使用多种优化方式

克雷西 发自 凹非寺

量子位 | 公众号 QbitAI

来自“欧洲OpenAI”的“最强7B开源模型”Mistral最近可谓是圈粉无数。

它各方面的测试指标全面超越了13B的Llama2，甚至让一众网友觉得羊驼不香了。

最新消息是，Mistral AI团队已经发布了相关论文，透露背后的技术细节。

Mistral不仅全面战胜了13B Llama2，在数学、代码和推理方面，34B的Llama1也不是Mistral的对手。

在推理任务上，Mistral的表现更是直逼10倍参数量的Llama2-70B。

但Mistral消耗的资源却很少，只需要6GB显存，MacBook就能流畅运行。

为了用更少消耗达到更好的效果，Mistral可谓是使出了浑身解数。

那么关于Mistral的这篇论文都透露了哪些技术信息呢？

多种机制降低运算消耗

基础结构上，Mistral基于Transformer架构设计，一共有32个n_layer，上下文长度达到了8192 token。

具体的参数如下表所示：

而Mistral能做到高性能低消耗，则要归功于所用到的多种优化策略。

首先是最核心的注意力机制，其直接作用是减少计算量，具体包括了两个方面。

第一种是滑动窗口（Sliding Window）注意力机制。

推理阶段中，会设定出一个窗口长度，并在划分出的注意力层范围之内进行注意力运算，而不是针对全文。

通过滑动方式，各注意力层之间会有所重叠，从而实现长文本序列的处理。

4096的长度，理论上可以处理13.1万token。

这种注意力机制和标准注意力相比，可以将速度提升到两倍。

另一种则是分组查询（Grouped-query）注意力机制。

这种机制将查询(query)拆分成多个组，每个组只与key的一个子集进行注意力运算，然后拼接出结果。

这样不仅能降低运算量，也能让组间通信次数减少，并提高查询吞吐。

除了在注意力机制上下功夫，开发者还引入了滚动缓冲区缓存（Rolling Buffer Cache）。

这种存储方式固定了缓冲区的大小，从而限定了内存消耗的最大值。

如果把缓冲区比作一座仓库，每存进一个新东西，都会占据相应的位置。

而仓库的总容量是固定的，当仓库被装满时，就会把最先放入的东西移除，让新的物品继续进仓。

但入仓时间更接近的物品则会留在仓库中，就能在节约资源的同时保留一定长度的序列。

利用这种缓存机制，只要缓冲区大小设置得合理，就能实现预算效率与记忆力的平衡。

此外还有一种预填充和分块机制，它的直接作用是减少重复运算。

假如需要处理一个很长的句子，那么这个句子将被分割成小块。

训练完前面的小块之后，再加入后面的块，以此类推……

这样存储空间中就有了前面的块信息，用来建立长序列。

这种方式避免了从头开始的重复运算，从而使效率得到了提升。

以上就是开发者在Mistral中使用的优化策略，而为了评估模型的泛化能力，开发者使用了HF上的公开数据集进行了指导性微调。

结果Mistral的表现全面超过了13B参数的Llama 2，其中推理技能更是与70B版本十分接近。

单块3090即可微调

Mistral的火爆程度，直接让第三方工作室也推出了微调教程。

据介绍，用这种方法微调之后，可以进一步提升Mistral的性能并降低消耗。

而这个微调的过程，用一块3090就能完成。

首先是根据使用目的准备数据集，转化为prompt形式并划分出训练和验证集。

然后是对模型进行初始化，加载Mistral并设置4-bit量化和Lora等参数。

接着是构建Trainer，输入数据、模型等信息正式开始训练，然后测试并保存。

具体的细节可以到教程原文中去了解。

论文地址：
https://arxiv.org/abs/2310.06825
微调教程：
https://wandb.ai/byyoung3/ml-news/reports/Fine-Tuning-Mistral7B-on-Python-Code-With-A-Single-GPU—Vmlldzo1NTg0NzY5