大規模言語モデルの比較メモ

WIP

比較するモデル

• Chinchilla [2203.15556] Training Compute-Optimal Large Language Models (arxiv.org)

• PaLM [2204.02311] PaLM: Scaling Language Modeling with Pathways (arxiv.org)

• LLaMA [2302.13971] LLaMA: Open and Efficient Foundation Language Models (arxiv.org)

Training Dataset

Chinchilla

PaLM

LLaMA

Model Architecture, training setup

Chinchilla

Optimizer
AdanW
cosine schedule (cosine cycle length = 1.0 * num steps)

PaLM

780B tokens

標準的Transformer[Vaswani+, 2017]との違い

• SwiGLU[Shazeer, 2020] activation function

  • Swish(xW)*xV

• Parallel Layers [Wang and Komatsuzaki, 2021]

  • 通常：y = x + MLP(LayerNorm(x + Attention(LayerNorm(x)))

  • 並列：y = x + MLP(LayerNorm(x)) + Attention(LayerNorm(x))

  • 8Bでは少し性能低下、62Bでは性能低下無し

• Multi-Query Attention

  • ?

• RoPE Embeddings[Su+, 2021]

• Shared Input-Output Embeddings

  • 過去の研究でも頻繁に採用されているテクニック

• No Biases

  • training時に安定性が向上

• Vocabulary

  • 256k tokenのSentencePiece

training setup

• weight initialization

  • embeddingsとlayer norm scale以外はfan-in variance scalingで初期化

    • W ∼ N (0, 1/ √ nin)

      • nin = input dim of the kernel

  • embeddings

    • E~N(0,1)

  • 入出力のembeddings layerが共有されているため、softmax前のlogitsを 1/√nでスケーリング

    • n = embdding size

• Optimizer

  • Adafactor (without factorization)

• Optimization hyperparameters

  • learning rate = 10^-2

  • 最初の10,000stepsではlr=10^-2、その後1/√kで減衰させる

    • k=training steps

  • β1 = 0.9

  • β2=1.0-k^-0.8

    • 大型モデルでは標準的なβ2=0.99よりも安定性が高い

  • global norm gradient clipping = 1.0

  • weight decay = lr^2.0

• Loss function

  • 標準的な言語モデリング損失（ラベル平滑化無し、全トークンの平均対数確率）

  • z_loss = 10^-4 * log2(Z) を補助損失として使用

    • softmax normarizer log(Z)が0に値被くように促す

    • これによってtrainingの安定性が向上

• Sequence length

  • 2048

  • 入力例は連結され、2048トークンのsequenceに分割

    • そのためpaddingトークンは無いが、入力例は途中で分割される可能性あり

  • 入力例は特別な[eod]トークンで区切られる

• Batch Size

  • training中にbatch sizeを増加させる

  • 最大モデルでは50k stepsまでbs=512 (1M tokens) 115k stepsまで bs=1024 (1M tokens)、最後にbs = 2048 (4M tokens)で、255k stepsでtrainingが完了するまで続ける

  • なぜ動的なbatch size scheduleをするのか？

    • 小さいbsはtraining初期においてはサンプル効率が高い、一方大きいbsはより良い勾配推定によりtraining後半に有益 [Smith+, 2018] [McCandlish+, 2018]

    • 大きいbsによりmatrix multiplication dimensionsが大きくなり、TPU効率が高まる

• Dropout

  • Dropout無し

  • finetuneの時はdropout = 0.1

LLaMA

標準的Transformer[Vaswani+, 2017]との違い

• Pre-normalization (GPT-3)

  • RMSNorm normalizing function[Ahang and Sennrich, 2019]を使用

• SwiGLU[Shazeer, 2020] activation function (PaLM)

  • 次元数としてPaLMの4dの代わりに2/3 * 4dを使用

• Rotary Embeddings[Su+, 2021] (GPTNeo)

  • 絶対的な位置embddingsを削除し、各レイヤーにrotary positional embeddings(RoPE)を追加

Optimizer
AdamW (β1=0.9, β2=0.95)
cosine schedule (最終的な値はmax/10)
weight decay = 0.1
gradient clipping = 1.0
warmup steps = 1000

Performance

Chinchilla

PaLM

LLaMA