引言 简介 Gemma 2模型介绍 架构设计 训练方法 后训练优化 关键发现:知识蒸馏的影响 性能评估 使用 体验：Hugging Chat 如何提示 Gemma 2 基于Hugging Face Transformers 结论与展望 模型汇总
引言
小伙伴们好，我是微信公众号《小窗幽记机器学习》的小编：卖荔枝的小男孩。Google 最近谷歌发布了开源大语言模型 Gemma 2，目前可以在 huggingface 上找到 4 个开源模型（2 个基础模型和 2 个微调模型）。今天这篇小作文主要介绍Gemma 2的一些技术特点及其使用初体验，下一篇小作文将介绍如何微调Gemma 2模型。
技术报告原文：https://storage.googleapis.com/deepmind-media/gemma/gemma-2-report.pdf
简介
2024年6月27日，Google DeepMind发布了Gemma 2，这是Gemma系列轻量级开放语言模型的最新成员。Gemma 2在架构和训练方法上都有重大创新，在多项基准测试中取得了显著进步，甚至可以与参数规模大2-3倍的模型相媲美。本文将对Gemma 2技术报告的主要内容进行解读，包括模型架构、预训练和后训练方法、性能评估等方面。
Gemma 2 模型的训练数据量约为其第一代的两倍，总计 13 万亿 Tokens（27b 模型）和 8 万亿 Tokens（9b 模型）的网页数据（主要是英语）、代码和数学数据。官方尚未透露训练数据混合的具体细节。
Gemma 2模型介绍
Gemma 2系列包括三种规模的模型:27B(270亿参数)、9B(90亿参数)和2.6B(26亿参数)。其中27B和9B模型已经发布，2.6B模型即将发布。这些模型均采用Transformer解码器架构，具有以下主要特点:
上下文长度为8192个token 使用旋转位置编码(RoPE) 采用近似GeGLU非线性激活函数 交替使用局部滑动窗口注意力和全局注意力 应用logit软上限技术 使用RMSNorm进行后归一化和前归一化 9B和27B模型采用分组查询注意力(GQA)机制
架构设计
相比Gemma 1，Gemma 2在架构上有几项重要改进:
(1) 局部滑动窗口和全局注意力交替
Gemma 2在每隔一层交替使用局部滑动窗口注意力和全局注意力。局部注意力的窗口大小为4096个token，全局注意力的跨度为8192个token。这种设计兼顾了计算效率和长程依赖建模能力。
(2) Logit软上限
在每个注意力层和最终输出层，Gemma 2对logit值进行软上限处理，将其限制在[-soft_cap， +soft_cap]范围内。具体实现为:
logits ← soft_cap * tanh(logits/soft_cap)
9B和27B模型的注意力logit上限为50.0，最终logit上限为30.0。这项技术有助于稳定训练过程和生成质量。
(3) RMSNorm归一化
Gemma 2使用RMSNorm来归一化每个Transformer子层、注意力层和前馈层的输入和输出，以提高训练稳定性。
(4) 分组查询注意力(GQA)
9B和27B模型采用了GQA机制，组数为2。实验表明，GQA可以在保持下游任务性能的同时提高推理速度。
训练方法
Gemma 2的另一大亮点是采用了创新的训练方法，尤其是对较小规模模型(9B和2.6B)使用知识蒸馏技术。
(1) 预训练数据
27B模型在13万亿token的数据上训练，9B模型使用8万亿token，2.6B模型使用2万亿token。训练数据主要为英语，来源包括网页文档、代码和科学文章等。tokenizer采用SentencePiece方法，词表大小为256k。
(2) 知识蒸馏
对于9B和2.6B模型，Gemma 2团队创新性地将知识蒸馏应用于大规模预训练。具体做法是:使用一个大型模型作为教师，最小化学生模型与教师模型在每个token的条件概率分布之间的负对数似然。这种方法可以在有限的计算资源下，让小模型获得类似于训练更多token的效果。
(3) 计算基础设施
Gemma 2使用了TPUv4、TPUv5e和TPUv5p进行训练，采用数据并行和模型并行相结合的策略。例如，27B模型在6144个TPUv5p芯片上训练，采用768路数据复制和8路模型分片。
后训练优化
为了进一步提升模型性能和安全性，Gemma 2在预训练后进行了一系列优化:
(1) 监督微调(SFT)
在英语指令-响应对数据集上进行监督微调，数据包括合成和人工生成的样本。
(2) 人类反馈强化学习(RLHF)
在SFT基础上应用RLHF，奖励模型基于标注的英语偏好数据训练，策略使用与SFT相同的提示。
(3) 模型融合
将不同超参数实验得到的模型进行平均，以提升整体性能。
关键发现:知识蒸馏的影响
技术报告重点介绍了知识蒸馏对小型语言模型性能的显著影响:
在500B token上训练的2.6B模型，使用知识蒸馏比从头训练在3项基准测试的平均分上高出7.4个百分点。 随着模型规模增加(从200M到1B参数)，知识蒸馏带来的收益依然存在。 在9B规模上，使用GQA替代多头注意力(MHA)对性能影响不大，但可以减少参数量并提高推理速度。 对于9B模型，更深的网络结构略优于更宽的结构。 可以在推理时调整局部注意力的滑动窗口大小，对困惑度的影响较小，为推理速度优化提供了灵活性。
性能评估
Gemma 2在多项基准测试中展现出优异性能:
在同等规模的开放模型中达到最佳性能 甚至可以与参数量大2-3倍的模型相竞争 在问答、常识推理、数学科学、编程等多个领域的任务上表现出色
具体评估涵盖了以下方面:
自动化基准测试 人工评估 问答能力(如SQuAD、Natural Questions) 常识推理(如WinoGrande、HellaSwag) 数学和科学(如MATH、MMLU) 代码能力(如HumanEval、MBPP)
使用
体验：Hugging Chat
你可以在 Hugging Chat 上与 Gemma 27B 指令模型聊天！查看此链接：https://huggingface.co/chat/models/google/gemma-2-27b-it
如何提示 Gemma 2
基础模型没有提示格式。像其他基础模型一样，它们可以用于继续输入序列的合理延续或零样本/少样本推理。指令版本有一个非常简单的对话结构：
<start_of_turn>user
knock knock<end_of_turn>
<start_of_turn>model
who is there<end_of_turn>
<start_of_turn>user
LaMDA<end_of_turn>
<start_of_turn>model
LaMDA who?<end_of_turn><eos>
必须精确地复制此格式才能有效使用。稍后我们将展示如何使用 transformers 中的聊天模板轻松地复制指令提示。
基于Hugging Face Transformers
随着 Transformers 版本 4.42 的发布，你可以使用 Gemma 并利用 Hugging Face 生态系统中的所有工具。要使用 Transformers 使用 Gemma 模型，请确保使用最新的 transformers 版本：
pip install "transformers>=4.42.3" --upgrade
以下代码片段展示了如何使用 transformers 使用 gemma-2-9b-it。它需要大约 18 GB 的RAM，适用于许多消费者 GPU。相同的代码片段适用于 gemma-2-27b-it，需要 56GB 的 RAM，使其非常适合生产用例。通过加载 8-bit 或 4-bit 模式，可以进一步减少内存消耗。
from transformers import pipeline
import torch
pipe = pipeline(
"text-generation",
model="google/gemma-2-9b-it",
model_kwargs={"torch_dtype": torch.bfloat16},
device="cuda",
)
messages = [
{"role": "user", "content": "请模仿蔡坤的方式说两句土味情话"},
]
outputs = pipe(
messages,
max_new_tokens=256,
do_sample=False,
)
assistant_response = outputs[0]["generated_text"][-1]["content"]
print(assistant_response)
输出结果如下：
1. 你就像一碗热腾腾的番茄鸡蛋面，让我欲罢不能！
2. 你的眼睛像星星一样闪亮，照亮了我这颗孤独的心！
希望你喜欢我的土味情话！😜
这里我们使用 bfloat16 因为这是指令调优模型的参考精度。在你的硬件上运行 float16 可能会更快，90 亿模型的结果应该是相似的。然而，使用 float16 时，270 亿指令调优模型会产生不稳定的输出：对于该模型权重，你必须使用 bfloat16。
你还可以自动量化模型，以 8-bit 甚至 4-bit 模式加载。加载 4-bit 模式的 270 亿版本需要大约 18 GB 的内存，使其兼容许多消费者显卡和 Google Colab 中的 GPU。这是你在 4-bit 模式下加载生成管道的方式：
import os
from transformers import pipeline
import torch
init_model_dir = "/share_model_zoo/LLM/"
# init_model_id = "google/gemma-2-9b"
init_model_id = "google/gemma-2-9b-it"
init_model_path = os.path.join(init_model_dir, init_model_id)
pipeline = pipeline(
"text-generation",
model=init_model_path,
model_kwargs={
"torch_dtype": torch.bfloat16,
"quantization_config": {"load_in_4bit": True}
},
device_map="auto",
)
messages = [
{"role": "user", "content": "请模仿蔡坤的语气说两句土味情话"},
]
outputs = pipeline(
messages,
max_new_tokens=256,
do_sample=False,
)
assistant_response = outputs[0]["generated_text"][-1]["content"]
print(assistant_response)
输出结果如下：
1. 宝贝，你就像一朵盛开的玫瑰，香气迷人，让我忍不住想把你捧在手里，永远守护着。
2. 你是我这辈子最想遇见的人，就像天上的星星，照亮我的整个世界，让我不再迷茫。
希望你喜欢这些土味情话！
有关使用 Transformers 模型的更多详细信息，请查看模型卡。
结论与展望
Gemma 2代表了轻量级开放语言模型的重大进展。通过创新的架构设计和训练方法，尤其是知识蒸馏技术的大规模应用，Gemma 2在有限的参数规模下实现了卓越的性能。这不仅推动了语言模型技术的发展，也为更广泛的AI应用提供了高效、实用的解决方案。
未来的研究方向可能包括:
进一步优化知识蒸馏技术 探索更高效的模型架构 增强模型的多语言和跨领域能力 改进模型的安全性和可控性
总的来说，Gemma 2的成功表明，通过精心的设计和创新的训练方法，我们可以在不盲目追求参数规模的情况下，显著提升语言模型的能力。这为构建更高效、更易部署的AI系统开辟了新的可能性，有望推动AI技术在更多实际场景中的应用与落地。
关于互联网持续学习圈
