前言
仅记录学习过程，有问题欢迎讨论
Transformer结构：
LLM的结构变化：
Muti-head 共享：
- Q继续切割为muti-head,但是K,V少切，比如切为2个，然后复制到n个muti-head
- 减少参数量，加速训练
attention结构改动：
- self-attention和feedforward并行计算（bert为顺序计算）
不算主流
归一化层位置变化：
- 在attention之前（pre norm），在feedforward之后（正常为 attention->++±>layer->FFN–>++±->layer）
归一化函数变化：layerNorm 改为 RMSNorm
- 主流为norm层提前到attention层之前
激活函数变化
- swish：两个线性层 gated
LLama2模型结构:
- transformer Block：
RMSNorm–>Liner–>q*k(T) *V -->softmax–>Liner–>RMSNorm–>swish–>Liner
计算qk带上位置编码
MOE架构：
- 在feed forward中有多个类型的前馈层，根据分类的结果来选择，每个前馈层都是一个专家
位置编码：
- 因为transformer的输入是token，而不是序列，所以需要位置编码来表示token之间的相对位置
- 正弦、余弦编码：每个字按公式计算位置维度信息，但是不能学习，得到position encoding+word embedding
- bert 自带可训练的位置编码 position embedding；但是无法外推，最大文本长度是多少就是多少(512)
- ROPE相对（旋转）位置编码；
在计算某个词的emb时，映射其之前的位置emb信息（Xm,Xn,m-n）
可以外推，也无需训练 - Alibi位置编码；
在QK中 加上位置矩阵m
总结：对于文本类任务，位置信息是重要的
可学习的位置编码缺点在于没有长度外推性
相对位置编码不需要学习，有一定的长度外推性，但是相对位置编码具有天然的远程衰减性
目前的主流是ROPE和Alibi两种相对位置编码
多模态：
常见：图像、音频、视频、文本
罕见：3D模型，神经信号，气味
输入到输出是不同的模态
要点：文本、图像如何编码；二者如何交互
flamingo:qkv ,其中Q为文本，KV为图像(KV决定输出)，所以计算文本和图像之前的相关性，在attention中交互
LLava：文本和图像emb拼接 走类似llama的流程，但是没有多头机制，本质上还是self attention
cv基础：
图像=矩阵 使用RGB 3通道叠加展示色彩
视频就是多个图像组成的张量
Diffuse Model: sora背后的技术
diffusion思想:随机生成一副噪音图像，持续的进行有条件的去噪，直到显示出有意义的图像（类似于对石头雕像）
Denoise:使用Noise predictor 预测噪声(输入输出都是矩阵)，
然后去噪就是：噪声图像-噪声
贴一个测试图：
PS:
LLaMA 3 引入了 分组查询注意力（Grouped Query Attention, GQA） 作为其注意力机制的一部分，而 LLaMA 2 使用的是标准的多头注意力（Multi-Head Attention, MHA）。GQA 可能通过不同的方式组织和处理查询（Queries），从而优化了注意力计算过程，提高了模型的推理效率，同时保持或增强了模型的表现力。
