一、參數(shù)訓練

????????GPT模型參數(shù)的訓練過程宏觀上有兩個大環(huán)節(jié)，先從上往下進行推理，再從下往上進行訓練，具體過程為：

1、模型初始化參數(shù)隨機取得；

2、計算模型輸出與真實數(shù)據(jù)的差距（損失值和梯度）

3、根據(jù)損失值，反向逐層調整權重參數(shù)；

如下圖：

?參數(shù)的生命周期分為三個階段：

一、參數(shù)的產生-訓練。初始通過隨機產生，之后多次迭代訓練，最終逼近準確值。這個過程在稍后的代碼實踐會有所體現(xiàn)。

二、參數(shù)的使用--推理。這個過程主要就是大量的矩陣計算。

三、參數(shù)微調。微調就好比給毛坯房做裝修的過程，根據(jù)不同的需求采用不同的微調方法，主要的微調方法如下所示：

二、GPT模型訓練實踐

接下來通過代碼片段展示使用 PyTorch 庫和Transformer架構從頭開始構建 GPT模型的步驟。該代碼分為幾個部分，依次執(zhí)行以下任務：

• 數(shù)據(jù)預處理：代碼的第一部分對輸入文本數(shù)據(jù)進行預處理，將其標記為單詞列表，將每個單詞編碼為唯一的整數(shù)，并使用滑動窗口方法生成固定長度的序列。
• 模型配置：這部分代碼定義了GPT模型的配置參數(shù)，包括轉換器層數(shù)、注意力頭數(shù)量、隱藏層大小和詞匯表大小。
• 模型架構：這部分代碼使用 PyTorch 模塊定義了 GPT 模型的架構。該模型由一個嵌入層、后面的一堆轉換器層和一個線性層組成，該線性層輸出序列中下一個單詞的詞匯表的概率分布。
• 訓練循環(huán)：這部分代碼定義了 GPT 模型的訓練循環(huán)。它使用 Adam 優(yōu)化器來最小化序列的預測和實際下一個單詞之間的交叉熵損失。該模型根據(jù)預處理文本數(shù)據(jù)生成的批量數(shù)據(jù)進行訓練。
• 文本生成：代碼的最后一部分演示了如何使用經過訓練的 GPT 模型生成新文本。它使用給定的種子序列初始化上下文，并通過從模型輸出的概率分布中采樣來迭代生成新單詞，以獲取序列中的下一個單詞。生成的文本被解碼回單詞并打印到控制臺。

本次演示代碼主要參考HOW TO BUILD A GPT MODEL?。 筆者直接將部分代碼注釋合入到代碼之中，方便理解，當然，要想真正去感受，建議直接利用google?Colaboratory運行調試。

以下為筆者調試的過程，可以嘗試去改變里面的超參數(shù)，感受訓練的過程。

max_iters設為5000，本次迭代到4999：va loss由?4.4022 調節(jié)到?1.8239。

運行代碼：

# 第一步是導入使用 PyTorch 構建神經網(wǎng)絡所需的庫，其中包括導入必要的模塊和函數(shù)。
#在此代碼片段中，開發(fā)人員正在導入 PyTorch 庫，這是一種用于構建神經網(wǎng)絡的流行深度學習框架。然后，開發(fā)人員從 torch 庫中導入 nn 模塊，其中包含用于定義和訓練神經網(wǎng)絡的類和函數(shù)。
import torch
import torch.nn as nn
from torch.nn import functional as F

# hyperparameters定義超參數(shù)，這些參數(shù)對訓練和調微非常重要
# 這些參數(shù)決定模型的性能、速度和容量，可以通過變更參數(shù)來調節(jié)，比如把下面的最大迭代數(shù)max_iters = 5000 改為 max_iters = 1000，訓練時間將變短
# 這些超參數(shù)的意義：
# batch_size：該參數(shù)確定訓練期間將并行處理的獨立序列的數(shù)量。較大的批量大小可以加快訓練速度，但需要更多內存。
# block_size：此參數(shù)設置預測的最大上下文長度。GPT 模型根據(jù)作為輸入接收的上下文生成預測，并且此參數(shù)設置該上下文的最大長度。
# max_iters：該參數(shù)設置GPT模型的最大訓練迭代次數(shù)。
# eval_interval：該參數(shù)設置訓練迭代次數(shù)，之后將評估模型的性能。
# Learning_rate：此參數(shù)確定優(yōu)化器在訓練期間的學習率。
# device：此參數(shù)設置將在其上訓練 GPT 模型的設備（CPU 或 GPU）。
# eval_iters：該參數(shù)設置訓練迭代次數(shù)，之后將評估并保存模型的性能。
# n_embd：該參數(shù)設置GPT模型的嵌入維度數(shù)。嵌入層將輸入序列映射到高維空間，該參數(shù)決定該空間的大小。
# n_head：該參數(shù)設置GPT模型的多頭注意力層中注意力頭的數(shù)量。注意力機制允許模型關注輸入序列的特定部分。
# n_layer：該參數(shù)設置GPT模型中的層數(shù)。
# dropout：該參數(shù)設置 GPT 模型的 dropout 概率。Dropout是一種正則化技術，在訓練過程中隨機丟棄一些神經網(wǎng)絡的節(jié)點，以防止過度擬合。
batch_size = 16 # how many independent sequences will we process in parallel?
block_size = 32 # what is the maximum context length for predictions?
max_iters = 5000
eval_interval = 100
learning_rate = 1e-3
device = 'cuda' if torch.cuda.is_available() else 'cpu'
eval_iters = 200
n_embd = 64
n_head = 4
n_layer = 4
dropout = 0.0
# ------------
# 讀取輸入文件，使用 torch.manual_seed() 為 PyTorch 的隨機數(shù)生成器設置手動種子。
# 這樣做是為了確保 GPT 模型的結果是可重復的。傳遞給 torch.manual_seed() 的參數(shù)是一個任意數(shù)字（在本例中為 1337），
# 用作隨機數(shù)生成器的種子。通過設置固定種子，開發(fā)人員可以確保每次運行代碼時生成相同的隨機數(shù)序列，從而確保 GPT 模型在相同的數(shù)據(jù)上進行訓練和測試。
torch.manual_seed(1337)
#使用 Python 的內置 open() 函數(shù)讀取文本文件，并使用 read() 方法讀取其內容。該文本文件包含將用于訓練 GPT 模型的輸入文本。
# wget https://raw.githubusercontent.com/karpathy/char-rnn/master/data/tinyshakespeare/input.txt
with open('input.txt', 'r', encoding='utf-8') as f:
    text = f.read()

# here are all the unique characters that occur in this text，識別文本中出現(xiàn)的獨特字符
# 此段代碼為GPT模型創(chuàng)建詞匯表
# 首先，我們使用 set() 函數(shù)和 list() 構造函數(shù)創(chuàng)建文本數(shù)據(jù)中存在的唯一字符的排序列表。set() 函數(shù)返回文本中唯一元素的集合，list() 構造函數(shù)將該集合轉換為列表。
# Sorted() 函數(shù)按字母順序對列表進行排序，創(chuàng)建文本中存在的唯一字符的排序列表。

# 接下來，我們使用 len() 函數(shù)獲取字符列表的長度。這給出了文本中唯一字符的數(shù)量，并用作 GPT 模型的詞匯量大小。

# 詞匯量大小是決定GPT模型容量的重要超參數(shù)。詞匯量越大，模型的表達能力就越強，但也會增加模型的復雜性和訓練時間。
# 詞匯量的大小通常是根據(jù)輸入文本的大小和要解決的問題的性質來選擇的。
# 創(chuàng)建詞匯表后，文本數(shù)據(jù)中的字符可以映射為整數(shù)值，并通過 GPT 模型生成預測。
chars = sorted(list(set(text)))
vocab_size = len(chars)
# create a mapping from characters to integers，創(chuàng)建映射
#第一步是創(chuàng)建字符和整數(shù)之間的映射，這對于構建 GPT 等語言模型是必需的。
#為了使模型能夠處理文本數(shù)據(jù)，它需要能夠將每個字符表示為數(shù)值，這就是以下代碼所完成的任務
stoi = { ch:i for i,ch in enumerate(chars) }
itos = { i:ch for i,ch in enumerate(chars) }
encode = lambda s: [stoi[c] for c in s] # encoder: take a string, output a list of integers
decode = lambda l: ''.join([itos[i] for i in l]) # decoder: take a list of integers, output a string

# Train and test splits 對輸入數(shù)據(jù)進行編碼
data = torch.tensor(encode(text), dtype=torch.long)
n = int(0.9*len(data)) # first 90% will be train, rest val，90%用來訓練，10%用來驗證
train_data = data[:n]
val_data = data[n:]
#生成批量輸入和目標數(shù)據(jù)以訓練 GPT
# data loading
def get_batch(split):
    # generate a small batch of data of inputs x and targets y
    data = train_data if split == 'train' else val_data
    ix = torch.randint(len(data) - block_size, (batch_size,))
    x = torch.stack([data[i:i+block_size] for i in ix])
    y = torch.stack([data[i+1:i+block_size+1] for i in ix])
    x, y = x.to(device), y.to(device)
    return x, y

#使用預訓練模型計算訓練和驗證數(shù)據(jù)集的平均損失
@torch.no_grad()
def estimate_loss():
    out = {}
    model.eval()
    for split in ['train', 'val']:
        losses = torch.zeros(eval_iters)
        for k in range(eval_iters):
            X, Y = get_batch(split)
            logits, loss = model(X, Y)
            losses[k] = loss.item()
        out[split] = losses.mean()
    model.train()
    return out
#在 Transformer 模型中定義自注意力機制的一個頭
class Head(nn.Module):
    """ one head of self-attention """

    def __init__(self, head_size):
        super().__init__()
        self.key = nn.Linear(n_embd, head_size, bias=False)
        self.query = nn.Linear(n_embd, head_size, bias=False)
        self.value = nn.Linear(n_embd, head_size, bias=False)
        self.register_buffer('tril', torch.tril(torch.ones(block_size, block_size)))

        self.dropout = nn.Dropout(dropout)

    def forward(self, x):
        B,T,C = x.shape
        k = self.key(x)   # (B,T,C)
        q = self.query(x) # (B,T,C)
        # compute attention scores ("affinities")
        wei = q @ k.transpose(-2,-1) * C**-0.5 # (B, T, C) @ (B, C, T) -> (B, T, T)
        wei = wei.masked_fill(self.tril[:T, :T] == 0, float('-inf')) # (B, T, T)
        wei = F.softmax(wei, dim=-1) # (B, T, T)
        wei = self.dropout(wei)
        # perform the weighted aggregation of the values
        v = self.value(x) # (B,T,C)
        out = wei @ v # (B, T, T) @ (B, T, C) -> (B, T, C)
        return out
# 實現(xiàn)多頭注意力機制
class MultiHeadAttention(nn.Module):
    """ multiple heads of self-attention in parallel """

    def __init__(self, num_heads, head_size):
        super().__init__()
        self.heads = nn.ModuleList([Head(head_size) for _ in range(num_heads)])
        self.proj = nn.Linear(n_embd, n_embd)
        self.dropout = nn.Dropout(dropout)

    def forward(self, x):
        out = torch.cat([h(x) for h in self.heads], dim=-1)
        out = self.dropout(self.proj(out))
        return out

class FeedFoward(nn.Module):
    """ a simple linear layer followed by a non-linearity """

    def __init__(self, n_embd):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(n_embd, 4 * n_embd),
            nn.ReLU(),
            nn.Linear(4 * n_embd, n_embd),
            nn.Dropout(dropout),
        )

    def forward(self, x):
        return self.net(x)

class Block(nn.Module):
    """ Transformer block: communication followed by computation """

    def __init__(self, n_embd, n_head):
        # n_embd: embedding dimension, n_head: the number of heads we'd like
        super().__init__()
        head_size = n_embd // n_head
        self.sa = MultiHeadAttention(n_head, head_size)
        self.ffwd = FeedFoward(n_embd)
        self.ln1 = nn.LayerNorm(n_embd)
        self.ln2 = nn.LayerNorm(n_embd)

    def forward(self, x):
        x = x + self.sa(self.ln1(x))
        x = x + self.ffwd(self.ln2(x))
        return x
# 模型訓練和文本生成
# super simple bigram model
class BigramLanguageModel(nn.Module):

    def __init__(self):
        super().__init__()
        # each token directly reads off the logits for the next token from a lookup table
        self.token_embedding_table = nn.Embedding(vocab_size, n_embd)
        self.position_embedding_table = nn.Embedding(block_size, n_embd)
        self.blocks = nn.Sequential(*[Block(n_embd, n_head=n_head) for _ in range(n_layer)])
        self.ln_f = nn.LayerNorm(n_embd) # final layer norm
        self.lm_head = nn.Linear(n_embd, vocab_size)

    def forward(self, idx, targets=None):
        B, T = idx.shape

        # idx and targets are both (B,T) tensor of integers
        tok_emb = self.token_embedding_table(idx) # (B,T,C)
        pos_emb = self.position_embedding_table(torch.arange(T, device=device)) # (T,C)
        x = tok_emb + pos_emb # (B,T,C)
        x = self.blocks(x) # (B,T,C)
        x = self.ln_f(x) # (B,T,C)
        logits = self.lm_head(x) # (B,T,vocab_size)

        if targets is None:
            loss = None
        else:
            B, T, C = logits.shape
            logits = logits.view(B*T, C)
            targets = targets.view(B*T)
            loss = F.cross_entropy(logits, targets)

        return logits, loss

    def generate(self, idx, max_new_tokens):
        # idx is (B, T) array of indices in the current context
        for _ in range(max_new_tokens):
            # crop idx to the last block_size tokens
            idx_cond = idx[:, -block_size:]
            # get the predictions
            logits, loss = self(idx_cond)
            # focus only on the last time step
            logits = logits[:, -1, :] # becomes (B, C)
            # apply softmax to get probabilities
            probs = F.softmax(logits, dim=-1) # (B, C)
            # sample from the distribution
            idx_next = torch.multinomial(probs, num_samples=1) # (B, 1)
            # append sampled index to the running sequence
            idx = torch.cat((idx, idx_next), dim=1) # (B, T+1)
        return idx

model = BigramLanguageModel()
m = model.to(device)
# print the number of parameters in the model
print(sum(p.numel() for p in m.parameters())/1e6, 'M parameters')

# create a PyTorch optimizer
optimizer = torch.optim.AdamW(model.parameters(), lr=learning_rate)

for iter in range(max_iters):

    # every once in a while evaluate the loss on train and val sets
    if iter % eval_interval == 0 or iter == max_iters - 1:
        losses = estimate_loss()
        print(f"step {iter}: train loss {losses['train']:.4f}, val loss {losses['val']:.4f}")

    # sample a batch of data
    xb, yb = get_batch('train')

    # evaluate the loss
    logits, loss = model(xb, yb)
    optimizer.zero_grad(set_to_none=True)
    loss.backward()
    optimizer.step()
#從模型生成
# generate from the model
context = torch.zeros((1, 1), dtype=torch.long, device=device)
print(decode(m.generate(context, max_new_tokens=2000)[0].tolist()))

本文參考：

1、合集·GPT模型詳細解釋

2、HOW TO BUILD A GPT MODEL?

3、What Is a Transformer Model?

4、代碼：https://colab.research.google.com/drive/1JMLa53HDuA-i7ZBmqV7ZnA3c_fvtXnx-?usp=sharing#scrollTo=hoelkOrFY8bN?5、封面:ChatGPT, GPT-3, & GPT-4: What is Really the Difference??

尤其感謝B站UP主三明2046，其作品《合集GPT模型詳細解釋》生動精彩，本系列文章充分吸收學習了該課程，并且在文章圖片素材多有引用；

本文代碼部分主要引用；

如有侵權，請聯(lián)系筆者刪除，感謝，致敬！文章來源地址http://www.zghlxwxcb.cn/news/detail-527871.html

到了這里，關于GPT模型訓練實踐（3）-參數(shù)訓練和代碼實踐的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！