网站建设找客户,招标网免费,4p营销理论,怎样设计网站模板1. 第1周资源
以下是本周视频中讨论的研究论文的链接。您不需要理解这些论文中讨论的所有技术细节 - 您已经看到了您需要回答讲座视频中的测验的最重要的要点。
然而#xff0c;如果您想更仔细地查看原始研究#xff0c;您可以通过以下链接阅读这些论文和文章。
1.1 Trans…1. 第1周资源
以下是本周视频中讨论的研究论文的链接。您不需要理解这些论文中讨论的所有技术细节 - 您已经看到了您需要回答讲座视频中的测验的最重要的要点。
然而如果您想更仔细地查看原始研究您可以通过以下链接阅读这些论文和文章。
1.1 Transformer架构
注意力就是你需要的 《Attention is All You Need》
本文介绍了Transformer架构以及核心的“自注意力”机制。这篇文章是LLMs的基础。
BLOOMBigScience 176B模型《BLOOM: BigScience 176B Model 》
BLOOM是一个开源的LLM拥有176B的参数类似于GPT-4以开放透明的方式进行训练。在这篇论文中作者详细讨论了用于训练模型的数据集和过程。您还可以在这里查看模型的高级概述。
向量空间模型 《Vector Space Models》
DeepLearning.AI的自然语言处理专项课程系列课程讨论了向量空间模型的基础及其在语言建模中的应用。
1.2 预训练和缩放法则
神经语言模型的缩放法则《Scaling Laws for Neural Language Models》
OpenAI的研究人员进行的实证研究探索了大型语言模型的缩放法则。
1.3 模型架构和预训练目标
什么语言模型架构和预训练目标最适合Zero-shot泛化《What Language Model Architecture and Pretraining Objective Work Best for Zero-Shot Generalization?》
本文研究了大型预训练语言模型中的建模选择并确定了零射击泛化的最佳方法。
HuggingFace Tasks 和 Model Hub
使用HuggingFace库处理各种机器学习任务的资源集合。
LLaMA开放和高效的基础语言模型《LLaMA: Open and Efficient Foundation Language Models》
Meta AI提出的高效LLMs文章他们的13 Billion模型在大多数基准测试上的性能超过了拥有175Billion参数的GPT3
1.4 缩放法则和计算最佳模型
语言模型是少射击学习者《Language Models are Few-Shot Learners》
本文研究了大型语言模型中少射击学习的潜力。
训练计算最佳大型语言模型 《Training Compute-Optimal Large Language Models》
DeepMind的研究评估训练LLMs的最佳模型大小和令牌数量。也被称为“Chinchilla论文”。
BloombergGPT金融领域的大型语言模型 《BloombergGPT: A Large Language Model for Finance》
专门为金融领域训练的LLM是一个试图遵循chinchilla法则的好例子。
2. BloombergGPT BloombergGPT是由Bloomberg开发的大型仅解码器语言模型。它使用了包括新闻文章、报告和市场数据在内的广泛金融数据集进行预训练以增强其对金融的理解并使其能够生成与金融相关的自然语言文本。数据集在上面的图片中显示。
在BloombergGPT的训练过程中作者使用了Chinchilla缩放法则来指导模型中的参数数量和训练数据的量以令牌为单位进行测量。Chinchilla的建议由图片中的Chinchilla-1、Chinchilla-2和Chinchilla-3线表示我们可以看到BloombergGPT与其非常接近。
尽管团队可用的训练计算预算的推荐配置是500亿参数和1.4万亿令牌但在金融领域获得1.4万亿令牌的训练数据证明是具有挑战性的。因此他们构建了一个只包含7000亿令牌的数据集少于计算最佳值。此外由于提前停止训练过程在处理5690亿令牌后终止。
BloombergGPT项目是一个很好的例子说明了如何为增加领域特异性进行模型预训练以及可能迫使您在计算最佳模型和训练配置之间做出权衡的挑战。
您可以在这里阅读BloombergGPT的文章。
参考
https://www.coursera.org/learn/generative-ai-with-llms/supplement/Adylf/domain-specific-training-bloomberggpthttps://www.coursera.org/learn/generative-ai-with-llms/supplement/kRX5c/week-1-resources
