回顾：预训练语言模型和Transformer

大型语言模型 (LLM) 适应方法的基础概念包括预训练语言模型和Transformer架构。一个概述涵盖这些主要方面，侧重于与微调最相关的部分。熟悉深度学习、自然语言处理 (NLP) 和LLM的基础知识将会有所帮助。

预训练的效用

现代大型语言模型（如GPT、Llama、Claude、BERT及其变体）的生命周期始于一个资源密集型的预训练阶段，而非针对特定任务。在此阶段，模型接触海量数据集，这些数据通常包含公共互联网文本和数字化书籍的大部分内容，可能达到数TB的数据量和数万亿个token。

预训练过程中的学习通常是自监督的。模型不依赖于人类为特定任务（如情感分析或翻译）生成的标签，而是从语言的内在结构中获取知识。常见的自监督目标包括：

1. 下一个Token预测：给定文本序列，预测紧随其后的token（词或子词）。这是GPT等自回归模型的特点。损失函数鼓励模型为训练数据中实际观察到的下一个token赋予高概率。
2. 掩码语言建模 (MLM)：随机掩盖输入序列中一定比例的token，并训练模型根据周围上下文预测这些被掩盖的token。BERT等模型采用此方法。

通过这些目标，模型被要求学习语言中复杂的统计模式，包括语法、句法、词语间的语义关联、常识推理，甚至训练语料库中内含的一定程度的事实知识。此阶段的成果是一个基础模型，它具备广泛的语言理解和生成能力，但尚未专门用于任何特定下游应用。

Transformer架构：实现规模与上下文处理

这些预训练模型取得显著成果，与论文《Attention Is All You Need》中提出的Transformer架构紧密相关。这种架构摆脱了以往在序列建模中占主导地位的循环（RNN、LSTM）或卷积（CNN）方法。

Transformer的主要创新是自注意力机制。该机制使得模型在处理序列中特定位置的token时，能够动态地衡量序列中所有其他token（包括自身）的重要性，并从中获取信息。它为每个token计算查询 (Q)、键 (K) 和值 (V) 向量，并根据查询和键之间的兼容性计算注意力分数。这使得模型能够比早期架构更有效地捕获长距离依赖和上下文关联。

Transformer单块的简化视图（所示为解码器风格，编码器类似）。输入表示通过多头自注意力和逐位置前馈网络，每个子层之后应用残差连接和层归一化。

使Transformer适合大规模预训练的主要特性有：

• 上下文嵌入：与静态词嵌入（如Word2Vec）不同，Transformer生成的嵌入取决于周围上下文。“bank”在“river bank”（河岸）和“investment bank”（投资银行）中的表示有所不同。
• 并行处理：Transformer层内的计算，特别是自注意力机制，可以在token之间进行大量并行处理，使得在大型数据集和硬件加速器（GPU/TPU）上进行训练非常高效。
• 处理长距离依赖：自注意力直接关联层内整个序列长度的token，克服了RNN在捕获超长距离依赖时梯度消失的问题。

多头注意力（并行运行多次具有不同学习投影的自注意力）、位置编码（注入token顺序信息）、层归一化和逐位置前馈网络等标准构成部分在堆叠的层中共同作用，以构建深度、功能强大的模型。

这些预训练的Transformer模型代表了一项重大学习进展，它们从网络规模数据中获得了大量的通用知识。然而，这种通用性也是它们在特定应用中的局限。它们的原始输出可能不够聚焦，在特定领域可能存在事实不符，或者不符合所需的格式或风格。这正是微调和适应方法变得不可或缺之处，它们使我们能够调整这些强大的基础模型以满足特定需求，这也是本课程的主旨内容。