1. 写出Multi-Head Attention

import torch
import torch.nn as nn
import torch.nn.functional as F
import mathclass MHA(nn.Module):def __init__(self, d_model, nums_head):super(MHA, self).__init__()     # !!self.d_model = d_modelself.nums_head = nums_headself.wq = nn.Linear(d_model, d_model)self.wk = nn.Linear(d_model, d_model)self.wv = nn.Linear(d_model, d_model)self.dk = d_model/nums_headself.wo = nn.Linear(d_model,d_model)def split_head(self, x, batch_size):  # x(batch_size, seq_len, d_model) -> x(batch_size, seq_len, nums_head, d_k) -> x(batch_size, nums_head, seq_len, dk)return x.view(batch_size, self.nums_head, -1, self.dk).transpose(1,2)def forward(self, q, k, v, mask=None):batch_size = q.size(0)q = self.wq(q)k = self.wk(k)v = self.wv(v)q = self.split_head(q, batch_size)k = self.split_head(k, batch_size)v = self.split_head(v, batch_size)scores = torch.matmul(q, k.transpose(-2,-1))/math.sqrt(self.dk)if mask is not None:scores = scores.mask_fill(mask, float('-inf'))    # mask_fillweights = F.softmax(scores, dim=-1)attention = torch.matmul(weights, v)concat = attention.transpose(1,2).contiguous().view(batch_size, -1, self.d_model)     # contiguousoutput = self.wo(concat)return output

2. Pre-Norm vs Post-Norm

• Pre-Norm优势：
  

• 为什么层数较深时，Pre-Norm不如Post-Norm：
  

3. Layer Norm

任何norm的意义都是为了让使用norm的网络的输入的数据分布变得更好，也就是转换为标准正态分布，数值进入敏感度区间，以减缓梯度消失，从而更容易训练。

这里结合PyTorch的nn.LayerNorm算子来看比较明白：

nn.LayerNorm(normalized_shape, eps=1e-05, elementwise_affine=True, device=None, dtype=None)

• normalized_shape：归一化的维度，int（最后一维）list（list里面的维度），还是以（2,2,4）为例，如果输入是int，则必须是4，如果是list，则可以是[4], [2,4], [2,2,4]，即最后一维，倒数两维，和所有维度
• eps：加在分母方差上的偏置项，防止分母为0
• elementwise_affine：是否使用可学习的参数$\gamma$和$\beta$ ，前者开始为1，后者为0，设置该变量为True，则二者均可学习随着训练过程而变化

RMS Norm

与layerNorm相比，RMS Norm的主要区别在于去掉了减去均值的部分
在RMS Norm的论文中指出：RMS Norm 比Layer Norm更快（可以在各个模型上减少约 7%∼ 64% 的计算时间），效果也基本一致。

Batch Norm

• Batch Norm：把每个Batch中，每句话的相同位置的字向量看成一组做归一化。
• Layer Norm：在每一个句子中进行归一化。
• Instance Norm：每一个字的字向量的看成一组做归一化。
• Group Norm：把每句话的每几个字的字向量看成一组做归一化。计算成本较高

4. SwiGLU

• Sigmoid

从ReLU到Swish

• ReLU
  

• Leaky ReLU，ELU
  

• Swish
  

• GELU vs Swish
  

GELU （高斯误差线性单元）与 Swish 激活函数（x · σ(βx)）的函数形式和性质非常相像，一个是固定系数 1.702，另一个是可变系数 β（可以是可训练的参数，也可以是通过搜索来确定的常数），两者的实际应用表现也相差不大。
【GPT2, BERT, ALBERT, RoBERTA常用GELU】

SwiGLU

• GLU
  理解GLU激活函数的关键在于它的门控机制。门控机制使得GLU能够选择性地过滤输入向量的某些部分，并根据输入的上下文来调整输出。门控部分的作用是将输入进行二分类，决定哪些部分应该被保留，哪些部分应该被抑制。

• SwiGLU
  

5. AdamW

• Adam

优点：惯性保持 + 自适应

$g_t$为梯度
自适应：经常被更新的权重，更新的幅度小一些；不经常被更新的权重，更新的幅度大一些

• AdamW
  Adam的基础上，权重更新时，加入L2正则化项。
  之前各类框架对 Adam 的实现中，在损失函数中加入了 L2 正则化项，也就是把权重衰减放到了梯度里，由梯度间接缩小θ。但是这种方法并没有起到有效的正则化作用。AdamW 直接将权重衰减项放到权重计算中，可以对大的权重进行惩罚，起到了有效的正则化作用。
  （下图中x表示权重）
  

6. 位置编码

原因：为 Attention 添加位置信息
没有位置编码的Attention并不能捕捉序列的顺序。（交换单词位置后 Attention map 的对应位置数值也会进行交换，然而并不会产生数值变化）

Transformer位置编码

用sin和cos交替来表示位置，并把位置编码加在embeding上。

RoPE

参考文献
Transformer中sinusoidal位置编码对相对位置关系的表示还是比较间接的，那有没有办法更直接的表示相对位置关系呢？旋转位置编码（Rotary Position Embedding，RoPE）是一种用绝对位置编码来表征相对位置编码的方法，并被用在了很多大语言模型的设计中。

假设通过下述运算来给 q, k 添加绝对位置信息：
$f(q,m)$ 表示给向量$q$在位置$m$添加位置信息，$f(k,n)$ 表示给向量$k$在位置$n$添加位置信息。
同时，我们希望经过 Attention 的内积运算后，内积结果带有相对位置信息：
RoPE这一研究就是为上面这个等式找到了一组解答，也就是：

$f(q,m)=q{e}^{im\theta }$

根据复数乘法的⼏何意义，该变换实际上对应着向量的旋转，所以我们称之为“旋转式位置编码”，
它还可以写成矩阵形式（二维）：
根据刚才的结论，结合内积的线性叠加性，可以将结论推广到高维的情形。可以理解为，每两个维度一组，进行了上述的“旋转”操作，然后再拼接在一起：
由于矩阵的稀疏性，会造成计算上的浪费，所以在计算时采用逐位相乘再相加的方式进行：

ALibi

注意看上表的位置编码那一列，baichuan 7B无论第一代还是第二代，位置编码均用的RoPE，而baichuan 13B则无论是第一代还是第二代，均用的ALiBi

怎么理解呢，就是在query和key做矩阵点乘的基础上，加上一个常数负值，比如距离当前位置前1位为-1， 前两位为-2，这些常数要乘上 权重 m

7. LoRA

lora之前的PEFT方法是adapter/prefix/promp/P-tuning，但是Adapter会引入很强的推理延迟（只能串行），prefix/prompt/P-tuning很难练，而且要占用context length，变相的降低模型能力——所以，根本不改原来的model，这就引出了lora：Low-Rank Adaptation

初始化

为什么用随机高斯分布初始化 A ，用 0 矩阵初始化 B ？
需要深入探讨这两个矩阵在权重更新过程中的角色和相互作用

• 矩阵𝐴：这个矩阵可以被看作是一个特征提取器，它将输入特征映射到一个低维空间（通过矩阵乘法）。在 LORA 的设置中，𝐴通常被视为首先应用于输入的一种转换，将数据从原始的高维空间压缩到一个低维空间。
• 矩阵𝐵：这个矩阵作为一个特征转换器，它将𝐴输出的低维表示映射回原始的高维空间。可以看作是从𝐴创建的低维空间中恢复信息到原始空间的过程。

为什么𝐴不能为零而 𝐵采用高斯初始化？
如果𝐴初始化为零，那么无论𝐵初始化为什么值，Δ𝑊始终为零矩阵。这意味着在训练的开始阶段，没有任何更新被应用于原始权重 𝑊，导致模型在这一阶段无法学习或适应任何新的特征或模式。

优点：

• 在面对不同的下游任务时，仅需训练参数量很少的低秩矩阵，而预训练权重可以在这些任务之间共享；
• 省去了预训练权重的梯度和相关的 optimizer states，大大增加了训练效率并降低了硬件要求；
• 训练好的低秩矩阵可以合并(merge)到预训练权重中，多分支结构变为单分支，从而达到没有推理延时的效果；
• 与之前的一些参数高效的微调方法(如 Adapter, Prefix-Tuning 等)互不影响，并且可以相互结合

局限性：

• 基于低秩的微调可能并不always work，比如finetune与pretrain的gap过大的时候，比如中英差异。当然，这一点在LLM时代可能并不突出，我们认为LLM在预训练阶段已经get了所有基本的知识，finetune只是格式微调，因此可能不会有上述gap过大的情况。
• 用lora也需要设置r和target module等，这部分超参的设置需要考虑

参考文献

大模型面试八股