你可能高估了AI大模型的训练过程

今天给大家科普一下 AI 大模型的训练过程是什么样的。

之前在和一些同学沟通的过程中，经常被问到“一个大模型到底是如何被训练出来的？"，在交流完毕后，发现一个非常容易困扰大家的点，那就是——大模型的训练是无监督学习还是有监督学习？在大模型训练过程中，数据的标签是什么？如何计算损失然后进行反向传播的呢？

是有监督还是无监督

事实上，很多自然语言处理（NLP）的模型，尤其是上文提到的大语言模型（如 GPT 系列），都是通过无监督学习或自监督学习的方式进行训练的。

也就是说它们不需要人工标注的标签来进行训练。试想一下，训练 GPT 的数据样本大多来自于互联网，如果需要对这些数据进行标注的话，会花费大量的人力，并且很多长文本是没有办法或者很难去标注的。因此这类模型的训练采用的基本是自监督学习的模式。

自监督学习可以认为是无监督学习的一种特殊方式。模型通过从输入数据本身生成的伪标签来进行训练，这些伪标签不是由人工标注的，而是由模型根据一定的规则自动生成的。常见的自监督学习任务模型有以下两种。

第一种是掩码语言模型（Masked Language Model, MLM），这是 BERT 等模型使用的一种训练方法。它将其中一部分输入词进行随机掩码（替换为一个特殊的掩码符号），模型的任务就是是预测这些被掩码的词。

这样，模型就能学习到词与上下文之间的关系，有点类似于让模型不断进行完形填空的意思。第二种是因果语言模型（Causal Language Model, CLM），这是 GPT 系列模型使用的一种训练方法。在这种训练模式下，模型被训练来预测给定前文的下一个词，这样，模型就能学习到文本的顺序结构和语言的生成过程。说到这你可能还不完全清楚，看下面的例子就明白了。

GPT 的训练过程

以因果语言模型的训练为例，假设给模型的输入数据是：The quick brown fox jumps over the lazy 这句话。

当然实际训练时，输入给模型的数据还会经过 Tokenization、词嵌入和位置编码这些步骤，但是我们这里先绕过，不影响理解。在 GPT 等模型的训练时，如果给定上述句子作为模型的输入，是希望模型可以预测出下一个词是什么，这是模型的任务。

因此，每给定一个单词(Token)，模型都要预测下一个词，然后将预测出来的词加上原来已有的词作为新的输入，继续预测下一个词，如此反复迭代。将训练过程写出伪代码是如下形式。

假设:

• input_tokens 是输入序列
• target_tokens 是目标序列
• transformer_model 是一个Transformer模型
• optimizer 是用于优化模型参数的优化器
• loss_function 是损失函数，例如交叉熵损失

for epoch in range(num_epochs):  # 迭代多个训练周期
  for input_tokens, target_tokens in data_loader:
    # 1. 模型输入
    # 将输入token转换为嵌入向量，进行词嵌入和位置编码
    input_embeddings = embedding_layer(input_tokens)
    position_embeddings = get_position_embeddings(input_embeddings)
    transformer_input = input_embeddings + position_embeddings
    # 2. Transformer模型
    # 通过Transformer模型得到输出
    transformer_output = transformer_model(transformer_input)
    # 3. 模型输出和损失计算
    # 将Transformer输出转换为logits
    logits = output_layer(transformer_output)
    loss = loss_function(logits, target_tokens) # 计算损失
    # 4. 梯度下降和反向传播
    optimizer.zero_grad()  # 清除之前的梯度
    loss.backward()  # 反向传播，计算梯度
    optimizer.step() # 更新模型参数

上面的 input_tokens 就可以认为是输入的一句话。

可以看到在计算损失的时候，比较的是模型的输出和 target_tokens 的损失。模型的输出我们好理解，就是模型预测的下一个词，那么 target_tokens 是什么呢？上面说到自监督学习的时候，说到一句话：“自监督学习中的伪标签是模型通过一定的规则生成的”。
target_tokens 就是伪标签，因为模型需要预测下一个词，因此“一定的规则”就是对输入 token 往后移一位来实现的，如下所示。

input_tokens 是原始句子中的单词序列，而 target_tokens 是这个序列向右移动一个位置的结果。在训练过程中，模型会试图根据 input_tokens 中的每个词来预测 target_tokens 中的下一个词。例如，给定输入 "The"，模型应该预测输出 "quick"；然后将 "The" 和 "quick "合成新的输入 "The quick" 给模型，模型应该预测出 "brown"，以此类推。这样经过大量甚至是海量的文本数据的自监督学习，模型就可以学到很多自然语言的结构和句式了。

大语言模型也就训练完成了。当然上面的过程说的很粗糙，仅仅是想让大家先搞清楚自监督学习这个概念，以及实际模型训练时，模型是如何自我监督的。相信看完之后，你会对大模型的训练有一个更加清晰的认识了吧。

我是一名 AI 攻城狮，如果你也想学习 AI ，欢迎你关注我的公众号，会有非常多好玩的AI技术分享。欢迎查看我的专栏：1、计算机视觉入门与调优, 2、Transformer 通关秘籍