如果你要训练一个模型大概会考虑哪些因素？

•      模型多大？参数

•      占用显存多少，能不能装的下

•      我需要多少算力来支撑

        本文就针对一个标准的Transfomer模型的套路和大家简单说一下

     

      为了后文大家看算式明白，我们先约定一下每个变量代表的意义

•        L: Transfomer有多少层

•        H：代表两个意义，第一个意义是hiddensize的维度，第二个就是token被embedding以后的维度，这两值本来也相等

•        h: 小写的h代表多头注意力的数量，即有几个attention 头

•        B:batchsize

•        S：序列的长度，比如GPT 2K，LLama2 4K，就是这个东西

•        V:  词表里词的数量

       然后我们逐一看一下我们都要算哪些模块

       如上图所示是一个标准的Transfomer架构，但是这东西我讲过除了T5和一些特定的网络以外大家都不这么用了，目前的主流是Causal-decoder only，也就是做CLM的任务，自回归的生成，因为现在的LLM主流任务主要是做生成的，对这个知识点感兴趣的读者，可以先移步：