【大模型基础_毛玉仁】2.4 基于 Encoder-Decoder 架构的大语言模型

更多内容：XiaoJ的知识星球

2.4 基于 Encoder-Decoder 架构的大语言模型

Encoder-Decoder 架构在 Encoder-only 架构的基础上引入 Decoder 组件，以完成机器翻译等序列到序列（Sequence to Sequence, Seq2Seq）任务。

.

2.4.1 Encoder-Decoder 架构

Encoder-Decoder架构：编码器+解码器

编码器Encoder：

• 多个编码模块组成，每个编码模块包含：一个自注意力模块、一个全连接前馈模块。

• 模型的输入序列在通过编码器部分后，会被转变为固定大小的上下文向量，这个向量包含了输入序列的丰富语义信息。

解码器Decoder：

• 多个解码模块堆组成，每个解码模块包含：一个带掩码的自注意力模块、一个交叉注意力模块和一个全连接前馈模块。

• 带掩码的自注意力模块：引入掩码机制防止未来信息的“泄露”，确保解码过程的自回归特性。

• 交叉注意力模块：实现了解码器与编码器之间的信息交互，对生成与输入序列高度相关的输出至关重要。

图 2.10: Encoder-Decoder 架构

自注意模块在编码器和解码器中的注意力目标不同的。

• 在编码器中，采用双向注意力机制以全面捕捉上下文信息。

• 在解码器中，自注意力机制则是单向的，仅以上文为条件来解码得到下文。通过掩码操作避免解码器“窥视”未来的信息。

交叉注意力通过将解码器的查询（query） 与编码器的键（key） 和值（value） 相结合，实现了两个模块间的有效信息交流。

通过自注意力和交叉注意力机制的结合，Encoder-Decoder 架构能够高效地编码输入信息并生成高质量的输出序列。

• 自注意力机制：确保了输入序列和生成序列内部的一致性和连贯性。

• 交叉注意力机制：确保解码器在生成每个输出 Token 时都能参考输入序列的全局上下文信息，从而生成与输入内容高度相关的结果。

在这两个机制的共同作用下，Encoder-Decoder 架构不仅能够深入理解输入序列，还能够根据不同任务的需求灵活生成长度适宜的输出序列，在机器翻译、文本摘要、 问答系统等任务中得到了广泛应用。

本节将介绍两种典型的基于 Encoder-Decoder 架构的代表性大语言模型：T5 和 BART。

.

2.4.2 T5 语言模型

T5（Text-to-Text Transfer Transformer）

通常，每种自然语言处理任务都需要对训练数据、模型架构和训练策略进行定制化设计。这不仅耗时耗力，而且模型难复用。

为了解决这一问题，Google 提出基于 Encoder-Decoder 架构的大型预训练语言模型 T5（Text-to-Text Transfer Transformer）， 其采用统一的文本到文本的转换范式来处理多种任务。

1）T5 模型结构

T5 模型的核心思想：将多种 NLP 任务统一到一个文本转文本的生成式框架中。

在此统一框架下，T5 通过不同的输入前缀来指示模型执行不同任务，然后生成相应的任务输出，这种方法可以视为早期的提示（Prompt）技术。

图 2.11: 传统语言模型和 T5 统一框架

在模型架构方面，T5 与原始的包括一个编码器和一个解码器的 Transformer 架构相同。每个编码器和解码器又分别由多个编码模块和解码模块堆叠而成。

T5 模型根据不同的参数，提供 T5-Small、T5-Base、T5- Large、T5-3B 以及 T5-11B 五个版本

2）T5 预训练方式

T5收集了C4 数据集（Colossal Clean Crawled Corpus）进行训练，其覆盖了各种网站和文本类型。

T5 提出了名为 Span Corruption 的预训练任务。从输入中选择 15% 的 Token 进行破坏，每次都选择连续三个 Token 作为一 个小段（span）整体被掩码成 [MASK]。

与 BERT 模型中采用的单个 Token 预测不同，T5 模型需要对整个被遮挡的连续文本片段进行预测。这一设计要 求模型不仅等理解局部词汇的表面形式，还要可以捕捉更深层次的句子结构和上 下文之间的复杂依赖关系。

3）T5 下游任务

T5 模型可以在完全零样本（Zero-Shot）的情况下，利用 Prompt 工程技术直接适配到多种下游任务。

同时，T5 模型也可以通过微调（Fine-Tuning）来适配到特定的任务。

如今，T5 模型已 经衍生了许多变体，例如，mT5[43] 模型扩展了对 100 多种语言的支持，T0[31] 模型通过多任务训练增强了零样本学习（Zero-Shot Learning） 能力，Flan-T5[8] 模型专注于通过指令微调，以实现进一步提升模型的灵活性和效率等等。

.

2.4.3 BART 语言模型

BART（Bidirectional and Auto-Regressive Transformers）

• 中文解释：双向自回归Transformers

• 通过多样化的预训练任务，来提升模型在文本生成任务和文本理解任务上的表现。

1）BART 模型结构

BART 的模型结构同 Transformer 架构，包括一个编码器和一个解码器。每个编码器和解码器分别由多个编码模块和解码模块堆叠而成。

BART 模型有两个版本，分别是 BART-Base 以及 BART-Large。

2）BART 预训练方式

在预训练数据上，BART 使用了与 RoBERTa 相同的语料库。

在预训练任务上，BART 以重建被破坏的文本为目标。

通过以下五个任务来破坏文本，然后训练模型对原始文本进行恢复。

• Token 遮挡任务（Token Masking）：在原文中随机将一部分 Token 替换为 [MASK]，从而训练模型推断被删除的 Token 内容的能力。

• Token 删除任务（Token Deletion）：在原文中随机删除一部分 Token，从而训练模型推断被删除的 Token 位置以及内容的能力。

• 连续文本填空任务（Text Infilling）：在原文中选择几段连续的 Token（每段作为一个 span），整体替换为 [MASK]。span 长度服从 λ = 3 的泊松分布，如长度为 0 则直接插入一个 [MASK]。 这一任务旨在训练模型推断一段 span 及其长度的能力。

• 句子打乱任务（Sentence Permutation）：将给定文本拆分为多个句子，并随机打乱句子的顺序。旨在训练模型推理前后句关系的能力。

• 文档旋转任务（Document Rotation）：从给定文本中随机选取一个 Token，作为文本新的开头进行旋转。旨在训练模型找到文本合理起始点的能力。

BART 不仅在文本生成任务上表现出色，也能适应文本理解类任务的挑战。

.

小结：

综上所述，基于 Encoder-Decoder 架构的大语言模型，在生成任务中展示了良好的性能表现。表2.2从模型参数量和预训练语料规模的角度对本章提到的基于 Encoder-Decoder 架构的模型进行了总结。可以看出此时模型参数数量的上限已达 110 亿。

表 2.2: Encoder-Decoder 架构代表模型参数和语料大小表。

在模型结构和参数规模的双重优势下，相较于基于 Encoder-only 架构的模型，这些模型在翻译、摘要、问答等任务中取得了更优的效果。

.

声明：资源可能存在第三方来源，若有侵权请联系删除！