glassllmDocumentação
DocumentaçãoProjeto e referências

Projeto e referências

Artigos e mapa de referências

As fontes primárias, suas relações com o código e as diferenças entre os artigos e este Transformer didático.

glassllm 0.1.04 min de leitura · estimativa

Como usar esta bibliografia

Os artigos abaixo explicam conceitos presentes no motor. Cada registro traz link primário, autores completos, ano da primeira versão no arXiv, páginas relacionadas e uma citação BibTeX do preprint. A nota de publicação distingue eventos e periódicos quando essa informação aparece no registro primário. Por exemplo, Adam tem preprint de 2014 e publicação em ICLR 2015; usar o ano do preprint não altera essa data de publicação.

Use os links de páginas para partir de uma ideia e chegar à operação executável. A bibliografia identifica procedência conceitual; não significa que este projeto reproduz a arquitetura, o conjunto de dados ou os resultados experimentais de cada artigo.

Mapa do artigo ao código

Fonte Conceito usado Onde ler no código
Attention Is All You Need Atenção escalada e estrutura Transformer nn.Attention, nn.Block, model.GlassLM
Neural Machine Translation of Rare Words with Subword Units Fusões BPE para subpalavras tokenizer.Tokenizer.train, Tokenizer.encode
SentencePiece Contexto para tokenização e representação do espaço tokenizer.pre_tokenize, SPACE
RoFormer Rotações posicionais em consultas e chaves nn.rope_angles, autograd.rope
GQA Compartilhamento de cabeças K/V nn.Attention, autograd.repeat_kv
Root Mean Square Layer Normalization Normalização pela raiz da média quadrática nn.RMSNorm
On Layer Normalization in the Transformer Architecture Posição pre-norm nn.Block
Deep Residual Learning for Image Recognition Contexto das somas residuais nn.Block, etapas resid.attn e resid.ffn
GLU Variants Improve Transformer FFN com portão SwiGLU nn.SwiGLU, autograd.silu
Using the Output Embedding to Improve Language Models Pesos de embedding atrelados à saída GlassLM.E, GlassLM.forward
Automatic differentiation in machine learning: a survey Modo reverso e regra da cadeia autograd.Tensor.backward
Adam: A Method for Stochastic Optimization Momentos e atualização adaptativa optim.AdamW.step
Decoupled Weight Decay Regularization Decaimento de pesos desacoplado optim.AdamW.step
SGDR: Stochastic Gradient Descent with Warm Restarts Parte cosseno do schedule optim.lr_schedule

Os prefixos dos módulos nesta tabela são relativos a glassllm. A referência pública distingue exports da raiz e funções acessíveis por submódulo.

A arquitetura é uma combinação própria

O Transformer original de Vaswani et al. tem encoder e decoder para transdução de sequências. O glassllm implementa um decoder causal pequeno para prever o próximo token; não inclui encoder nem atenção cruzada. Usa RoPE, RMSNorm, GQA e SwiGLU, escolhas introduzidas ou estudadas em trabalhos diferentes.

A implementação GQA compartilha duas cabeças K/V entre quatro cabeças Q. Não executa o procedimento de conversão e continuação de treino de checkpoints do artigo GQA. O tokenizer é uma implementação própria de BPE sobre texto normalizado; SentencePiece é referência de contexto e não uma dependência nem garantia de compatibilidade de formato.

Normalização e resíduos

O artigo de pre-norm analisa LayerNorm; o código usa RMSNorm antes das duas subcamadas e na saída final. Essa relação informa a localização da normalização, sem transferir automaticamente todas as conclusões teóricas entre operações distintas.

O artigo de RMSNorm também discute pRMSNorm; o projeto calcula a média quadrática de todas as dimensões. Com ε > 0, invariância de escala não é uma igualdade exata para todo vetor. O trabalho de redes residuais fornece contexto histórico de visão computacional, não uma prova de que este modelo mantém qualquer gradiente constante.

Treino e otimização

AdamW usa momentos de gradientes e decaimento separado da atualização adaptativa. O schedule do projeto combina warmup com um decaimento cosseno até uma fração da taxa inicial. Ele não implementa warm restarts de SGDR, e o otimizador é AdamW em vez do SGD avaliado naquele artigo.

O autograd é próprio e opera sobre arrays NumPy. O survey de diferenciação automática fornece a terminologia e o panorama de métodos; os detalhes de acumulação, broadcasting e travessia pertencem à implementação descrita na referência Tensor.

Citar e verificar

Abra o registro arXiv para verificar versões, PDF e detalhes de publicação. Os BibTeX desta página citam os preprints de forma consistente e incluem autores, título, ano, eprint, DOI arXiv e URL. O arquivo para download contém os 14 registros. Para um trabalho acadêmico que exija a versão publicada, use a referência dos anais ou periódico correspondente e declare qual versão foi consultada.

As equações dos fundamentos também explicitam formas e escolhas do código. Comece por atenção causal e perda e gradientes para conectar um artigo à conta numérica executada.

Fontes no projeto

README.mddocs/equacoes.md

Artigos relacionados

Fontes primárias dos conceitos usados no projeto. O ano identifica a primeira versão do preprint arXiv; a nota de publicação informa o evento ou periódico quando registrado na fonte.

Baixar bibliografia BibTeX
2017 · arXiv:1706.03762

Attention Is All You Need

Ashish Vaswani; Noam Shazeer; Niki Parmar; Jakob Uszkoreit; Llion Jones; Aidan N. Gomez; Lukasz Kaiser; Illia Polosukhin

Atenção escalada e arquitetura Transformer

BibTeX
@misc{glassllm_transformer_2017,
  title = {Attention Is All You Need},
  author = {Ashish Vaswani and Noam Shazeer and Niki Parmar and Jakob Uszkoreit and Llion Jones and Aidan N. Gomez and Lukasz Kaiser and Illia Polosukhin},
  year = {2017},
  eprint = {1706.03762},
  archivePrefix = {arXiv},
  doi = {10.48550/arXiv.1706.03762},
  url = {https://arxiv.org/abs/1706.03762}
}
2015 · arXiv:1508.07909

Neural Machine Translation of Rare Words with Subword Units

Rico Sennrich; Barry Haddow; Alexandra Birch

BPE e representação por subpalavras

Publicação: ACL 2016

BibTeX
@misc{glassllm_bpe_2015,
  title = {Neural Machine Translation of Rare Words with Subword Units},
  author = {Rico Sennrich and Barry Haddow and Alexandra Birch},
  year = {2015},
  eprint = {1508.07909},
  archivePrefix = {arXiv},
  doi = {10.48550/arXiv.1508.07909},
  url = {https://arxiv.org/abs/1508.07909}
}
2018 · arXiv:1808.06226

SentencePiece: A simple and language independent subword tokenizer and detokenizer for Neural Text Processing

Taku Kudo; John Richardson

Contexto para tokenização independente de idioma; a biblioteca tem implementação própria

Publicação: EMNLP 2018 · demonstrations

BibTeX
@misc{glassllm_sentencepiece_2018,
  title = {SentencePiece: A simple and language independent subword tokenizer and detokenizer for Neural Text Processing},
  author = {Taku Kudo and John Richardson},
  year = {2018},
  eprint = {1808.06226},
  archivePrefix = {arXiv},
  doi = {10.48550/arXiv.1808.06226},
  url = {https://arxiv.org/abs/1808.06226}
}
2021 · arXiv:2104.09864

RoFormer: Enhanced Transformer with Rotary Position Embedding

Jianlin Su; Yu Lu; Shengfeng Pan; Ahmed Murtadha; Bo Wen; Yunfeng Liu

Posições e rotações de Q/K

BibTeX
@misc{glassllm_rope_2021,
  title = {RoFormer: Enhanced Transformer with Rotary Position Embedding},
  author = {Jianlin Su and Yu Lu and Shengfeng Pan and Ahmed Murtadha and Bo Wen and Yunfeng Liu},
  year = {2021},
  eprint = {2104.09864},
  archivePrefix = {arXiv},
  doi = {10.48550/arXiv.2104.09864},
  url = {https://arxiv.org/abs/2104.09864}
}
2023 · arXiv:2305.13245

GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints

Joshua Ainslie; James Lee-Thorp; Michiel de Jong; Yury Zemlyanskiy; Federico Lebrón; Sumit Sanghai

Compartilhamento de cabeças K/V; o projeto usa GQA, sem reproduzir o método de conversão de checkpoints do artigo

Publicação: EMNLP 2023

BibTeX
@misc{glassllm_gqa_2023,
  title = {GQA: Training Generalized Multi-Query Transformer Models from Multi-Head Checkpoints},
  author = {Joshua Ainslie and James Lee-Thorp and Michiel de Jong and Yury Zemlyanskiy and Federico Lebrón and Sumit Sanghai},
  year = {2023},
  eprint = {2305.13245},
  archivePrefix = {arXiv},
  doi = {10.48550/arXiv.2305.13245},
  url = {https://arxiv.org/abs/2305.13245}
}
2019 · arXiv:1910.07467

Root Mean Square Layer Normalization

Biao Zhang; Rico Sennrich

Normalização RMSNorm

Publicação: NeurIPS 2019

BibTeX
@misc{glassllm_rmsnorm_2019,
  title = {Root Mean Square Layer Normalization},
  author = {Biao Zhang and Rico Sennrich},
  year = {2019},
  eprint = {1910.07467},
  archivePrefix = {arXiv},
  doi = {10.48550/arXiv.1910.07467},
  url = {https://arxiv.org/abs/1910.07467}
}
2020 · arXiv:2002.04745

On Layer Normalization in the Transformer Architecture

Ruibin Xiong; Yunchang Yang; Di He; Kai Zheng; Shuxin Zheng; Chen Xing; Huishuai Zhang; Yanyan Lan; Liwei Wang; Tie-Yan Liu

Posição da normalização; o artigo analisa LayerNorm, enquanto o projeto usa RMSNorm

Publicação: ICML 2020

BibTeX
@misc{glassllm_prenorm_2020,
  title = {On Layer Normalization in the Transformer Architecture},
  author = {Ruibin Xiong and Yunchang Yang and Di He and Kai Zheng and Shuxin Zheng and Chen Xing and Huishuai Zhang and Yanyan Lan and Liwei Wang and Tie-Yan Liu},
  year = {2020},
  eprint = {2002.04745},
  archivePrefix = {arXiv},
  doi = {10.48550/arXiv.2002.04745},
  url = {https://arxiv.org/abs/2002.04745}
}
2015 · arXiv:1512.03385

Deep Residual Learning for Image Recognition

Kaiming He; Xiangyu Zhang; Shaoqing Ren; Jian Sun

Contexto histórico de conexões residuais em visão computacional

BibTeX
@misc{glassllm_residual_2015,
  title = {Deep Residual Learning for Image Recognition},
  author = {Kaiming He and Xiangyu Zhang and Shaoqing Ren and Jian Sun},
  year = {2015},
  eprint = {1512.03385},
  archivePrefix = {arXiv},
  doi = {10.48550/arXiv.1512.03385},
  url = {https://arxiv.org/abs/1512.03385}
}
2016 · arXiv:1608.05859

Using the Output Embedding to Improve Language Models

Ofir Press; Lior Wolf

Compartilhamento entre embedding e projeção de saída

Publicação: EACL 2017

BibTeX
@misc{glassllm_tied_2016,
  title = {Using the Output Embedding to Improve Language Models},
  author = {Ofir Press and Lior Wolf},
  year = {2016},
  eprint = {1608.05859},
  archivePrefix = {arXiv},
  doi = {10.48550/arXiv.1608.05859},
  url = {https://arxiv.org/abs/1608.05859}
}
2015 · arXiv:1502.05767

Automatic differentiation in machine learning: a survey

Atilim Gunes Baydin; Barak A. Pearlmutter; Alexey Andreyevich Radul; Jeffrey Mark Siskind

Diferenciação automática e modo reverso

Publicação: Journal of Machine Learning Research 18(153):1–43, 2018

BibTeX
@misc{glassllm_autodiff_2015,
  title = {Automatic differentiation in machine learning: a survey},
  author = {Atilim Gunes Baydin and Barak A. Pearlmutter and Alexey Andreyevich Radul and Jeffrey Mark Siskind},
  year = {2015},
  eprint = {1502.05767},
  archivePrefix = {arXiv},
  doi = {10.48550/arXiv.1502.05767},
  url = {https://arxiv.org/abs/1502.05767}
}
2014 · arXiv:1412.6980

Adam: A Method for Stochastic Optimization

Diederik P. Kingma; Jimmy Ba

Momentos e atualização adaptativa de parâmetros

Publicação: ICLR 2015

BibTeX
@misc{glassllm_adam_2014,
  title = {Adam: A Method for Stochastic Optimization},
  author = {Diederik P. Kingma and Jimmy Ba},
  year = {2014},
  eprint = {1412.6980},
  archivePrefix = {arXiv},
  doi = {10.48550/arXiv.1412.6980},
  url = {https://arxiv.org/abs/1412.6980}
}
2017 · arXiv:1711.05101

Decoupled Weight Decay Regularization

Ilya Loshchilov; Frank Hutter

Weight decay desacoplado no AdamW

Publicação: ICLR 2019

BibTeX
@misc{glassllm_adamw_2017,
  title = {Decoupled Weight Decay Regularization},
  author = {Ilya Loshchilov and Frank Hutter},
  year = {2017},
  eprint = {1711.05101},
  archivePrefix = {arXiv},
  doi = {10.48550/arXiv.1711.05101},
  url = {https://arxiv.org/abs/1711.05101}
}
2016 · arXiv:1608.03983

SGDR: Stochastic Gradient Descent with Warm Restarts

Ilya Loshchilov; Frank Hutter

Referência para decaimento cosseno; o projeto não implementa os warm restarts do artigo

Publicação: ICLR 2017

BibTeX
@misc{glassllm_cosine_2016,
  title = {SGDR: Stochastic Gradient Descent with Warm Restarts},
  author = {Ilya Loshchilov and Frank Hutter},
  year = {2016},
  eprint = {1608.03983},
  archivePrefix = {arXiv},
  doi = {10.48550/arXiv.1608.03983},
  url = {https://arxiv.org/abs/1608.03983}
}