李飞飞高徒教你从0到1构建GPT 马斯克点赞

詹士 发自 凹非寺

“从0到1手搓GPT”教程来了！

视频1个多小时，从原理到代码都一一呈现，训练微调也涵盖在内，手把手带着你搞定。

该内容刚发出来，在Twitter已吸引400万关注量，HackerNews上Points也破了900。

连马斯克也下场支持。

评论区更是一片锣鼓喧天鞭炮齐鸣，网友们纷纷马住。

有人评价，Andrej确实是一位出色的“事物解释者”，也热心于回答大家的问题。

还有网友更夸张，称该教程简直是来“救命”。

那么，这位活菩萨是谁？

正是前特斯拉AI总监，李飞飞高徒——Andrej Karpathy。

教程具体说了什么？

这就来展开讲讲。

从零构建GPT，总共几步？

视频教程先从理论讲起。

第一部分主要关于建立基准语言模型（二元）以及Transformer核心注意力机制，以及该机制内节点之间的信息传递，自注意力机制理论也有涉及。

该part内容长度超过1小时，不仅有概念解释，还教你如何使用矩阵乘法、添加softmax归一化，可谓“夯实基础”式讲解。

接着讲述构建Transformer。

这当中涉及了多头注意力（包括如何插入自注意力构建块）、多层感知机（MLP）、残差连接、归一化方法LayerNorm以及如何在Transformer中添加Dropout Notes…….

然后，作者会带大家训练一个模型，当中会用到一个名为nanoGPT的库，可调用GPT-2参数，快速完成GPT模型的训练。

教程中，作者还将所得模型与Open AI的GPT-3比较。两者规模差距达1万-100万倍，但神经网络是相同的。另一个将拿来比较的是人尽皆知的ChatGPT，当然，我们目前所得只是预训练模型。

在上述内容引导下，我们已得一个10M参数规模的模型，在一个GPU上训练15分钟，喂给1MB大小的莎士比亚文本数据集，它就能像莎士比亚一样输出。

比如下面两张图，你能分辨哪个是真人莎士比亚写的吗？

评论区有人好奇选什么GPU资源。作者也分享了下——自己用的是Lambda的云上GPU，这是他目前接触按需计费GPU中，最简单的渠道。

光说不练不行，作者还给出一些课后练习，总共四道题，包括：

N维张量掌握挑战；

在自己选择的数据集上训练GPT；

找一个非常大的数据集，基于它训练Transformer，然后初始化再基于莎士比亚数据集微调，看能否通过预训练获得更低的验证损失？

参考Transformer相关论文，看看之前研究中哪些操作能进一步提升性能；

神器nanoGPT也刚发布

前文提及，作者之所以能快速完成训练GPT，有赖于一个名nanoGPT的库。

这也是本教程作者前几天刚发布的利器，由2年前的minGPT升级而来，只是换了个更“标题党”的名字，自称纳米级（nano）。目前，其在GitHub所获star已超8k，网友连连点赞。

据作者介绍，该库里面包含一个约300行的GPT模型定义（文件名：model.py），可以从OpenAI加载GPT-2权重。

还有一个训练模型PyTorch样板（文件名：train.py），同样也是300多行。

对想上手的AI玩家来说，无论是从头开始训练新模型，还是基于预训练进行微调（目前可用的最大模型为1.3B参数的GPT-2），各路需求均能满足。

△ 一个训练实例展示

据作者目前自己的测试，他在1 个 A100 40GB GPU 上训练一晚，损失约为 3.74。如果是在4个GPU上训练损失约为3.60。

如果在8个A100 40GB节点上进行约50万次迭代，时长约为1天，atim的训练降至约3.1，init随机概率是10.82，已将结果带到了baseline范围。

对macbook或一些“力量”不足的小破本，靠nanoGPT也能开训。

不过，作者建议使用莎士比亚（shakespeare）数据集，该数据集前文已提及，大小约1MB，然后在一个很小的网络上运行。

据他自己亲身示范，创建了一个小得多的Transformer（4层，4个head，64嵌入大小），在作者自己的苹果AIR M1本上，每次迭代大约需要400毫秒。