You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
 
 

352 lines
13 KiB

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。