本文旨在更好地理解基于 Transformer 的大型語言模型(LLM)的內(nèi)部機(jī)制,以提高它們的可靠性和可解釋性。
隨著大型語言模型(LLM)在使用和部署方面的不斷增加,打開黑箱并了解它們的內(nèi)部工作原理變得越來越重要。更好地理解這些模型是如何做出決策的,這對改進(jìn)模型和減輕其故障(如幻覺或推理錯誤)至關(guān)重要。 眾所周知,最近 LLM 成功的一個(gè)重要因素是它們能夠從上下文中學(xué)習(xí)和推理。LLM 對這些上下文的學(xué)習(xí)能力通常歸功于 Transformer 架構(gòu),特別是自注意力塊的使用,其能夠仔細(xì)選擇輸入序列,進(jìn)而推理出可信的下一個(gè) token。此外,預(yù)測可能需要全局知識,如語法規(guī)則或一般事實(shí),這些可能不會出現(xiàn)在上下文中,需要存儲在模型中。 我們不禁會疑問,為什么基于 Transformer 的模型非常擅長使用它們的上下文來預(yù)測新的 token,這種能力是如何在訓(xùn)練中產(chǎn)生的?帶著這些問題,來自 Meta AI 的研究者進(jìn)行了深入的研究。他們通過研究合成設(shè)置下 Transformer 的學(xué)習(xí)機(jī)制,揭示了其全局和上下文學(xué)習(xí)的平衡,并將權(quán)重矩陣解釋為聯(lián)想記憶,為理解和優(yōu)化 Transformer 提供了基礎(chǔ)。
論文地址:https://arxiv.org/abs/2306.00802 首先要了解的是在訓(xùn)練過程中 Transformer 是如何發(fā)現(xiàn)這些能力的。為此,該研究引入了一個(gè)合成數(shù)據(jù)集,該數(shù)據(jù)集由二元語言模型生成的序列組成。然后,模型需要依靠上下文學(xué)習(xí)來對特定的二元序列進(jìn)行良好的預(yù)測,而全局二元可以根據(jù)當(dāng)前 token 的全局統(tǒng)計(jì)數(shù)據(jù)進(jìn)行猜測。雖然單層的 Transformer 無法可靠地預(yù)測上下文二元,但該研究發(fā)現(xiàn)通過開發(fā)感應(yīng)頭(induction head)機(jī)制的雙層 Transformer 取得了成功,即擁有兩個(gè)注意力頭的 circuit,其允許 Transformer 從上下文 [???, a, b,???, a] 中預(yù)測 b,并且在 Transformer 語言模型中似乎無處不在。這種感應(yīng)頭(induction head)機(jī)制在 Transformer 語言模型中是普遍存在的,并且取得了成功。 更進(jìn)一步的,為了更好的了解上下文機(jī)制是怎樣出現(xiàn)在訓(xùn)練過程中的,該研究在隨機(jī)初始化時(shí)凍結(jié)了一些層(包括嵌入和值矩陣)來進(jìn)一步簡化模型架構(gòu)。這樣一來研究重點(diǎn)轉(zhuǎn)移到注意力和前饋機(jī)制,同時(shí)避免了學(xué)習(xí)表征的困難。與此同時(shí),這種簡化還為單個(gè)權(quán)重矩陣引入了一個(gè)自然模型作為聯(lián)想記憶。自然模型可以通過它們的外積存儲輸入 - 輸出或鍵 - 值對嵌入。隨機(jī)高維嵌入由于其接近正交性而特別適合這種觀點(diǎn)。 總結(jié)而言,該研究的貢獻(xiàn)可概括為:
本文引入了一種新的合成設(shè)置來研究全局和上下文學(xué)習(xí):序列遵循二元語言模型,其中一些二元在序列中變化,而另一些不會。
本文將 Transformer 的權(quán)重矩陣視為學(xué)習(xí)存儲特定嵌入對的聯(lián)想記憶,并以此為任務(wù)推導(dǎo)出一個(gè)簡化但更可解釋的模型。
本文對訓(xùn)練動態(tài)進(jìn)行了細(xì)致的實(shí)證研究:首先學(xué)習(xí)全局二元,然后以自上而下的方式學(xué)習(xí)適當(dāng)?shù)挠洃?,形成感?yīng)頭。
本文給出了訓(xùn)練動力學(xué)的理論見解,展示了如何通過在噪聲輸入中找到信號,在種群損失上進(jìn)行一些自上而下的梯度步驟來恢復(fù)所需的聯(lián)想記憶。
方法介紹 接著該研究介紹了合成數(shù)據(jù)設(shè)置,這樣能夠仔細(xì)研究感應(yīng)頭機(jī)制在訓(xùn)練過程中的發(fā)展以及 Transformer 如何學(xué)習(xí)利用上下文信息的。 雙元數(shù)據(jù)模型:模型序列由一個(gè)通用的雙元語言模型(即馬爾可夫鏈)組成,每個(gè)序列的生成方式如下: 下圖 2 可視化了測試序列上的注意力圖,這表明該模型已經(jīng)學(xué)習(xí)了感應(yīng)頭機(jī)制。 接著該研究介紹了 Transformer 聯(lián)想記憶觀點(diǎn):因?yàn)閹缀跽坏那度?,?quán)重矩陣表現(xiàn)為聯(lián)想記憶,將成對的嵌入存儲為其外積的加權(quán)和。研究引入了一個(gè)具有固定隨機(jī)嵌入的簡化 Transformer 模型,將用這種想法產(chǎn)生對學(xué)習(xí)動力學(xué)的精確理解。 此外,該研究提出了一個(gè)有用的觀點(diǎn),將 Transformer 中的模型權(quán)重視為高維嵌入向量的聯(lián)想記憶。感應(yīng)頭機(jī)制可以通過以下外積矩陣作為記憶來獲得,而其他所有權(quán)重則固定為隨機(jī)初始化狀態(tài): 實(shí)驗(yàn) 圖 3 研究了在迭代 300 次之前凍結(jié)不同層對訓(xùn)練動態(tài)的影響。 全局 vs 上下文學(xué)習(xí)。從圖 4(左 / 右)可以看出,當(dāng)聯(lián)合訓(xùn)練所有層時(shí),全局二元統(tǒng)計(jì)的學(xué)習(xí)速度往往比感應(yīng)頭更快,這可以從早期迭代中的 loss 和 KL 的快速下降中看出。 此外,從圖 4(左)中看到,數(shù)據(jù)分布的變化會對上下文機(jī)制的學(xué)習(xí)速度產(chǎn)生重大影響。該研究觀察到以下情況可能會使上下文學(xué)習(xí)減慢:(i) 較少數(shù)量的觸發(fā)器 K, (ii) 僅使用少有的固定觸發(fā)器,以及 (iii) 使用隨機(jī)觸發(fā)器而不是固定觸發(fā)器。 該研究還在圖 4(中間)中顯示,在訓(xùn)練時(shí)將輸出 token 分布更改為二元分布會降低準(zhǔn)確率,這表明,使用更多樣化的訓(xùn)練分布可以產(chǎn)生具有更好泛化準(zhǔn)確率的模型,并且只需少量的額外訓(xùn)練成本。
-
存儲
+關(guān)注
關(guān)注
13文章
4169瀏覽量
85479 -
語言模型
+關(guān)注
關(guān)注
0文章
490瀏覽量
10225 -
Transformer
+關(guān)注
關(guān)注
0文章
136瀏覽量
5961 -
LLM
+關(guān)注
關(guān)注
0文章
252瀏覽量
285
原文標(biāo)題:基于Transformer的大模型是如何運(yùn)行的?Meta揭秘內(nèi)部機(jī)制!
文章出處:【微信號:CVer,微信公眾號:CVer】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。
發(fā)布評論請先 登錄
相關(guān)推薦
評論