1. 大模型技术汇总-参数高效迁移学习方法

（Parameter-efficient Transfer Learning），即固定住Pretrain Language model的大部分参数，仅调整模型的一小部分参数来达到与Full fine-tuning接近的效果（调整的可以是模型自有的参数，也可以是额外加入的一些参数）。
下面这 3 类方法在微调时都固定了预训练参数，只训练添加的额外模块。

1. adapter
   把一个称为 adapter 的模块插入到预训练模型的中间层
2. Prefix Tuning
   Prefix-tuning是一种基于前缀的轻量化微调方法，为了增加前缀向量在训练时的稳定性，作者采用了重参数化的方法，通过一个若干较小的前缀向量经过单层MLP生成正常规模的前缀向量。在输入或者隐层添加多个可学习的前缀 tokens
   2.1 - Prompt-Tuning
   是Prefix Tuning的简化版本，只在输入层加入prompt tokens，并不需要加入MLP进行调整来解决难训练的问题，主要在T5预训练模型上做实验。随着预训练模型参数量的增加，Prompt Tuning的方法会逼近Fine-tune的结果。
   2.2. P-tuning
   P-Tuning同样提出将Prompt转换为可以学习的Embedding层，但同时考虑到直接对Embedding参数进行优化会存在这样两个挑战：

• 1. Discretenes：对输入正常语料的Embedding层已经经过预训练，而如果直接对输入的prompt embedding进行随机初始化训练，容易陷入局部最优。
• 2. Association：没法捕捉到prompt embedding之间的相关关系。

2.3. P-tuning与Prefix-Tuning的区别

• 1. 在Prefix Tuning是将额外的embedding加在开头，看起来更像是模仿Instruction指令；而P-Tuning的位置则不固定。
• 2. Prefix Tuning通过在每个Attention层都加入Prefix Embedding来增加额外的参数，通过MLP来初始化；而P-Tuning只是在输入的时候加入Embedding，并通过LSTM+MLP来初始化。

2.4. P-tuning-V2
P-Tuning v2的目标就是要让Prompt Tuning能够在不同参数规模的预训练模型、针对不同下游任务的结果上都达到匹敌Fine-tuning的结果。

• 1. 不同模型规模：Prompt Tuning和P-tuning这两种方法都是在预训练模型参数规模够足够大时，才能达到和Fine-tuning类似的效果，而参数规模较小时效果则很差。
• 2. 不同任务类型：Prompt Tuning和P-tuning这两种方法在sequence tagging任务上表现都很差。

2.5. P-tuning-V2比Prompt Tuning和P-tuning的好處
P-tuning v2方法在多层加入了Prompts tokens作为输入，带来两个方面的好处：

• 1. 带来更多可学习的参数（从P-tuning和Prompt Tuning的0.1%增加到0.1%-3%），同时也足够parameter-efficient。
• 2. 加入到更深层结构中的Prompt能给模型预测带来更直接的影响。

3. LoRA
   通过学习两个小参数的低秩矩阵来近似权重矩阵的参数更新
   LoRA是一种基于低秩的轻量化微调方法，也是目前在大模型领域应用最多的方法。相较于Adapter，LoRA不需要对模型添加额外的参数化结构。而相较于Prefix-tuning，LoRA不需要对输入端进行修改。取而代之的是，LoRA通过对模型参数的优化量进行了低秩近似。

其理论依据在于：神经网络通常包含大量的全连接层，并通过执行矩阵乘法来完成前向传播。这些全连接层中的参数矩阵往往是满秩的，对模型的训练过程其实就是在学习优化这些参数矩阵。而预训练模型中的参数矩阵往往存在一个”本征维度“，即我们学习到的这些参数的优化量可以是低秩的，被映射到一个低维空间下也能保持很好的性能。在这样的前提下，我们可以只对参数矩阵中低秩的部分进行优化，并将整体的训练过程表示成一个低秩矩阵的优化过程：

前向传播过程可以表示如下：

A、B是两个低维的矩阵，相较于原本的参数规模，待优化的参数规模被大大减小。整体的流程如下所示：

在RoBERTa，DeBERTa，GPT-2与GPT-3上，LoRA在只训练极少数参数的情况下取得了接近全参数微调的结果，证明了该方法的有效性。

---

參考：大模型微调技术汇总

2. 千亿模型并行训练技术

进行并行加速，可以从数据和模型两个维度进行考虑。

2.1. 数据并行（Data Parallelism，DP）

数据进行切分（Partition），并将同一个模型复制到多个设备上，并行执行不同的数据分片。
在数据并行系统中，每个计算设备都有整个神经网络模型的完整副本（Model Replica），进行迭代时，每个计算设备只分配了一个批次数据样本的子集，并根据该批次样本子集的数据进行网络模型的前向计算。假设一个批次的训练样本数为 N，使用 M 个计算设备并行计算，每个计算设备会分配到 N/M 个样本。前向计算完成后，每个计算设备都会根据本地样本计算损失误差得到 梯度 Gi（i 为加速卡编号），并将本地梯度 Gi 进行广播。所有计算设备需要聚合其他加速度卡给 出的梯度值，然后使用平均梯度 (ΣN i=1Gi)/N 对模型进行更新，完成该批次训练。

2.2. 模型并行（Model Parallelism，MP）

对模型进行划分， 将模型中的算子分发到多个设备分别完成

2.2.1. 流水线并行（Pipeline Parallelism，PP）

按模型的层切分到不同设备，即层间并 行或算子间并行（Inter-operator Parallelism）

• 流水线气泡（Pipeline Bubble）
  计算图中的下游设备（Downstream Device）需要长时 间持续处于空闲状态，等待上游设备（Upstream Device）的计算完成，才能开始计算自身的任务。这种情况导致了设备的平均使用率大幅降低，形成了模型并行气泡（Model Parallelism Bubble），也称为流水线气泡（Pipeline Bubble）

2.2.2. 张量并行 （Tensor Parallelism，TP）

将计算图层内的参数切分到不同设备，即层内并行或算子内并行（Intra-operator Parallelism）

---

參考：千亿模型并行训练技术

3. 大模型面试高频问题整理

3.1. GPT和Bert的区别？

參考：GPT和Bert的区别

3.2. NLP哪些场景不适用大模型？

• 推荐
• 知识图谱

3.3. ChatGPT的优缺点？

3.4. GPT系列的演进？

3.5. 为什么现在的大模型大多是decoder-only的架构？

LLM之所以主要都用Decoder-only架构，除了训练效率和工程实现上的优势外，在理论上是因为Encoder的双向注意力会存在低秩问题，这可能会削弱模型表达能力，就生成任务而言，引入双向注意力并无实质好处。

3.6. LLaMA的主要结构？

參考：LLaMA v1/2模型结构总览

3.7. 旋转位置编码的原理？

3.8. RMSNorm和LayerNorm的区别？

3.9. GLM是如何结合三种架构的？

3.10. encoder的attention和decoder的attention的区别？

3.11. 常见的大模型finetune方法？

3.12. LoRA的原理，一般用在什么层？

3.13. 低秩矩阵为什么表达能力弱？

3.14. ChatGPT的训练步骤？

3.15. RLHF分为几个阶段？

3.16. PPO的原理？

3.17. 为什么in-context learning有效？

3.18. ChatGPT思维链能力是如何获取的？

3.19. ChatGPT和 instructGPT的区别？

3.20. BPE、wordpiece、sentencepiece的区别？

3.21. attention的复杂度？attention的优化？

3.22. Multihead self-attention代码实现？

3.23. self-attention参数量计算？

3.24. attention中QKV的含义和作用？

3.25. attention mask是如何实现的？

3.26. layer normalization的优化？

3.27. layer normalization和batch normalization的区别？

3.28. 位置编码的方式对比？

3.29. Decoding方式对比？

3.30. Bert的优缺点？MLM和NSP两个任务后续的改进？

3.31. 国内做自研大模型的意义？