声明:本文来自于微信公众号 新智元（ID:AI_era），作者:新智元，授权站长之家转载发布。
【新智元导读】训大模型的方法可能要被革新了!AI大神Karpathy发布的新项目仅用1000行的C语言训完GPT-2，而不再依赖庞大的GPT-2库。他本人预告，即将上线新课。
断更近一个月，Karpathy终于上线了。
这次不是AI大课，而是带来一个新项目。
仅用1000行纯C语言训完GPT-2。
想象一下，如果我们能够不依赖于庞大的PyTorch（245MB）和cPython(107MB)库，仅仅使用纯C语言就能训练大型语言模型(LLM)，那会怎样?
现在，借助llm.c，这件听起来似乎不太可能的事，已经成为了现实!
这个项目的亮点在于，它仅用约1000行简洁的C代码，就实现了在普通计算机处理器（CPU）上训练GPT-2模型的能力。
而且，这份代码不仅可以立即编译运行，其训练结果也和PyTorch版本的GPT-2完全一致。
之所以选择GPT-2作为起点，是因为它标志着大型语言模型发展史上的一个重要里程碑，是第一次以我们现在所熟悉的形式整合了这样的技术栈，并且模型权重也是公开可获取的。
这一项目刚刚发布几个小时，已经获得了2.5k星。
项目地址:https://github.com/karpathy/llm.c
有网友表示，初创公司正在等着Karpathy挖掘新的点子。
很少有人知道，SUNO一开始是nanoGPT的一个分支。（Suno创业团队首款产品Bark受到了nanoGPT的启发）
或许Karpathy正在尝试的是重新设计LLM架构，通过llm.c项目去探索一种更简单、高效的模型训练方法。
「我无法创造的，我就无法理解」。
Karpathy完全让AI走向大众化。
那么，仅用C语言如何训出LLM?
千行C代码训完GPT-2
项目开篇介绍中，Karpathy还提到了自己目前正在进行的研究:
- 直接使用CUDA实现，速度会快得多，可能接近PyTorch。
- 使用SIMD指令加速CPU版本，x86上的AVX2/ARM上的NEON（比如苹果芯片）。
- 采用更现代的架构，如Llama2、Gema等。
对于repo，Karpathy希望同时维护干净、简单的参考实现以及更优化的版本，这些版本可以接近PyTorch，但只需很少的代码和依赖项。
快速入门
下载数据集，并将其进行分词。Tinyshakepeare数据集下载和分词速度最快:
pythonprepro_tinyshakespeare.py
打印内容如下:
Saved32768tokenstodata/tiny_shakespeare_val.binSaved305260tokenstodata/tiny_shakespeare_train.bin
其中，.bin文件包含有int32的原始数据流，这些整数代表了通过GPT-2分词器定义的Token ID。
当然，也可以通过运行prepro_tinystories.py来对TinyStories数据集进行分词处理。
理论上讲，现在已经能够开始训练模型了。但是，目前基于CPU和FP32的参考代码运行效率极低，无法从零开始训练这些模型。
因此，我们选择先用OpenAI发布的GPT-2模型权重进行初始化，再对模型进行微调。
为了这个目的，我们需要下载GPT-2模型的权重文件，并把它们作为检查点保存下来，这样就可以在C语言环境中进行加载了:
pythontrain_gpt2.py
这个脚本的作用是下载GPT-2（124M）模型，并对单个数据batch进行10次迭代训练实现过拟合。
接着，脚本将执行几步生成任务，并且最重要的是，保存两个文件:
gpt2_124M.bin，其中包含了可用于在C语言环境中加载模型的原始权重;
gpt2_124M_debug_state.bin，其中包含了额外的调试信息，如输入数据、目标、logits和损失。
这些信息对于调试、单元测试以及确保与PyTorch的参考实现完全一致很有帮助。
目前，主要关注的是gpt2_124M.bin文件中的模型权重。有了它们，就可以在C语言环境中初始化模型并开始训练了。
首先，我们需要编译代码:
maketrain_gpt2
你可以打开Makefile文件，并阅读里面的注释。
它会自动检查你的电脑是否支持OpenMP，这对于以非常低的复杂度来加速代码运行很有帮助。
当完成train_gpt2的编译之后，就可以开始运行了:
OMP_NUM_THREADS=8./train_gpt2
现在，你需要根据电脑的CPU核心数来设置程序运行的线程数。
然后，程序会加载模型的权重和Token，接着进行几次迭代的微调过程，这个过程使用了Adam优化算法，学习率设置为0.0001。
最后，程序会根据模型生成一个样本。
总结来说，代码实现了模型每一层的数据处理流程，包括前向传播、反向传播和参数更新等，并且被组织成了一个完整的循环。
在搭载M3Max芯片的MacBook Pro上运行时，输出结果如下:
[GPT-2]max_seq_len:1024vocab_size:50257num_layers:12num_heads:12channels:768num_parameters:124439808traindatasetnum_batches:1192valdatasetnum_batches:128num_activations:73323776valloss5.252026step0:trainloss5.356189（took1452.121000ms）step1:trainloss4.301069(took1288.673000ms)step2:trainloss4.623322(took1369.394000ms)step3:trainloss4.600470(took1290.761000ms)...(trunctated)...step39:trainloss3.970751(took1323.779000ms)valloss4.107781generated:50256167731816221986111981368126323875198315226211773291019811696002638625832862621185819820424428313575969953675131984048140773617903113297036029706408219842826102811286332631119810594407198270445468010282621027288602861983237323step40:trainloss4.377757(took1366.368000ms)
目前，程序生成的结果只是Token ID，我们需要把这些编号转换成可读的文本。
这个过程在C语言中实现起来相当简单，因为涉及到的主要是对应字符串片段的查找和输出。
现在，我们可以利用一个叫做tiktoken的工具来完成这个任务:
importtiktokenenc=tiktoken.get_encoding（"gpt2"）print(enc.decode(list(map(int，"50256167731816221986111981368126323875198315226211773291019811696002638625832862621185819820424428313575969953675131984048140773617903113297036029706408219842826102811286332631119810594407198270445468010282621027288602861983237323".split()))))
打印内容如下:
<|endoftext|>ComeRunningAway，GreaterconquerWiththeImperialbloodtheheaviesthostofthegodsintothiswondrousworldbeyond.Iwillnotbackthee，forhowsweetafterbirthNetflixagainstrepounder，willnotflourishagainsttheearlocksofAllay
Karpathy表示，他对Netflix在模型生成结果中的呈现方式非常满意，因为这显示出模型仍然保留了其训练过程中的一些特征。
此外，他也没有去调整微调的超参数，因此如果能够优化这些设置，特别是通过延长训练时间，模型的性能应该会有很大的提升空间。
测试
这里提供一个简单的单元测试程序，用来验证我们编写的C语言代码是否与PyTorch框架中的代码实现相匹配。
通过以下命令即可编译并执行:
maketest_gpt2./test_gpt2
这段代码首先会加载gpt2_124M_debug_state.bin文件，然后执行一次前向计算。
这个过程会生成模型的预测结果（logits）和损失(loss)，并将其与PyTorch的标准实现进行比较。
接下来，它会利用Adam优化算法对模型进行10轮训练，从而确保训练的损失与PyTorch的结果一致。
教程
项目最后，Karpathy还附上了一个非常小的教程——
项目地址:https://github.com/karpathy/llm.c/blob/master/doc/layernorm/layernorm.md
它是实现GPT-2模型的单层，即LayerNorm的一个简单的分步指南。
这是了解如何用C语言实现层的一个很好的起点。
纯CUDA也可训
在训练开始时，先一次性预分配一大块一维内存，用于存储训练过程中所需的所有数据。
这样做的好处是，在整个训练过程中，我们无需再次分配或释放内存。如此一来，不仅简化了内存管理，还确保了内存使用量保持不变，优化了数据处理效率。
接下来的核心任务是——手动编写代码，实现模型中每一层的数据前向传播和后向传播过程，并将这些层按顺序连接起来。
此外，为了构建完整的模型，我们还需要实现多个关键组件，包括编码器（encoder）、矩阵乘法(matmul)、自注意力机制(self-attention)、GELU激活函数、残差连接(residual)、softmax函数和交叉熵损失计算。
Karpathy继续解释道，一旦你有了所有的层，你就可以把所有的层串联起来。
不瞒你说，写这个过程相当乏味，也很受虐，因为你必须确保所有的指针和张量偏移向量都正确排列。
左图:在内存中分配一个一维数组，然后将所有模型的权重和激活指向它
右图:小心地进行所有指针运算
在完成了模型的前向传播和反向传播之后，接下来的工作，比如设置数据加载器和调整Adam优化算法，就比较简单了。
随后，Karpathy还介绍了自己下一步进行工作是:
一步步地将这个过程迁移到CUDA上，从而大幅提升运算效率，甚至达到接近PyTorch的水平，而且不需要依赖那些复杂的库。
目前，他已经完成了其中的几层。
接下来的工作包括减少计算精度——从FP32降到FP16甚至更低，以及添加一些新的层（如RoPE），从而支持更先进的模型架构，例如Llama2、Mistral、Gemma等。
当然了，等着这一切完成之后，另一期「从头开始构建」的视频也会上线。
参考资料:
https://github.com/karpathy/llm.c
https://twitter.com/karpathy/status/1777427944971083809
相关文章
头条焦点
精彩导读
关注我们
【查看完整讨论话题】 | 【用户登录】 | 【用户注册】