一、模型蒸馏技术
本质上是从一个大模型蒸馏出小模型，从小模型训练出来的概率分布（如自回归模型预测下一个字的概率分布）分别与大模型预测的概率分布和ground label求loss。与大模型预测的概率分布用KL散度求loss，与ground label用交叉熵求分布。
KL散度：
二、SFT（有监督微调）
给模型的输入通常是问答对的形式，答就是对模型输出的监督，所以是一个有监督模型。在预训练阶段通常是对无标注数据进行自监督训练，可以减少很多人工标注的成本。相比较自回归预测下一个字的模型，SFT的区别在于，输入是问答对的方式，且输入与输出间有sep分隔，输出结果仍然按照预测下一个字的概率分布的形式，但是我们需要的结果是从sep开始的，而且loss只从预测出的sep后的第一个字开始计算，直到预测到终止符结束（使用掩码注意力机制进行训练，这是它与预训练在训练方式上的差距）
三、LLM的一些模型结构变化
multi-head共享：
第一个就是我们常见的multi-head机制，然后演化成了第三种multi-query，这种机制在计算k,v的时候不用768×768的矩阵，而是768×64的矩阵，再把L×64的矩阵与多个queries矩阵相乘，再拼接在一起，这种方式的目的是减少参数，加速训练。最后演化成了现在常用的第二种grouped-query，这种机制在计算k,v的时候不用768×768的矩阵，而是768×256的矩阵，然后分成四块，再将queries分组，分别相乘。
attention结构：
左边是传统的transformer block，右边进行了一些改动，将self-attention和feedfarward层并行计算，而不是左边的串行计算。
归一化层位置的选择：
归一化的方式：
激活函数：
swish函数相当于sigmoid(x)×x，有门的机制，对x的内容进行有效提取。
RoPE：
由于transformer在进行运算时，基本上都是线性层，改变两个字的顺序只会改变矩阵中行的位置，没有明显的位置信息，所以提出了位置编码。同时为了能让预测序列比训练序列长的时候仍有好的表现，也就是有比较好的长度外推性，提出了相对位置编码（bert里的position embedding是绝对位置编码，限制了预测的输出的长度）
换一种思维，我们本质上是想保留语序信息，所以我们可以在attention机制的部分保留每个字两两之间的语序信息，也就是保留第m个字和第n个字（m-n)的信息。所以提出了RoPE。它是在q和k矩阵相乘之前分别作用在q,k矩阵上的。
MOE架构：
在过线性层时，设置多个线性层，在进入feedforward前先做一个分类任务，经过router选择，一部分选择过线性层A，一部分选择过线性层B，然后按概率加权求和。
四、LLAMA2结构
在每一个block里，用pre-LN的方式先进行RMSnorm，接着过attention的掩码注意力机制层，q,k首先分别进行相对位置编码（RoPE），然后再相乘归一化后与v相乘，接着过一层线性层，过一层残差链接来到前馈网络，首先依然是RMSnorm，接着过线性层和激活函数再过一层线性层和残差链接。
