Skip to content

Latest commit

 

History

History
274 lines (258 loc) · 15 KB

README.md

File metadata and controls

274 lines (258 loc) · 15 KB

awesome_LLMs_interview_notes

LLMs interview notes and answers

内容说明

问题来自 LLMs 千面郎君: km1994 - LLMs_interview_notes

答案 为 自己编写,不保证正确,仅供参考。

有些问题,提供的答案更多是一种线索,如想深入了解,请自行参考更多资料

更新记录

  1. 2023.09 发布: 大模型(LLMs)基础面,大模型(LLMs)进阶面,大模型(LLMs)微调面,大模型(LLMs)langchain面,基于LLM+向量库的文档对话 经验面,大模型(LLMs)参数高效微调(PEFT) 面,大模型(LLMs)推理面,大模型(LLMs)评测面,大模型(LLMs)强化学习面, 大模型(LLMs)训练集面, 大模型(LLMs)agent 面
  2. 2023.10 新增:Token及模型参数准备篇, LLMs 位置编码篇, LLMs Tokenizer 篇, Layer Normalization 篇, LLMs 激活函数篇

目录

  • 大模型(LLMs)基础面
    • 1. 目前 主流的开源模型体系 有哪些?
    • 2. prefix LM 和 causal LM 区别是什么?
    • 3. 涌现能力是啥原因?
    • 4. 大模型LLM的架构介绍?
  • 大模型(LLMs)进阶面
    • 1. LLMs 复读机问题
      • 1. 什么是 LLMs 复读机问题?
      • 2. 为什么会出现 LLMs 复读机问题?
      • 3. 如何缓解 LLMs 复读机问题?
    • 2. llama 系列问题
      • 1. llama 输入句子长度理论上可以无限长吗?
    • 3. 什么情况用Bert模型,什么情况用LLaMA、ChatGLM类大模型,咋选?
    • 4. 各个专业领域是否需要各自的大模型来服务?
    • 5. 如何让大模型处理更长的文本?
  • 大模型(LLMs)微调面
    • 1. 如果想要在某个模型基础上做全参数微调,究竟需要多少显存?
    • 2. 为什么SFT之后感觉LLM傻了?
    • 3. SFT 指令微调数据 如何构建?
    • 4. 领域模型Continue PreTrain 数据选取?
    • 5. 领域数据训练后,通用能力往往会有所下降,如何缓解模型遗忘通用能力?
    • 6. 领域模型Continue PreTrain ,如何 让模型在预训练过程中就学习到更多的知识?
    • 7. 进行SFT操作的时候,基座模型选用Chat还是Base?
    • 8. 领域模型微调 指令&数据输入格式 要求?
    • 9. 领域模型微调 领域评测集 构建?
    • 10. 领域模型词表扩增是不是有必要的?
    • 11. 如何训练自己的大模型?
    • 12. 训练中文大模型有啥经验?
    • 13. 指令微调的好处?
    • 14. 预训练和微调哪个阶段注入知识的?
    • 15. 想让模型学习某个领域或行业的知识,是应该预训练还是应该微调?
    • 16. 多轮对话任务如何微调模型?
    • 17. 微调后的模型出现能力劣化,灾难性遗忘是怎么回事?
    • 18. 微调模型需要多大显存?
    • 19. 大模型LLM进行SFT操作的时候在学习什么?
    • 20. 预训练和SFT操作有什么不同
    • 21. 样本量规模增大,训练出现OOM错
    • 22. 大模型LLM进行SFT 如何对样本进行优化?
    • 23. 模型参数迭代实验
  • 大模型(LLMs)langchain面
    • 大模型(LLMs)langchain 面
      • 1. 什么是 LangChain?
      • 2. LangChain 包含哪些 核心概念?
        • 1. LangChain 中 Components and Chains 是什么?
        • 2. LangChain 中 Prompt Templates and Values 是什么?
        • 3. LangChain 中 Example Selectors 是什么?
        • 4. LangChain 中 Output Parsers 是什么?
        • 5. LangChain 中 Indexes and Retrievers 是什么?
        • 6. LangChain 中 Chat Message History 是什么?
        • 7. LangChain 中 Agents and Toolkits 是什么?
      • 3. 什么是 LangChain Agent?
      • 4. 如何使用 LangChain ?
      • 5. LangChain 支持哪些功能?
      • 6. 什么是 LangChain model?
      • 7. LangChain 包含哪些特点?
      • 8. LangChain 如何使用?
        • 1. LangChain 如何调用 LLMs 生成回复?
        • 2. LangChain 如何修改 提示模板?
        • 3. LangChain 如何链接多个组件处理一个特定的下游任务?
        • 4. LangChain 如何Embedding & vector store?
      • 9. LangChain 存在哪些问题及方法方案?
        • 1. LangChain 低效的令牌使用问题
        • 2. LangChain 文档的问题
        • 3. LangChain 太多概念容易混淆,过多的“辅助”函数问题
        • 4. LangChain 行为不一致并且隐藏细节问题
        • 5. LangChain 缺乏标准的可互操作数据类型问题
      • 10. LangChain 替代方案?
    • 基于LLM+向量库的文档对话 经验面
      • 1. 基于LLM+向量库的文档对话 基础面
        • 1. LLMs 存在模型幻觉问题,请问如何处理?
        • 2. 基于LLM+向量库的文档对话 思路是怎么样?
        • 3. 基于LLM+向量库的文档对话 核心技术是什么?
        • 4. 基于LLM+向量库的文档对话 prompt 模板 如何构建?
      • 2. 基于LLM+向量库的文档对话 优化面
        • 1. 痛点1:文档切分粒度不好把控,既担心噪声太多又担心语义信息丢失
        • 2. 痛点2:在基于垂直领域 表现不佳
        • 3. 痛点3:langchain 内置 问答分句效果不佳问题
        • 4. 痛点4:如何 尽可能召回与query相关的Document 问题
        • 5. 痛点5:如何让LLM基于query和context得到高质量的response
      • 3. 基于LLM+向量库的文档对话 工程示例面
        • 1. 避坑记录
        • 2. 本地知识库问答系统(Langchain-chatGLM)
  • 大模型(LLMs)参数高效微调(PEFT) 面
    • 大模型(LLMs)参数高效微调(PEFT) 面
      • 微调方法是啥?如何微调?
      • 为什么需要 PEFT?
      • 介绍一下 PEFT?
      • PEFT 有什么优点?
      • 微调方法批处理大小模式GPU显存速度?
      • Peft 和 全量微调区别?
      • 多种不同的高效微调方法对比
      • 当前高效微调技术存在的一些问题
      • 高效微调技术最佳实践
      • PEFT 存在问题?
      • 能不能总结一下各种参数高效微调方法?
    • 适配器微调(Adapter-tuning)篇
      • 一、为什么 需要 适配器微调(Adapter-tuning)?
      • 二、适配器微调(Adapter-tuning)思路?
      • 三、 适配器微调(Adapter-tuning)特点是什么?
      • 四、AdapterFusion 思路 是什么?
      • 五、AdapterDrop 思路 是什么?
      • 六、AdapterDrop 特点 是什么?
      • 七、MAM Adapter 思路 是什么?
      • 八、MAM Adapter 特点 是什么?
    • 提示学习(Prompting)
      • 一、为什么需要 提示学习(Prompting)?
      • 二、什么是 提示学习(Prompting)?
      • 三、提示学习(Prompting) 有什么优点?
      • 四、提示学习(Prompting)有哪些方法,能不能稍微介绍一下它们间?
        • 4.1 前缀微调(Prefix-tuning)篇
          • 4.1.1 为什么需要 前缀微调(Prefix-tuning)?
          • 4.1.2 前缀微调(Prefix-tuning)思路是什么?
          • 4.1.3 前缀微调(Prefix-tuning)的优点是什么?
          • 4.1.4 前缀微调(Prefix-tuning)的缺点是什么?
        • 4.2 指示微调(Prompt-tuning)篇
          • 4.2.1 为什么需要 指示微调(Prompt-tuning)?
          • 4.2.2 指示微调(Prompt-tuning)思路是什么?
          • 4.2.3 指示微调(Prompt-tuning)优点是什么?
          • 4.2.4 指示微调(Prompt-tuning)缺点是什么?
          • 4.2.5 指示微调(Prompt-tuning)与 Prefix-tuning 区别 是什么?
          • 4.2.6 指示微调(Prompt-tuning)与 fine-tuning 区别 是什么?
        • 4.3 P-tuning 篇
          • 4.3.1 为什么需要 P-tuning?
          • 4.3.2 P-tuning 思路是什么?
          • 4.3.3 P-tuning 优点是什么?
          • 4.3.4 P-tuning 缺点是什么?
        • 4.4 P-tuning v2 篇
          • 4.4.1 为什么需要 P-tuning v2?
          • 4.4.2 P-tuning v2 思路是什么?
          • 4.4.3 P-tuning v2 优点是什么?
          • 4.4.4 P-tuning v2 缺点是什么?
    • LoRA 系列篇
      • 一、LoRA篇
        • 1.1 什么是 LoRA?
        • 1.2 LoRA 的思路是什么?
        • 1.3 LoRA 的特点是什么?
      • 二、QLoRA篇
        • 2.1 QLoRA 的思路是怎么样的?
        • 2.2 QLoRA 的特点是什么?
      • 三、AdaLoRA篇
        • 3.1 AdaLoRA 的思路是怎么样的?
      • 四、LoRA权重是否可以合入原模型?
      • 五、ChatGLM-6B LoRA后的权重多大?
      • 六、LoRA 微调优点是什么?
      • 七、LoRA微调方法为啥能加速训练?
      • 八、如何在已有LoRA模型上继续训练?
  • 大模型(LLMs)推理面
    • 1. 为什么大模型推理时显存涨的那么多还一直占着?
    • 2. 大模型在gpu和cpu上推理速度如何?
    • 3. 推理速度上,int8和fp16比起来怎么样?
    • 4. 大模型有推理能力吗?
    • 5. 大模型生成时的参数怎么设置?
    • 6. 有哪些省内存的大语言模型训练/微调/推理方法?
    • 7. 如何让大模型输出合规化
    • 8. 应用模式变更
  • 大模型(LLMs)评测面
    • 大模型怎么评测?
    • 大模型的honest原则是如何实现的?
    • 模型如何判断回答的知识是训练过的已知的知识,怎么训练这种能力?
  • 大模型(LLMs)强化学习面
    • 奖励模型需要和基础模型一致吗?
    • RLHF 在实践过程中存在哪些不足?
    • 如何解决 人工产生的偏好数据集成本较高,很难量产问题?
    • 如何解决三个阶段的训练(SFT->RM->PPO)过程较长,更新迭代较慢问题?
    • 如何解决 PPO 的训练过程同时存在4个模型(2训练,2推理),对计算资源的要求较高 问题?
  • 大模型(LLMs)软硬件配置面
  • 大模型(LLMs)训练集面
    • SFT(有监督微调)的数据集格式?
    • RM(奖励模型)的数据格式?
    • PPO(强化学习)的数据格式?
    • 找数据集哪里找?
    • 微调需要多少条数据?
    • 有哪些大模型的训练集?
    • 进行领域大模型预训练应用哪些数据集比较好?
  • 大模型(LLMs)显存问题面
  • 大模型(LLMs)分布式训练面
  • 大模型(LLMs)agent 面
    • 如何给LLM注入领域知识?
    • 如果想要快速体验各种模型,该怎么办?
  • Token及模型参数准备篇
    • 预训练数据 Token 重复 是否影响 模型性能?
    • SFT需要训练Token数?
  • LLMs 位置编码篇
    • 1 什么是位置编码?
    • 2 什么是绝对位置编码?
    • 3 什么是相对位置编码?
    • 4 旋转位置编码 RoPE篇
      • 4.1 旋转位置编码 RoPE 思路是什么?
      • 4.2 推导一下 旋转位置编码 RoPE ?
      • 4.3 旋转位置编码 RoPE 有什么优点?
      • 4.4 旋转位置编码 RoPE 被哪些 LLMs 应用?
    • 5 长度外推问题篇
      • 5.1 什么是 长度外推问题?
      • 5.2 长度外推问题 的 解决方法 有哪些?
    • 6 ALiBi (Attention with Linear Biases)篇
      • 6.1 ALiBi (Attention with Linear Biases) 思路是什么?
      • 6.2 ALiBi (Attention with Linear Biases) 的偏置矩阵是什么?有什么作用?
      • 6.3 ALiBi (Attention with Linear Biases) 有什么优点?
      • 6.4 ALiBi (Attention with Linear Biases) 被哪些 LLMs 应用?
  • LLMs Tokenizer 篇
    • LLMs Tokenizer 篇
      • Byte-Pair Encoding(BPE)篇
        • 1 Byte-Pair Encoding(BPE) 如何构建词典?
      • WordPiece 篇
        • 1 WordPiece 与 BPE 异同点是什么?
      • SentencePiece 篇
        • 简单介绍一下 SentencePiece 思路?
      • 对比篇
        • 1 举例 介绍一下 不同 大模型LLMs 的分词方式?
        • 2 介绍一下 不同 大模型LLMs 的分词方式 的区别?
  • Layer Normalization 篇
    • Layer normalization-方法篇
      • Layer Norm 篇
        • Layer Norm 的计算公式写一下?
      • RMS Norm 篇 (均方根 Norm)
        • RMS Norm 的计算公式写一下?
        • RMS Norm 相比于 Layer Norm 有什么特点?
      • Deep Norm 篇
        • Deep Norm 思路?
        • 写一下 Deep Norm 代码实现?
      • Deep Norm 有什么优点?
    • Layer normalization-位置篇
      • 1 LN 在 LLMs 中的不同位置 有什么区别么?如果有,能介绍一下区别么?
    • Layer normalization 对比篇
      • LLMs 各模型分别用了 哪种 Layer normalization?
  • LLMs 激活函数篇
    • 1 介绍一下 FFN 块 计算公式?
    • 2 介绍一下 GeLU 计算公式?
    • 3 介绍一下 Swish 计算公式?
    • 4 介绍一下 使用 GLU 线性门控单元的 FFN 块 计算公式?
    • 5 介绍一下 使用 GeLU 的 GLU 块 计算公式?
    • 6 介绍一下 使用 Swish 的 GLU 块 计算公式?
    • 各LLMs 都使用哪种激活函数?

Star-History

star-history


Donation

If this project help you reduce time to develop, you can give me a cup of coffee :)

AliPay(支付宝)

ali_pay

WechatPay(微信)

wechat_pay