精度训练 使用半精度浮点计算来代替训练过程的部分参数（特别是前向传播部分），从而起到降低显存提升速度的作用。A100等显卡对半精度浮点计算做了优化，从而使混合精度训练更加有效。最近也有提出用Brain Floating Point (BF16)取代传统的FP16，增加指数位，减少有效数字。不过，虽然混合精度计算提速明显，但经验表明还是会降低准确度与模型表现。

ZeRO 是DeepSpeed提出进一步优化数据并行的一个方案，用于提高模型参数之外的显存空间并行性。上图的混合精度计算流程就非常明显，有大量参数之外的储存资源消耗。事实上，1.5B参数的半精度GPT-2储存空间只有3GB，却无法在32GB的显卡上训练，就是这个原因。ZeRO主要思想包括，将梯度、动量等更新相关的信息也分布式地储存在每块卡上，这样汇总更新时每块卡分别更新对应位置的参数再同步即可；在更新梯度后释放梯度相关的显存等。由于该方法比较复杂，我们这里就不详述了。PyTorch的DeepSpeed和FSDP工具均支持ZeRO。

在实际使用中，上述优化设置通常组合使用。比如BLOOM模型的384块A100采用了8路数据并行，4路张量并行和12路流水线并行，并采用了基于BF16的混合精度训练策略。DeepSpeed, Colossal-AI，Alpa 等开源工具支持并行相关的功能。

除此之外，为了减少试错成本，GPT-4还提出了predictable scaling，通过较小的神经网络模型来预测大模型设置的可能表现。PyTorch的FSDP还支持让CPU分担部分计算压力。