WEBVTT 00:00.950 --> 00:02.870 興奮してるかな? 00:02.870 --> 00:04.160 そうあるべきだ。 00:04.190 --> 00:09.110 コースの8割を消化し、 この瞬間まですべてが積み重なってきた。 00:09.140 --> 00:15.920 今日、 あなたは楽しみながら、 そして利益を得るために、 独自のLLMをトレーニングすることになる。 00:16.100 --> 00:17.780 すべてはここから始まる。 00:17.780 --> 00:20.360 では、 今日は実際に何があるのか? 00:20.360 --> 00:23.600 まずは、 あまりスリリングではないものから始めよう。 00:23.600 --> 00:25.700 ハイパーパラメーターについて、 もう1度話そう。 00:25.700 --> 00:29.090 必要不可欠なハイパーパラメーターをいくつか用意した。 00:29.090 --> 00:35.060 これがとても重要な理由は、 ハイパーパラメーターの最適化を自分で行うことになるからだ。 00:35.060 --> 00:37.490 試行錯誤を意味する洒落た言葉だ。 00:37.490 --> 00:41.270 そして、 自分がプレーしていることの背景を理解する必要がある。 00:41.270 --> 00:46.430 そしてこれは、 他のモデルに勝てるものを作るチャンスでもある。 00:46.460 --> 00:51.200 どのようなレバーを使って実験するのかを理解することだ。 00:51.230 --> 00:56.630 それが、 トップモデルを作るための研究開発の核心である。 00:56.630 --> 01:00.260 そこで、 ハイパーパラメーターについて説明しよう。 01:00.480 --> 01:05.790 そして、 監督付きの微調整トレーナー、 SFTをセットアップする。 01:05.820 --> 01:11.040 トレーナーというのは、 このトレーニングの中核をなす存在だ。 01:11.130 --> 01:16.440 ハギング・フェイスからTRLライブラリーの一部を見て、 それからキックオフだ。 01:16.470 --> 01:20.760 独自のLMトレーニングプロセス 01:20.820 --> 01:22.350 素晴らしいものになるよ。 01:22.920 --> 01:28.800 というわけで、 まずは素晴らしい話に入る前に、 このプロセスをコントロールする重要なハイパーパラメーターについて、 01:28.800 --> 01:36.810 Qローラから話をする必要がある。 01:36.810 --> 01:41.970 そこで最初に挙げるハイパーパラメーターは、 ターゲット・モジュールを呼び出すためのものだ。 01:41.970 --> 01:44.370 そして、 これが何なのか、 正確に覚えていただけたと思う。 01:44.700 --> 01:52.890 トランスフォーマーのアーキテクチャがあれば、 ラマ3のようなベースモデルがある。 1、 この巨大で偉大な建築物を微調整しようとするには、 01:52.890 --> 01:55.320 あまりにも大きすぎる。 01:55.320 --> 02:00.850 だから、 その代わりにアーキテクチャー内のいくつかのレイヤーを選び、 それをレイヤーと呼ぶ。 02:00.850 --> 02:03.400 ターゲット・モジュールとは、 これからターゲットにするモジュールのことだ。 02:03.430 --> 02:04.660 何でも冷凍するんだ。 02:04.660 --> 02:06.520 ウエイトを最適化するつもりはない。 02:06.520 --> 02:07.630 数が多すぎるんだ。 02:07.630 --> 02:09.220 これらのターゲット・モジュールでもだ。 02:09.220 --> 02:10.660 これをトレーニングするつもりはない。 02:10.660 --> 02:16.780 そうではなく、 低次元の行列を片側に持ってきて、 この低次元の行列を訓練し、 02:16.780 --> 02:22.210 それを元のターゲット・モジュールに適用するのだ。 02:22.210 --> 02:28.420 それを掛け合わせ、 ウェイトのデルタとして使うのだ。 02:28.510 --> 02:38.230 そうして、 この小人を訓練して、 ターゲット・モジュールに適用するんだ。 ターゲット・モジュールとは、 大きなアーキテクチャーの中で選択されたレイヤーのことだ。 02:38.230 --> 02:44.920 そして、 この大きな3Dゴーグルをロゴとして、 アイコンとして使っている。 02:45.040 --> 02:51.190 Rは、 この低次元のアダプターマトリックスの次元数を表している。 02:51.190 --> 02:56.350 ええと、 言語学習の課題では、 8から始めるのが一般的です。 02:56.530 --> 03:07.020 このプロジェクトでは、 Rを32にしました。 学習データがたくさんあるので、 かなりの数のパラメータを使って学習できると考えたからです。 03:07.200 --> 03:10.140 しかし、 もしそれでメモリが足りなくなるようなら、 8枚にすることもできる。 03:10.170 --> 03:16.890 実際には、 8と16と32の差はごくわずかだったと言うべきだろう。 03:16.890 --> 03:19.110 確かに改善されたが、 それほど大きな改善ではない。 03:19.110 --> 03:22.470 記憶力に問題がある場合は、 Rを8にしてください。 03:22.500 --> 03:25.320 もし、 あなたが小さい箱を使っているなら、 それで十分だ。 03:25.440 --> 03:31.800 32ドルというのは少々高いが、 トレーニングデータの量を考えれば、 それだけの価値はある。 03:32.550 --> 03:36.570 アルファはスケーリング・ファクターである。 03:36.570 --> 03:42.990 このアダプターをターゲット・モジュールに適用する際に、 その重要性を倍増させるために使用される。 03:42.990 --> 03:46.680 実は、 ラウラのマトリックスは2つあることを覚えているだろうか。 03:46.680 --> 03:54.600 ひとつはローラA、 もうひとつはローラBと呼ばれ、 計算式では重さの変化はアルファ値になる。 03:54.630 --> 03:58.520 スケーリングファクターにA×Bをかけたもの。 03:58.520 --> 04:02.410 それが、 このコースで習う数学の一番多いところだ。 04:02.920 --> 04:05.230 そして、 それは行き過ぎではないと思う。 04:05.230 --> 04:07.360 アルファとはそういうものだ。 04:07.360 --> 04:08.530 スケーリングファクターだ。 04:08.530 --> 04:12.130 そして経験則では、 アルファはダブルRであるべきだ。 04:12.220 --> 04:13.630 それは誰もがやっていることだ。 04:13.630 --> 04:16.480 ぜひ他のアルファ値を試してみてほしい。 04:16.480 --> 04:20.650 しかし、 しかし、 アルファは2Rでやるのが普通だ。 04:20.650 --> 04:25.120 そこで、 まずRを32、 アルファを64とする。 04:26.230 --> 04:33.760 定量化とはもちろん、 ベースモデルの重みの精度を下げることを指す。 04:33.760 --> 04:35.830 ベースモデルは32ビット。 04:35.830 --> 04:36.490 その中にある。 04:36.550 --> 04:41.980 私たちはそれを8ビット、 あるいは4ビットにまで減らす。 04:42.070 --> 04:47.560 ベースモデルでそれをやってみたところ、 やはり結果が出た。 04:47.650 --> 04:51.730 素晴らしい結果ではなかったが、 ベースモデル全体に言えることだと思う。 04:51.730 --> 04:56.380 実際、 8ビットモデルは4ビットモデルよりも成績が良かったが、 04:56.380 --> 04:58.420 どちらもかなり惨めだった。 04:58.730 --> 05:02.900 そしてぜひ、 8ビットモデルでのトレーニングも試してみてほしい。 05:02.900 --> 05:07.640 しかし、 4ビットのモデルでトレーニングすることにした。 05:07.640 --> 05:12.650 でも、 8ビットを試してみて、 有意に異なる結果が得られるかどうか、 05:12.650 --> 05:13.910 興味があるね。 05:14.630 --> 05:21.920 そして最後のハイパーパラメーターは、 コード・ドロップアウトでお見せする以外、 これまでお話ししたことのない新しいものです。 05:21.920 --> 05:24.440 つまり、 ドロップアウトはタイプなのだ。 05:24.440 --> 05:29.960 正則化テクニックとして知られているテクニックで、 いくつかありますが、 つまり、 05:29.960 --> 05:35.840 モデルがいわゆるオーバーフィッティングをしないように設計されたテクニックです。 05:36.020 --> 05:43.340 オーバーフィッティングとは、 モデルがあまりにも多くの訓練データを取得し、 あまりにも多くの訓練を経て、 05:43.340 --> 05:52.580 訓練データセットに含まれるデータの構造を正確に予想し、 その通りの答えを返すようになることである。 05:52.580 --> 05:59.330 そして、 もはや提案されていることの一般的な傾向を理解するのではなく、 05:59.330 --> 06:04.100 その言葉やその後に来る予測に集中するようになる。 06:04.100 --> 06:10.520 その結果、 トレーニングデータセットで見たことのないような新しいポイントを与えると、 一般的なテーマを学習しているのではなく、 06:10.550 --> 06:16.280 そのテーマに合わせて学習しているため、 成績は非常に悪くなる。 06:16.310 --> 06:21.980 このトレーニングデータセットの特殊性を学ぶのは大変だった。 06:22.010 --> 06:24.530 また少し手探り状態になってしまったが、 ご理解いただけただろうか。 06:24.560 --> 06:31.040 訓練データセットと結果に正確に準拠しすぎることをオーバーフィッティングと呼ぶ。 06:31.040 --> 06:36.380 そして、 何を予測しようとしているのかの一般的な風味を学んでいない。 06:36.560 --> 06:38.000 あの、 あの味です。 06:38.000 --> 06:39.770 そういうニュアンスなんだ。 06:39.770 --> 06:42.020 それをモデルに教えようとしているんだ。 06:42.260 --> 06:46.280 ええと、 つまり、 それが前文であり、 何の説明なんですか? 06:46.310 --> 06:47.300 オーバーフィッティングとは何か? 06:47.300 --> 06:53.690 しかし今、 ドロップアウトが何をするのかを正確にお伝えすると、 実に単純なことなのだが、 06:53.780 --> 07:03.870 ドロップアウトが実際にすることは、 ディープ・ニューラル・ネットワークからニューロンのランダムなサブセットを削除することだ。 07:03.870 --> 07:06.840 変圧器からはランダムなパーセンテージを取る。 07:06.960 --> 07:12.690 まず10%から始め、 ニューロンの10%を取り出し、 それらを消去して活性をゼロにし、 07:12.690 --> 07:16.800 前進パスにも後退パスにも関与しないようにする。 07:16.800 --> 07:21.300 彼らは次のトークンの予測には関与しないし、 最適化にも関与しない。 07:21.300 --> 07:23.010 まるでそこにいないかのようだ。 07:23.010 --> 07:35.490 その結果、 トレーニングのたびに、 モデルは異なるサブセット、 異なる90%のニューラルネットワークを見ることになる。 07:35.490 --> 07:44.310 そのため、 重みは、 1セットの入力トークンを正確に探しすぎることを抑制し、 その代わりに、 07:44.310 --> 07:50.700 異なるニューロンがトレーニング・プロセスに毎回参加することで、 07:50.700 --> 07:54.210 より多くのことを学び始める。 07:54.240 --> 08:00.670 一般的なテーマは、 さまざまなトークンを期待する方法を具体的に学ぶことだ。 08:00.670 --> 08:05.380 つまり、 1つのニューロンが専門化しすぎるのを防いでいるのだ。 08:05.380 --> 08:11.560 これは、 ニューロンの10%をプロセスから取り除くという非常に単純化された方法で、 08:11.560 --> 08:17.680 神経回路網におけるより一般的な理解という概念をサポートするものである。 08:17.680 --> 08:18.910 それがドロップアウトだ。 08:18.910 --> 08:20.230 とてもシンプルなことなんだ。 08:20.260 --> 08:28.180 それに気づいたとき、 それは文字通り、 ニューロンと規範の束を取り除くことなのだ。 08:28.570 --> 08:32.740 通常は5%から20%の範囲だ。 08:32.860 --> 08:36.340 ええと、 10%をドロップアウトとして使っています。 08:36.340 --> 08:43.150 5%や20%で実験し、 より良い結果が得られるかどうかを確かめるべきだ。 08:43.180 --> 08:47.320 これは非常に実験的なハイパーパラメーターである。 08:47.830 --> 08:51.040 さて、 これがQの5つのハイパーパラメータだ。 08:51.070 --> 08:57.130 ローラ、 次回は全体的なトレーニングプロセスに関する5つのハイパーパラメータについて話そう。