<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[2401_89079944的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/2401_89079944</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; 2401_89079944]]></copyright><item><title><![CDATA[从零训练大模型之从Pretrain走向SFT训练]]></title><link>https://blog.youkuaiyun.com/2401_89079944/article/details/149585715</link><guid>https://blog.youkuaiyun.com/2401_89079944/article/details/149585715</guid><author>2401_89079944</author><pubDate>Wed, 23 Jul 2025 23:27:40 +0800</pubDate><description><![CDATA[在本篇文章中，我们为即将到来的SFT实战之旅铺设了坚实的理论基石。模型的进化路径：从一个只会“补全”的Base模型，通过SFT进化为能“遵循指令”的Instruct模型，再通过对齐成为更自然的Chat模型，这是一个从“概率”到“意图”的深刻转变。数据的核心地位：高质量的指令数据集是SFT的灵魂。我们对比了Alpaca、Dolly和OpenOrca等主流数据集，明白了在不同场景下如何做出战略选择。SFT的理论全景：我们拆解了SFT的四个关键理论步骤——数据模板化、损失掩码、精细参数配置和定性评估。]]></description><category></category></item><item><title><![CDATA[从零训练大模型之模型升级版搭建及训练总结（下）]]></title><link>https://blog.youkuaiyun.com/2401_89079944/article/details/149344113</link><guid>https://blog.youkuaiyun.com/2401_89079944/article/details/149344113</guid><author>2401_89079944</author><pubDate>Tue, 15 Jul 2025 06:58:54 +0800</pubDate><description><![CDATA[摘要：本文对比了基于传统Transformer架构的V1模型与采用多项现代技术的升级版V2模型。V1模型在训练中表现出不稳定性和较低的困惑度（PPL≈40），生成文本存在逻辑重复问题。V2通过四项关键改进：替换RMSNorm、采用RoPE位置编码、引入FlashGQA注意力机制和SwiGLU激活函数，显著提升了性能。实验数据显示，V2仅用12k步训练就达到PPL≈36，优于V1的24k步结果（PPL≈40），且训练过程更稳定。生成的文本在连贯性和信息密度上也有明显改善，验证了现代架构对大模型性能的提升效果。]]></description><category></category></item><item><title><![CDATA[从零训练大模型之模型升级版搭建及训练（中）：实现FlashAttention, GQA,RoPE, RMSNorm, SwiGLU]]></title><link>https://blog.youkuaiyun.com/2401_89079944/article/details/149188739</link><guid>https://blog.youkuaiyun.com/2401_89079944/article/details/149188739</guid><author>2401_89079944</author><pubDate>Tue, 08 Jul 2025 07:21:38 +0800</pubDate><description><![CDATA[本文介绍了如何将经典Transformer模型升级为现代大语言模型架构，重点整合了五大核心技术：1. 用计算更高效的RMSNorm替代LayerNorm；2. 采用具有相对位置特性的RoPE位置编码；3. 使用带门控机制的SwiGLU前馈网络；4. 引入分组查询注意力(GQA)优化内存效率；5. 整合FlashAttention加速计算。文章详细阐述了每个技术的原理、优势及具体实现代码，包括RMSNorm的简化归一化公式、RoPE的旋转位置编码机制、SwiGLU的动态门控设计等。这些升级使模型在处理长序列时]]></description><category></category></item><item><title><![CDATA[从零训练大模型之模型升级版搭建及训练：FlashAttention, GQA,RoPE, RMSNorm, SwiGLU（上）]]></title><link>https://blog.youkuaiyun.com/2401_89079944/article/details/149184614</link><guid>https://blog.youkuaiyun.com/2401_89079944/article/details/149184614</guid><author>2401_89079944</author><pubDate>Tue, 08 Jul 2025 00:02:30 +0800</pubDate><description><![CDATA[本文探讨了从经典Transformer到现代大语言模型（LLM）的关键技术演进，重点分析了注意力机制的效率革命。原始Transformer架构已被Llama、Mistral等先进模型深度优化，主要围绕两大目标：提升效率和增强性能。文章详细介绍了FlashAttention如何通过分块计算和在线Softmax技术攻克内存I/O瓶颈，将注意力机制复杂度从O(N²)降至O(N)。此外还提及了Grouped-Query Attention、RoPE位置编码等创新技术，这些优化使现代LLM在保持高质量输出的同时大幅提]]></description><category></category></item><item><title><![CDATA[从零训练大模型之模型训练总结]]></title><link>https://blog.youkuaiyun.com/2401_89079944/article/details/149184563</link><guid>https://blog.youkuaiyun.com/2401_89079944/article/details/149184563</guid><author>2401_89079944</author><pubDate>Mon, 07 Jul 2025 23:58:56 +0800</pubDate><description><![CDATA[经过前面的努力，已经完成了训练前的所有准备。回顾下我们的模型代码Token Embedding：将输入的文字（Token ID）转换成模型能理解的高维向量。Positional Encoding：给每个词添加位置信息，让模型知道词语的先后顺序。Decoder Blocks：这是模型的核心，由多个“积木块”堆叠而成。每个积木块里都有两个大杀器：Causal Self-Attention：让模型在预测下一个词时，只关注前面已经出现过的词，防止“未卜先知”。]]></description><category></category></item><item><title><![CDATA[从零开始训练大模型：搭建炼丹炉，详解训练脚本的每一行代码]]></title><link>https://blog.youkuaiyun.com/2401_89079944/article/details/149184477</link><guid>https://blog.youkuaiyun.com/2401_89079944/article/details/149184477</guid><author>2401_89079944</author><pubDate>Mon, 07 Jul 2025 23:53:42 +0800</pubDate><description><![CDATA[本文详细介绍了训练自定义小参数量大模型的核心训练脚本实现。作者从超参数配置入手，阐述了模型训练的关键设置，包括设备选择、路径配置、训练参数（如序列长度、批次大小）、模型结构参数以及混合精度训练优化。文章重点剖析了训练循环的核心函数train_epoch，解释了梯度累积、混合精度计算、学习率调度等关键技术点，并说明了验证阶段validate_epoch的作用。整个训练系统通过精心设计的超参数和高效计算策略，实现了在有限硬件资源上训练较大模型的能力，为读者提供了完整的训练流程实现思路。]]></description><category></category></item><item><title><![CDATA[从零训练大模型之模型搭建]]></title><link>https://blog.youkuaiyun.com/2401_89079944/article/details/149184453</link><guid>https://blog.youkuaiyun.com/2401_89079944/article/details/149184453</guid><author>2401_89079944</author><pubDate>Mon, 07 Jul 2025 23:52:36 +0800</pubDate><description><![CDATA[经过前两篇，我们已经完成数据集清洗以及BPE词表的训练，并且使用清洗后的数据集构建出 DataSet 类和 custom_collate_fn 方法。这一篇，我们终于要开始搭建模型了，如最开始所说，我们计划的就是使用 pytorch 现有的API进行搭建，而不使用 hugging face 等提供的高级API。所以接下来我们开始搭建 Decoder-only Transformer 模型。Decoder-Only Transformer——在大型语言模型领域取得了巨大成功，例如著名的 GPT 系列模型。]]></description><category></category></item><item><title><![CDATA[从零训练大模型之BPE词表构建及数据集加载管道搭建]]></title><link>https://blog.youkuaiyun.com/2401_89079944/article/details/149184385</link><guid>https://blog.youkuaiyun.com/2401_89079944/article/details/149184385</guid><author>2401_89079944</author><pubDate>Mon, 07 Jul 2025 23:48:20 +0800</pubDate><description><![CDATA[本文介绍了从OpenWebText数据集构建BPE分词器到数据预处理的全流程。主要内容包括：1) 基于Arrow格式数据集训练专用BPE分词器，详述参数设置和实现方法；2) 构建数据管道，将文本转换为模型可处理的格式；3) 处理长文本的技术方案；4) 提供完整可运行的Python代码。重点强调了定制分词器的必要性，并推荐使用Hugging Face的ByteLevelBPETokenizer进行实现，同时探讨了词表大小、特殊词元等关键参数的设置考量。]]></description><category></category></item><item><title><![CDATA[从零训练大模型之数据集清洗]]></title><link>https://blog.youkuaiyun.com/2401_89079944/article/details/149183942</link><guid>https://blog.youkuaiyun.com/2401_89079944/article/details/149183942</guid><author>2401_89079944</author><pubDate>Mon, 07 Jul 2025 23:15:02 +0800</pubDate><description><![CDATA[OpenWebText数据集清洗方案摘要 OpenWebText是用于LLM预训练的重要公开语料库，但原始数据存在HTML标签、冗余内容、格式不统一等问题。本文提出多阶段清洗方案：首先使用Trafilatura和BeautifulSoup提取纯文本并去除HTML；通过Unicode规范化、大小写转换和标点处理实现文本标准化；采用MinHashLSH技术进行文档级近似去重；最后过滤低质量文本。该流程可有效提升数据质量，为后续BPE词表构建和LLM训练奠定基础。完整代码已在GitHub开源。]]></description><category></category></item></channel></rss>