自己在看面经中遇到的一些面试题，结合自己和理解进行了一下整理。

transformer中求和与归一化中“求和”是什么意思？
求和的意思就是残差层求和，原本的等式为y = H(x)转化为y = x + H(x)，这样做的目的是防止网络层数的加深而造成的梯度消失，无法对前面网络的权重进行有效调整，导致神经网络模型退化（这种退化不是由过拟合造成的，而是较深模型后面添加的不是恒等映射反而是一些非线性层）。已经学习到较饱和的准确率（或者当发现下层的误差变大时），那么接下来的学习目标就转变为恒等映射的学习，也就是使输入x近似于输出H(x)，以保持在后面的层次中不会造成精度下降。

注意力机制中计算注意力分数时为什么会除以根号dk？
这和softmax的求导有关，softmax的计算公式=exp(x1)/exp(x1)+exp(x2)，另p=exp(x1)/exp(x1)+exp(x2)，那么softmax求导之后=p*(1-p)，当p趋近于1时，softmax的导数就趋近于0。故除以根号dk的原因是：为了避免softmax计算的结果过大，造成偏导数为0。

多头注意力比单头注意力的好处？
注意力的计算是并行进行的，多头可以提高计算效率。并且多头可以捕获不同子空间内的特征。

transformer比起RNN的优势？
RNN在传播的过程中会出现信息衰减，而transformer当前词不管距离其他词多远，其只有这个词与其他词的相关性有关。并且transformer的encode可以并行计算，RNN不可以。

transformer为什么使用层归一化？
（当前值减均值）/ 标准差。减小梯度消失和梯度爆炸的问题，并提高网络的泛化性能。*

批量归一化是不同训练数据之间对单个神经元的归一化，层归一化是单个训练数据对某一层所有神经元之间的归一化。

transformer中解码器的注意力与编码器的区别
decode中的自注意力是带掩码的，不让decode看到后文。还有一个encode-decode注意力层，这一层注意力层只有q来源于上一层decode单元的输出，剩下的k、v都来源于encode最后一层的输出。

前馈层
两层relu激活函数，一层全连接神经网络。

BERT的训练任务
1.在输入数据中选择15%用于预测，这15%的数据中有80%被替换为mask，10%的单词被替换为其他词，10%的单词保持不变。2.上下段落匹配，其中50%使用正确的上下句关系，50%随机抽取一个句子拼在后面。

BERT的优缺点
1.预训练阶段会出现特殊的[MASK]字符，而在下游任务中不会出现，造成预训练和微调之间的不匹配。
2.每个batch只有15%的token会被预测，所有收敛速度会比传统语言模型慢。
3.缺乏生成能力。

chatgpt的训练过程
1.SFT阶段（有阶段微调）：使用问答对微调GPT3。这一阶段的损失是交叉熵。
2.RM奖励模型：使用1的SFT模型收集每个问题的4-9个回答，并对其进行人为排序。这一阶段使用的损失是排序损失函数，排序高的回答的奖励值-排序低的回答的奖励值，我们希望这个值越大越好。
3.PPO算法更新策略：

LLAMA作出的改进
1.归一化又LN改为了RMS Norm。
2.SwiGLU替代ReLU。
3.旋转位置编码替代位置编码。

ChatGLM作出的改进
1.重新排列了层归一化和残差连接的顺序
2.用GeLU替。换ReLU激活函数
3.在结构和训练目标上兼容这三种预训练模型，需要GLM中同时存在单向注意力和双向注意力，当attention_mask为全1时为双向的attention，当attention_mask为三角矩阵时为单向的attention。
4.使用P-tuning进行的微调。

ChatGLM的训练任务
1.文档级别的预测/生成：从文档中随机采样一个文本片段进行掩码，片段的长度为文档长度的50%-100%。
2.句子级别的预测/生成：从文档中随机掩码若干文本片段，每个文本片段必须为完整的句子，被掩码的词数量为整个文档长度的15%。
既保证了模型的自编码能力又有自回归能力。

Baichuan作出的改进
1.RoPE位置编码
2.RMSNorm归一化
3.SwiGLU激活函数
4.1.2万亿训练数据/上下文窗口4096

参数微调的方法
1.Adapter Tuning：将其嵌入Transformer的结构里面，在训练时，固定住原来预训练模型的参数不变，只对新增的Adapter结构进行微调。
2.Prefix Tuning：构造隐式的输入token，加入到输入前缀（我的理解是将prompt变成可以调整参数的格式）
3.P-tuning：同样加了可微的virtual token，但是仅限于输入，没有在每层加。且virtual token的位置也不一定是前缀，插入的位置是可选的，这里的出发点实际是把传统人工设计模版中的真实token替换成可微的virtual token。
4.P-tuning V2：在输入前面的每层加入可微调的参数。
5.LoRA：冻结了预训练的模型权重，在需要训练的矩阵开通一个旁路矩阵，分为一个降秩矩阵和一个升秩矩阵（比如一个100×100的矩阵可以替换为一个100×2和一个2×100两个矩阵，参数量减少了10000-400），将最后的结果加到原始矩阵上。
6.QLoRA：引入了4位量化、双量化和利用nVidia统一内存进行分页。所有这些步骤都大大减少了微调所需的内存，同时性能几乎与标准微调相当。

模型量化
比如8位量化需要最大值为127，那么选取模型中参数最大的值/127为缩放比例a，将所有的数都除以这个缩放比例a。

Actor-Critic架构

Actor演员使用SFT模型初始化，使用问答对来更新其策略；Critic评论家使用RM模型初始化，用来拟合旧价值估计；Reward Model用来产生当前状态和策略下获得的奖励值；奖励值减掉SFT旧策略与新策略之间的KL散度作为reward，优势函数等于reward减掉旧状态价值估计。当优势函数大于0时，就要鼓励当前的动作；当优势函数小于0时，就要抑制当前动作。

优化器
SGD：随机梯度下降，它使用数据集中的单个样本或一批样本的梯度来更新模型参数。计算过程为原始参数=原始参数-学习率×梯度。
Adam：自适应学习率的梯度下降，Adam算法将不同的梯度给予不同的权重，使得神经网络在学习率稳定时，能快速、稳定的收敛到最佳点。

当m0很小时，使用修正因子重新计算了mt。

为什么sigmoid函数和tanh函数会出现梯度消失
这和两者的求导有关，sigmoid(x) = 1/(1+exp(-x)) = p，求导后表达式为p(1-p)，当x趋于正无穷或负无穷时，p趋于1或0，求导后的结果趋于0，因此会出现梯度消失。
tanh(x) = (exp(x)-exp(-x))/(exp(x)+exp(-x)) = p，求导后表达式为1-p2，当x趋于正无穷或负无穷时，p趋于1或-1，求导后的结果趋于0，因此会出现梯度消失。

BERT为什么会做编码任务、完型填空任务、段落匹配任务
BERT本身的结构就是transformer的Encode，其会使用位置编码、词级编码以及段级编码作为输入，经过Encoder的单元之后形成嵌入向量。
当BERT在做完型填空任务时，BERT会将需要预测的位置，通过将最后的输出linear线性变换后，将Embedding_size转化为vovab_size，再进行softmax激活函数之后得到最后单词的概率，使用交叉熵函数进行损失计算。

当BERT在做段落匹配任务时，会将CLS处进行linear线性变换后将Embedding_size转化为2，再通过sigmoid函数计算概率来判断这两个句子是否构成上下句的关系。

BERT模型为什么要将15%的词语进行80%mask、10%替换、10%什么也不做，而不是全部mask
在训练时，不是用这种方式，而是全部mask掉的话，模型就会把虽有的注意力集中到“mask”这个词汇上了，模型就能知道不出现“mask”的地方我不用管，啥时候出现“mask”我在管，这对模型提取语义关系是不利的。使用（80% mask，10% 随机替换，10% 保持原词）的方式之后呢，模型不只是需要在“mask”位置做工作，还要时刻预防着随机替换的情况呀，也就是检查这个句子对不对，这就大大提高了模型提取语义效果的能力。

为什么relu激活函数要优于sigmoid激活函数？
1.relu激活函数在正区间内不会出现梯度消失。
2.relu的偏导数计算量比sigmoid小。
3.relu使得一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的互相依存关系，缓解了过拟合问题的发生。
缺点：函数导致负梯度在经过该ReLU单元时被置为0，在下一层传播时也为0，即流经该神经元的梯度永远为0，不对任何数据产生响应。

为什么会出现梯度消失？
采用了不合适的激活函数。
隐藏层数太多。
解决：使用合适的激活函数，使用归一化，残差网络。

为什么会出现梯度爆炸？
参数初始化太大
隐藏层数太多。
解决：使用梯度裁剪策略，使用合适的激活函数，使用归一化，使用残差网络。

lora为什么可以映射到低秩维度？
lora论文中指出常见的预训练模型具有非常低的内在维度（如果你有一个在三维空间中分布的数据集，但所有的数据点都严格地位于同一平面上，那么这个数据集的内在维度就是2，因为你只需要两个坐标就能准确地描述每个数据点）；换句话说，存在一个低维度的重新参数化，对于微调来说与完整参数空间一样有效。用少量数据微调大语言模型可能不需要那么多维度的参数，而因为尽管模型可能有数亿个参数，但这些参数中的大部分可能并不需要改变，或者它们的改变对模型的性能没有太大影响。

LSTM为什么选择sigmoid和tanh而不选择relu？
因为sigmoid和tanh都是饱和函数，当输入达到一定值时，输出几乎不发生变化；而relu难以实现门控的效果。
sigmoid用于“开关”，控制信息能流出多少；tanh符合0中心分布，此外tanh函数在输入为0附近相比 Sigmoid函数有更大的梯度，通常使模型收敛更快。

LSTM如何缓解RNN的梯度消失或梯度爆炸
因为每个LSTM都有门控机制，中间记忆细胞通过输入门和遗忘门之后进行累加，而不像RNN那样的累乘，从而缓解了RNN的梯度消失或梯度爆炸。

Deepspeed分布式计算
1.数据并行，在几张GPU卡上平均把训练的数据分开。
2.模型并行，分为层间并行和层内并行（比如多头注意力分开多个卡进行训练）。

3.混合并行

大模型生成过程中的采样方式
1.贪心法：每次只采样词表中概率最大的那个词。
2.Top-k法：取词表中概率最大的k个词，然后随机选择一个。
3.Top-p法：取词表中概率最大的词之和小于p为止，然后随机选择一个。

如何理解大模型中的temperture参数？
这个参数与大模型中采样方式Top-p法有关。最后单词的计算概率为softmax，加入参数temper之后，计算公式变为了p=exp(xi/T)/exp(x1/T)+…+exp(xn/T)，当T趋于无穷大时，所有单词的概率都变为了1/n，相当于拉进了每个词的概率，所以在top-p的列表中的被选择的概率也就越大。所以这就是为什么参数temperture越大，模型回答越多样性的原因。