Llama 2基于UCloud UK8S的创新应用

（原标题：Llama 2基于UCloud UK8S的创新应用）

在上期文章中，我们简要回顾了Llama模型的概况，本期文章我们将详细探讨【关于Llama 2】，你需要知道的那些事儿。

1、Llama 2的性能有多好？

作为Meta新发布的SOTA开源大型语言模型，Llama 2是Llama模型的延续和升级。Llama 2家族模型包括了Llama 2预训练模型和Llama 2-chat微调模型，分别有7B、13B和70B参数量的版本，覆盖了不同的应用场景需求。

1.1训练数据

Llama 2在预训练语料上比Llama增加了40%，增至2万亿个token，且训练数据中的文本来源更加的多样化。此外，Llama 2对应的微调模型是在超过100万条人工标注的数据下训练而成。

图1: Llama 2模型概览 [1]

1.2模型评估

从模型评估上看，Llama 2在众多的基准测试中，如推理、编程、对话能力和知识测验上，都优于一代Llama和现有的开源大模型。

图2: Llama 2在不同基准测试上的得分

虽然Llama 2-70B在推理任务上表现接近GPT-3.5，但是在综合性能上还是无法与OpenAI的GPT-4和Google的PaLM-2-L等闭源大模型相媲美，尤其在编程基准上远落后于两者。

图3: Llama 2，GPT和PaLM三者在不同基准测试上的得分

2、解锁Llama 2的模型结构

2.1 Llama 2模型架构

Llama 2在预训练设置和模型架构上和一代模型非常相似。

如图4和图5所示，Llama系列模型都使用了自回归Transformer架构，即Transformer's decoder-only架构。两代模型的一致性体现在：

a. 预归一化（Pre-normalization）：对每一个transformer的子层输入都进行归一化，使用RMSNorm归一化函数

b. SwiGLU激活函数：在前馈神经网络（FFN）使用SwiGLU 激活函数替换了Transformer中的 ReLU 激活函数来提升性能

c. 旋转嵌入编码（Rotary Positional Embeddings，RoPE）：RoPE可以兼顾相对位置和绝对位置的信息以提高模型的泛化能力

2.2 Llama 2训练亮点

除了上文提到的训练数据的增加，Llama 2在训练过程方面也有两个亮点值得我们关注。第一，上下文长度的扩大提升了模型的理解能力；第二，分组查询注意力机制提高了模型的推理速度。

2.2.1上下文窗口扩大

Llama 2的上下文长度比Llama扩大了一倍，从2048个token拓展至4096个token。更长的上下文窗口意味着更多的聊天用例可被采用，进而模型的理解能力得以提升。

2.2.2 Grouped-Query注意力

在Attention的实现上，Llama 2 30B以上的模型采用了分组查询注意力机制（Grouped-Query Attention，GQA），见图5和图6。

图6: Llama 2使用GQA [2]

自回归模型的解码通过缓存序列先前标记的键（K）值（V）对来加速注意力的计算。然而随着Batch Size和上下文窗口的增大，多头注意力模型（Multi-head Attenrion，MHA）的内存成本会随之显著增大。

图7: "GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints" [3]

GQA的优势在于其将Query进行分组，组内共享KV，这样使得K和V的预测可以跨多个头共享，从而显著降低计算和内存需求，提升推理速度 。

2.3 Llama 2-chat微调流程

Meta致力于在偏好数据上训练奖励模型，然后采用强化学习进行优化，从而提高生成的质量。

2.3.1 SFT + RLHF by RS and PPO

和InstructGPT类似，在Llama 2-chat对话模型微调流程分为：

a. 自监督训练后获得Llama 2基座模型

b. 监督微调（Supervised fine-tuning，SFT）

c. 人类反馈强化学习（Reinforcement learning with human feedback，RLHF）：拒绝采样 + 近端策略优化

RLHF使用了拒绝采样（Rejection Sampling fine-tuning，RS）和近端策略优化（Proximal Policy Optimization，PPO）两个优化算法。拒绝采样的原理为模型输出时采样K个结果，用当前时刻最好的奖励模型打分，选择奖励值最高的一个。在强化学习阶段进行梯度更新，并结合PPO进行RS加PPO的优化处理。

图8: Llama 2-chat的微调过程[1]

Meta一共迭代了5个RLHF版本，分别从V1-V5，但仅公布了最新的V5版本。V5版本迭代的步骤下图所示。

图9: RLHF-V5迭代流程

2.3.2 Quality Is All You Need

Meta使用用户偏好数据训练的两个独立的奖励模型Helpfulness RM和Safty RM，分别对有用性和安全性进行了优化。在SFT的过程中，Llama 2的官方论文[2]着重强调了只需少量高质量的SFT偏好数据就能显著提升结果质量（Quality Is All You Need）。此外，这篇论文也是第一篇指出“RLHF从根本上提高了大模型性能的上限”的论文。

图10：Llama 2论文中强调的“Quality Is All You Need"[2]

综上，Llama 2训练流程给我们最重要的一个启示是：

奖励模型不仅是RLHF的关键，也是整个大模型效果的关键；数据质量又是奖励模型的关键。[4]

03、Llama 2在UCloud UK8S上的实践

3.1下载模型

3.1.1下载模型

从HuggingFace上克隆Llama 2的模型 [5]。本文使用的是Llama 2-chat-7b模型。

3.1.2安装WebUI工具

oobabooga开源的text-generation-webui [6] 一个大模型的可视化工具包，安装方法如下：

a. 进入Text Generation的github

b. 选择一键安装包安装或者手动安装

c. 我们将Llama 2模型文件放入text-generation-webui/models目录下，文件结构如下图：

3.2构建镜像

根据Uhub容器镜像库的说明：

1. 首先，在Uhub上创建镜像库

2. 其次，在云主机创建镜像，并打标

3. 最后，将云主机镜像推到Uhub中

3.3配置UK8S集群

1. 创建UFS文件系统并挂载。

2. 创建UK8S容器云。创建集群时，Node的配置可参照下图：

集群创建之后，点击“详情”按钮，将“外网凭证”拷贝到～/.kube/config文件中。同时，需要安装和配置Kubectl命令行工具。

3. 在UK8S中使用UFS

用创建好的UFS作为UK8S集群的共享存储。

根据在UK8S中使用UFS文档，创建PV和PVC。

a. 创建Pod：编写配置文件ufspod.yml

执行配置文件

b. 进入Pod

查询Pod Name：

在Pod内部启动一个Bash Shell：

c. 在线推理

运行server.py文件

至此，我们就可以在Web端和Llama 2进行对话了。

本期我们介绍了【关于Llama 2】你需要知道的那些事儿。Llama系列模型由于其体积小且开源的特性，在AI社区的热度和口碑都居于高位，可以预见短期内将有更多基于Llama 2定制化的微调模型和相关服务涌现。

下期文章我们将聚焦“LangChain+大模型+向量数据库”在云端的部署和推理，敬请期待～

4、参考文献

[1] Llama 2官方公告

[2] Llama 2官方论文

[3] "GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints " by Google Research

[4] "Llama 2: an incredible open LLM" by Nathan Lambert

[5] Llama 2 models

[6] Text generation web UI github