＜论文＞聊聊初代LLaMA

一、摘要

本文介绍来自Meta的论文《LLaMA: Open and Efficient Foundation Language Models》，这篇2023年的研究发布了开源的LLaMA系列大模型，轰动一时。

译文：

我们推出了 LLaMA，一系列参数规模从 70 亿到 650 亿的基础语言模型。我们使用数万亿的标记对模型进行训练，并证明仅使用公开可用的数据集就能训练出最先进的模型，而无需依赖专有和难以获取的数据集。特别是，LLaMA - 13B 在大多数基准测试中优于 GPT - 3（1750 亿参数），而 LLaMA - 65B 与最好的模型 Chinchilla - 70B 和 PaLM - 540B 具有竞争力。我们将所有模型向研究社区开源。

二、核心创新点

正如论文摘要中说的，仅使用公开可用的数据集就能训练出最先进的大模型，因此作者使用了多个数据集混合进行模型预训练，此外就是一些架构上的小调整。

1、预归一化（Pre-normalization）

LLaMA系列模型依然是基于Transformer架构所搭建，但为了提高训练的稳定性，作者对每个Transformer子层的输入进行了归一化而不是对输出进行归一化，归一化函数则采用了常用于Transformer架构模型的RMSNorm函数，通过计算输入向量的均方根，对其进行归一化处理。

首先计算均方根RMS，再进行归一化计算，下式中x为输入向量，d为特征维度：

$RMS(x) = \sqrt{\frac{1}{d} \sum_{i=1}^{d}x_{i}^{2}}$

$\hat{x} = \frac{x}{RMS(x)}$

2、SwiGLU激活函数

在LLaMA中，作者引入SwiGLU激活函数来替代ReLU。SwiGLU（Swish Gated Linear Unit）是一种结合了Swish激活函数和GLU（Gated Linear Unit）的激活函数。GLU引入了两个不同的线性层，其中一个首先经过sigmoid函数，其结果将和另一个线性层的输出进行逐元素相乘作为最终的输出，SwiGLU则将GLU中的sigmoid激活函数替换为Swish激活函数：

$SwiGLU(x,W,V,b,c) = Swish(xW+b) \bigotimes (xV+c)$

其中，W、V、b、c都是线性层的参数，而 $Swish(x) = x \cdot \sigma (\beta x)$ ， $\sigma$ 是sigmoid函数， $\beta$ 则是一个可学习的参数。

3、旋转嵌入（Rotary Embeddings）

作者还去除了绝对位置嵌入，在网络的每一层都添加旋转位置嵌入（RoPE）。RoPE的核心思想是通过旋转矩阵将位置信息嵌入到Token向量中。具体来说，RoPE将每个Token向量分解为多个二维子空间，每个子空间中的两个分量分别应用旋转操作。对于一个二维子空间的向量 $\left [ x_{1},x_{2} \right ]$ ，通过旋转角度 $\theta$ 进行编码：