深入理解大语言模型：从token到next token prediction，小白程序员必学指南 - 详解

这篇文章介绍了大语言模型(LLM)的核心原理，重点讲解next token prediction机制。详细解释了token概念、tokenization过程、embedding和位置编码的添加方法，以及预训练和推理阶段的实现。还介绍了温度参数如何控制生成文本的随机性，并提供了nano-GPT的代码实现，帮助理解大语言模型的工作原理。

要理解大语言模型(LLM)，首先要理解它的本质，无论预训练、微调还是在推理阶段，核心都是next token prediction，也就是以自回归的方式从左到右逐步生成文本。

什么是 token

token是指文本中的一个词或者子词，给定一句文本，送入语言模型前首先要做的是对原始文本进行tokenize，也就是把一个文本序列拆分为离散的token序洌

其中，tokenize是在无标签的语料上训练得到的一个token数量固定且唯一的分词器，这里的token数量就是大家常说的词表

英文中的 Token

在英文中，Token 通常是单词、子词或标点符号。一个单词可能对应一个 Token，也可能被拆分为多个 Token。例如，“unhappiness” 可能被拆分为 “un”、“happi” 和 “ness”。
一般来说，1 个 Token 对应 3 至 4 个字母，或者约 0.75 个单词。

中文中的 Token

在中文中，Token 通常是单个汉字或经过分词后的词语。例如，“人工智能” 可能被拆分为 “人工” 和 “智能”。
不同平台对 Token 的定义有所不同。例如，通义千问和千帆大模型中 1 Token 等于 1 个汉字，而腾讯混元大模型中 1 Token 约等于 1.8 个汉字

当我们对文本进行分词后，每个token可以对应一个embedding，这也就是语言模型中的embedding层，获得某个token的embedding就类似一个查表的过程

我们知道文本序列是有顺序的，而常见的语言模型都是基于注意力机制的transformer结构，无法自动考虑文本的前后顺序，因此需要自动加上位置编码，也就是每个位置有一个位置embedding 然后和对应位置的token embedding进行相加

在模型训练或推理阶段大家经常会听到上下文长度这个词，它指的是模型训练时接收的token训练的最大长度，如果在训练阶段只学习了一个较短长度的位置embedding，那模型在推理阶段就不能够适用于较长文本(因为它没见过长文本的位置编码)

语言模型的预训练

当我们有了token的embedding和位置embedding后，将它们送入一个decoder-only的transofrmer模型，它会在每个token的位置输出一个对应的embedding(可以理解为就像是做了个特征加工)

有了每个token的一个输出embedding后，我们就可以拿它来做 next token prediction了，其实就是当作一个分类问题来看待:

首先我们把输出embedding送入一个线性层，输出的维度是词表的大小，就是让预测这个token的下一个token属于词表的"哪一个"
为了将输出概率归一化，需要再进行一个softmax变换
训练时就是最大化这个概率使得它能够预测真实的下一个token
推理时就是从这个概率分布中采样下一个token

训练阶段: 因为有因果自注意力（Causal Self-Attention）的存在，我们可以一次性对一整个句子每个token进行下一个token的预测，并计算所有位置token的loss

因果自注意力通过引入一个“掩码”（mask）来实现这一机制。具体来说：

在计算注意力权重时，模型会将当前时刻之后的所有位置的注意力权重设置为零。
这样，模型在预测下一个词时，只能基于已经生成的词（即前面的词）来进行预测。

推理阶段:以自回归的方式进行预测

其中，在预测下一个token时，每次我们都有一个概率分布用于采样，根据不同场景选择采样策略会略有不同，比如有贪婪策略、核采样、Top-k采样等，另外经常会看到Temperature这个概念，它是用来控制生成的随机性的，温度系数越小越稳定。

代码实现

https://github.com/karpathy/nanoGPT/tree/master

对于各种基于Transformer的模型，它们都是由很多个Block堆起来的，每个Block主要有两个部分组成：

Multi-headed Causal Self-Attention
Feed-forward Neural Network

结构的示意图如下：

看图搭一下单个Block

classBlock(nn.Module):

整个nano-GPT的结构

classGPT(nn.Module):

最后一层用来分类的线性层的权重和token embedding层的权重共享。

训练和推理的forward

首先需要构建token embedding和位置embedding，把它们叠加起来后过一个dropout，然后就可以送入transformer的block中了。

pos = torch.arange(0， t， dtype=torch.long， device=device) # shape (t)

接下来看推理阶段

根据当前输入序列进行一次前向传播
利用温度系数对输出概率分布进行调整
通过softmax进行归一化
从概率分布进行采样下一个token
拼接到当前句子并再进入下一轮循环

@torch.no_grad()

温度参数（Temperature）的作用

温度参数 temperature 是一个超参数，用于控制生成文本的随机性。它的作用是调整 logits 的分布，从而影响最终的概率分布。

具体来说：

temperature > 1：增加随机性
当温度参数大于 1 时，会放大 logits 的值，使得 logits 的分布更加“平坦”。
这意味着在 softmax 转换为概率分布后，各个 token 的概率会更加接近，从而增加生成结果的随机性。
例如，假设原始 logits 是 [10， 20， 30]，除以温度参数 2 后变为 [5， 10， 15]，经过 softmax 后，概率分布会更加均匀。
temperature < 1：减少随机性
当温度参数小于 1 时，会缩小 logits 的值，使得 logits 的分布更加“尖锐”。
这意味着在 softmax 转换为概率分布后，高概率的 token 会更加突出，而低概率的 token 的概率会进一步降低，从而减少生成结果的随机性。
例如，假设原始 logits 是 [10， 20， 30]，除以温度参数 0.5 后变为 [20， 40， 60]，经过 softmax 后，概率分布会更加集中在高概率的 token 上。
temperature = 1：保持原始分布
当温度参数等于 1 时，logits 不变，模型的输出概率分布保持原始的预测结果。

为什么要调整温度参数？

增加随机性（temperature > 1）：
有助于生成更多样化的文本，避免模型总是生成相同的、高概率的 token。
适用于需要创造性或多样性的场景，例如诗歌生成、故事创作等。
减少随机性（temperature < 1）：
有助于生成更稳定、更符合预期的文本，减少生成的噪声。
适用于需要高准确性的场景，例如机器翻译、问答系统等。

随着大模型的持续火爆，各行各业纷纷开始探索和搭建属于自己的私有化大模型，这无疑将催生大量对大模型人才的需求，也带来了前所未有的就业机遇。**正如雷军所说：“站在风口，猪都能飞起来。”**如今，大模型正成为科技领域的核心风口，是一个极具潜力的发展机会。能否抓住这个风口，将决定你是否能在未来竞争中占据先机。