原理精讲

Tokenization 基础 BPE 算法详解 GPT 系列 Tokenizer BPE 训练工程化

从 token ids 到 logits Embedding 与 LM Head

Attention 机制

Self-Attention 到 GQA Attention Sink

位置编码基础 RoPE 数学推导 RoPE 代码实现长度外推

GPU 编程基础

GPU 架构基础张量布局 Triton 入门：向量加法

Flash Attention 原理详解从朴素实现到 Auto-Tuning Block Pointer 与多维支持 Causal Masking 优化 Grouped Query Attention 反向传播实现

分布式训练

数据并行 ZeRO 优化器全分片数据并行张量并行流水线并行多维混合并行

动手训练

预训练数据 Tokenizer 训练模型架构数据流水线训练循环监控与验证

基础知识词元化

BPE 训练工程化

会员专享

从玩具数据到真实语料：内存优化、并行预分词、增量更新与时间-空间权衡

登录以继续阅读

这是一篇付费内容，请登录您的账户以访问完整内容。

GPT 系列 Tokenizer

GPT-2/GPT-4 的 Tokenization 方案，Regex 预处理与 tiktoken 库

Architecture（模型架构）

从 Transformer LM 主干到 Attention、RoPE 与现代组件，理解语言模型架构

目录

真实数据训练

1.1 Baseline 实现

数据结构变化

Baseline 训练函数

1.2 Baseline 性能测试

1.3 问题引出：为什么会 OOM？

内存瓶颈分析

2.1 预分词与 chunk 边界

为什么需要分块

边界选择：不能随意切

并行预分词

2.2 低频序列剪枝

为什么可以剪枝？

剪枝的影响

2.3 增量更新 vs 全量重算

问题：merge 后怎么更新统计？

方案一：全量重算

方案二：增量更新

索引结构的作用

增量更新的步骤

数据变化示例

如何选择？

2.4 检查点机制

2.5 性能对比

关键优化效果