LLM极简科普

编者按：本文内容来自Datawhale《AI第一课》，目标是向普通大众传播AI相关知识。本文是第一稿，太过于偏技术，因此需要重新修改打磨。不过从有编程背景读者的角度看我觉得内容尚可，特记录在此。同时也是便于后面对比最终内容和最初内容的差别，提升自己科普内容创作方面的技巧。

简介

本节主要介绍LLM（Large Language Model，大语言模型）的基础科普。大纲如下：

  • 计算机如何识别文字：Token化+词嵌入（Tokenize+Embedding）
  • 大模型如何学习（训练）：下个词预测（Next Token Prediction，NTP）
  • 大模型如何理解文本：多层多头注意力（Multi-Layer+Multi-Head Self-Attention，MHA）
  • 大模型如何处理任务：上下文学习或情境学习（In-Context Learning）
  • 大模型如何生成回复：推理（Inference）

本文涉及到上面提到的重要概念时，会以中文表述，括号内的是对应的英文表达。

计算机如何识别文字

我们知道计算机底层是二进制的，只认识0和1，但是文字是高度抽象的，这中间需要进行映射。具体的做法就是将文本先分词（Token化），变成一个一个Token后，再把Token映射到一个固定的ID，然后再根据ID找到一个固定维度维度的向量。

Token化可以理解成分词过程，向量是一维的一串小数。举个例子：

1
2
3
sentence = Datawhale是一个开源学习组织。
# Token化
tokens = Datawhale 是 一个 开源 学习 组织 。

变成ID则需要一个词表，词表每一行就是一个Token，对应的序号就是ID。比如我们的词表（以词为例）是这样的：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
1 ABC
2 Datawhale
3 钢琴
4 吉他
5 开源
6 是
7 我
8 你
9 学习
10 一个
11 组织
12 。
……
下面很多词
……

词表一般都是几万甚至十几万的大小。有了词表，我们就知道前面例子中每个Token用什么数字来表示了。大家数一下ID，结果是：

1
tokens = 2 6 10 5 9 11 12

其实，这时候计算机已经能”认识“文字了，不过这种方法在深度学习中不太适合，所以还需要将其映射成一组小数。具体多少个小数都是事先指定的，一般和模型的维度一致，我们假设维度为512。再假设词表大小为32000，那就需要一个32000×512的二维数组，每一个词表ID对应这个二维数组的一行，这一行512个小数就表示该Token的表示，也叫做”词嵌入（Embedding）“。如下所示。

1
2
3
4
5
6
7
8
[0.29664, 0.34321, 0.24217, 0.75958, 0.62795, 0.22623, 0.6034, '...']
[0.37428, 0.2981, 0.29431, 0.84877, 0.99636, 0.16284, 0.0576, '...']
[0.31602, 0.32578, 0.43302, 0.66272, 0.48802, 0.19358, 0.22016, '...']
[0.22739, 0.70895, 0.41965, 0.6072, 0.18054, 0.36004, 0.30305, '...']
[0.90415, 0.83478, 0.44862, 0.46151, 0.40612, 0.36267, 0.99368, '...']
[0.65705, 0.34451, 0.49258, 0.40018, 0.07113, 0.21101, 0.66925, '...']
[0.07244, 0.5279, 0.43557, 0.42674, 0.65442, 0.0662, 0.75656, '...']
......................................................................

如果是前面的例子，Datawhale这个Token对应的表示就是[0.37428, 0.2981, 0.29431, 0.84877, 0.99636, 0.16284, 0.0576, '...']。

LLM如何学习（训练）

模型是什么？简单来说它就是一个规则，比如y=2x+1，对这个简单的模型来说，参数就是x的系数（等于2），x是输入，y是输出。

我们可以把大语言模型也当做一个函数：f(x)，它的输入是一串文字，输出也是一串文字。训练的核心就是预测下一个Token。训练数据对应的x和y如下所示：

1
2
3
4
5
6
7
8
x          ==>    f(x)   ==>       y
<s>        ==>    f(x)   ==>     Datawhale
Datawhale  ==>    f(x)   ==>     是
是         ==>    f(x)   ==>     一个
一个       ==>     f(x)   ==>    开源
开源       ==>     f(x)   ==>    组织
组织       ==>     f(x)   ==>    。
。         ==>     f(x)   ==>    </s>

通过预测下一个词（Next Token Prediction，NTP），模型f(x)就可以学习到语言内部的复杂关系。当然大模型的这个f(x)主要体现在大，大意味着模型的参数非常多，换句话说计算过程比较多。不过基本构成无非就是线性和非线性两种运算。

LLM如何理解文本

LLM的之所以能理解文本，关键是其中的多层多头自注意力设计。当模型接收到一段文本的输入后，多头自注意力模块会关注到文本的不同特征和属性，而多层的设计则会让不同的层有不同的分工，一般来说越是前面的层，理解的内容就越底层和抽象，越后面的层则相对越具体。我们来看个简单的例子，如下所示。

比如我们问模型：”Datawhale是一个开源学习组织。我想入门人工智能，Datawhale有哪些资料可以提供？“，然后看它在不同层，以及不同注意力头都在”注意“什么。

##LLM如何处理任务

刚刚我们其实是以对话的形式和LLM进行交互。但其实LLM还有一项突破性的功能——上下文学习（In-Context Learning）能力。简单来说，它可以根据你输入的文本，理解文本的意思，并对文本作出反馈。这也就意味着，只要我们的文本表述的足够清楚，LLM理论上可以完成各种任务。接下来我们就来试试。

文本里面常见的任务可以分为两类：理解和生成。常见的理解任务包括：情感分析、实体识别、意图理解等；常见的生成任务包括：文本摘要、文本续写改写、翻译等。我们直接动手尝试，方便起见，我们把每类任务合并掉让模型一次完成。

1
2
3
4
5
# 理解任务
prompt = """给你一段文本，你需要进行情感分析（判断文本情感倾向为正向、中性或负向），实体识别（找出其中的实体，并注明类型，最好先输出类型，再给出对应的实体），意图理解（判断文本意图，输出词即可，不要输出句子）。

文本：我想学人工智能，Datawhale有什么相关内容吗？我不了解这个组织，你怎么评价？
"""

结果如下所示（来自文心一言）：

1
2
3
4
5
6
7
8
# 生成任务
prompt = """给你一段文本，你需要将其总结成一句话的摘要，同时你需要将这句摘要改成鲁迅风格的，我还需要你输出这句摘要的英文版本。

文本：
Datawhale是一个专注于AI领域的开源组织，致力于构建一个纯粹的学习圈子，帮助学习者更好地成长。我们专注于机器学习，深度学习，编程和数学等AI领域内容的产出与学习。
Datawhale发展于2018年12月6日。团队成员规模也在不断扩大，有来自双非院校的优秀同学，也有来自上交、武大、清华等名校的小伙伴，同时也有来自微软、字节、百度等企业的工程师。
我们将一群有能力有想法的理想青年们集结在一起，共同改善学习的模式。在这里，我们没有标签。如果你是小白，我们将为你提供学习和改变的机会，如果你是优秀的学习者，我们将向你提供提升和发展的平台。
"""

结果如下所示（来自文心一言）：

LLM如何生成回复

刚刚我们已经看到模型可以处理各种任务了，这说明LLM它理解了我们给它的输入，而且它同时也知道应该输出什么。那LLM又是怎么输出的呢？

我们前面已经知道模型是通过预测下一个Token来进行学习的，推理生成时那肯定也是一个Token接着一个Token出来的。也就是说，每次只能输出一个Token，我们现在要探索的是它怎么输出这个Token的。

当给模型输入一段文本后，它会首先输出一个Token，这个Token是什么，取决于输入那段文本后模型的输出。那输出是什么呢，其实是一个在整个词表上的概率分布。以32000大小的词表为例，当我们输入给模型任意一段文本，它都会输出一个32000大小的输出，然后我们会对其进行一些处理，最后得到一个32000大小的概率分布（所有数字加起来等于1），然后就可以根据概率大小选择Token了。

得到第一个Token后，我们把这个Token放在输入文本后面作为新的输入，继续重复就可以源源不断地输出Token了。那什么时候停止呢？一般遇到结束标记（训练数据里的</s>）时停止，也可以指定生成的最大长度，到了最大长度时强行停止。

我们来看个具体的例子，还是以刚刚的输入为例。

1
2
3
query = "简单介绍一下Datawhale。"
input_ids = tokenizer(query)   # (1, 19)
output = model(input_ids)      # (1, 19, 32000)

第一步的输出如上，我们的输入是19个Token，输出就是每个Token对应一个32000大小的输出，这里我们只取最后一个Token的结果。

注意，虽然我们取的是最后一个，但其实最后一个的结果生成时是使用了前面所有Token的信息的。

接下来就是把这个32000大小的向量变成归一化（就是所有值加起来等于1）的概率。

1
2
3
# 取到最后一个32000
logits = output[:,-1,:]
probs = logits2probs(logits)

logits2probs 方法有很多，我们这里用最简单的——取概率最大的Token，得到下一个Token的ID，然后循环执行这个过程，就可以不断输出回复内容了。整个过程如下所示：

我们只生成了20个Token（每个用空格分开）。可以看到，模型接着我们的问题开始输出。

这就是模型如何生成回复的过程，它理解了我们给的输入，然后据此一个Token一个Token输出它基于输入的回复内容。

总结

LLM接受一段文本的输入，通过对文本理解后，针对性地输出回复内容。这个过程中，LLM的生成能力令我们惊艳，但更惊艳的其实是理解能力，不管我们给它什么任务，它看起来都能准确理解到我们的意图。这正是LLM革命性的表现——涌现——当模型规模达到一定程度后，模型能力突然得到极大提升。另外，涌现还有另一层意思，即多个简单的单元组合成功能复杂的系统的现象。而这正是深度学习和LLM的形态。