Sebastian Raschka最新博客：从头开始，用Llama 2构建Llama 3.2
文章摘要
【关 键 词】 Meta Connect、轻量级模型、多语言文本、个性化应用、隐私保护
在 Meta Connect 2024 大会上，Meta 公司推出了两款新型轻量级模型 Llama 3.2 1B 和 3B，它们专为边缘和移动设备设计，能够在设备上本地运行，保护用户隐私。这些纯文本模型支持多语言文本生成和工具调用，为开发者提供了构建个性化应用的新工具。
为了帮助开发者和研究人员更好地理解和使用这些模型，机器学习研究员 Sebastian Raschka 发布了一篇名为《Converting Llama 2 to Llama 3.2 From Scratch》的教程。这篇教程是之前《Converting a From-Scratch GPT Architecture to Llama 2》的续篇，专注于将 Meta 的 Llama 2 模型逐步升级到 Llama 3、Llama 3.1 和 Llama 3.2。教程内容简洁，重点放在代码实现上。
转换过程包括几个关键步骤：
1. 复用 Llama 2 的组件：Llama 2 与 Llama 3 架构非常相似，因此可以复用 Llama 2 的一些构建模块，如 RMSNorm 层、SiLU 和 SwiGLU 激活、RoPE（旋转位置嵌入）和 SentencePiece tokenizer。
2. 修改旋转嵌入：Llama 3 的 RoPE 与 Llama 2 类似，但支持的 token 数量翻倍，从 4096 增加到 8192。此外，RoPE 的基础值从 10000 增加到 50000，这改变了旋转矩阵中旋转角度的计算方式。
3. 实现分组查询注意力：Llama 3 引入了分组查询注意力（GQA），这是一种计算和参数效率更高的多头注意力（MHA）替代方案。GQA 通过在多个注意力头之间共享键和值投影来减少参数数量，同时保持每个头有其独特的查询。
4. 使用定制版的 GPT-4 tokenizer：Llama 3 还采用了定制版的 GPT-4 tokenizer，以提高模型的性能和效率。
通过这些改进，Llama 3 模型在保持轻量级的同时，提供了更强的文本生成能力和更高的隐私保护。开发者现在可以利用这些新功能，为用户打造更加个性化和安全的本地应用体验。
原文和模型
【原文链接】 阅读原文 [ 5374字 | 22分钟 ]
【原文作者】 机器之心
【摘要模型】 moonshot-v1-32k
【摘要评分】 ★★★★☆
