晋中网站公司,网站建设的体会,如何构成网站,wordpress企业宣传电商1.比较 LLaMA、ChatGLM、Falcon 等大语言模型的细节#xff1a;tokenizer、位置编码、Layer Normalization、激活函数等。 2. 大语言模型的分布式训练技术#xff1a;数据并行、张量模型并行、流水线并行、3D 并行、零冗余优化器 ZeRO、CPU 卸载技术 ZeRo-offload、混合精度训… 1.比较 LLaMA、ChatGLM、Falcon 等大语言模型的细节tokenizer、位置编码、Layer Normalization、激活函数等。 2. 大语言模型的分布式训练技术数据并行、张量模型并行、流水线并行、3D 并行、零冗余优化器 ZeRO、CPU 卸载技术 ZeRo-offload、混合精度训练、激活重计算技术、Flash Attention、Paged Attention。 3. 大语言模型的参数高效微调技术prompt tuning、prefix tuning、adapter、LLaMA-adapter、 LoRA。 技术交流
建了技术交流群想要进交流群、获取本文原版资料的同学可以直接加微信号dkl88194。加的时候备注一下研究方向 学校/公司CSDN即可。然后就可以拉你进群了。 方式①、添加微信号dkl88194备注来自CSDN 技术交流 方式②、微信搜索公众号Python学习与数据挖掘后台回复加群 前沿技术资讯、算法交流、求职内推、算法竞赛、面试交流(校招、社招、实习)等、与 10000来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企开发者互动交流~
0. 大纲 1. 大语言模型的细节
1.0 transformer 与 LLM 1.1 模型结构 1.2 训练目标 1.3 tokenizer 1.4 位置编码 1.5 层归一化 1.6 激活函数 1.7 Multi-query Attention 与 Grouped-query Attention 1.8 并行 transformer block 1.9 总结-训练稳定性 2. LLM 的分布式预训练 2.0 点对点通信与集体通信 2.1 数据并行 2.2 张量并行 2.3 流水线并行 2.4 3D 并行 2.5 混合精度训练 2.6 激活重计算 2.7 ZeRO零冗余优化器 2.8 CPU-offloadZeRO-offload 2.9 Flash Attention 2.10 vLLM: Paged Attention 3. LLM 的参数高效微调
3.0 为什么进行参数高效微调 3.1 prompt tuning 3.2 prefix tuning 3.3 adapter 3.4 LLaMA adapter 3.5 LoRA 3.6 实验比较 4. 参考文献
