chatGPT的175Billion个参数是哪儿来的

最近大语言模型模型LLM很火，大家总是说chatgpt的175Billion参数。做算法的人更关心网络的结构，而我这种做硬件的人一直很好奇这个参数是怎么计算的。

最近看到了一篇文章，计算了参数的个数并且和chatgpt论文里的参数进行了比较，计算的还是比较准确的，我来总结一下。

1.Chatgpt背景

Chatgpt(chat generative pre-trained transformer)也是基于google最初的transformer模型，虽然LLM功能很强大，但是理解起来比fasterRCNN和LSTM好很多。

Transformer结构

Chatgpt结构

不同于从input到output可以进行翻译工作的transformer结构，ChatGPT进行对话，只需要右侧的decoder部分就可以。

2.一张立体图：

整体的Bert 结构

看了很多解释图，上面的图是看过的最好的，流程就是

1）inputembedding 分别和key，value，query的矩阵做乘法linear projection，得到的结果进行attention

2）将多个attention的结果进行concat拼接，得到的结果进行再次进行矩阵乘法，linearprojection

3）将得到的结果输入feedforwardnetwork，两层的lineartransform之后，输出结果

4）如果有n_layer个layer，那么就重复2）和3）n_layer次

3.具体的参数个数计算

先解释一下参数：

n_head : attention 中head的个数

d_model: 中间bottlenecklayer的向量的维度

n_vocalulary: 字典的维度

n_context: 上下文的长度

n_layer:网络的层数

1）Inputembedding

对应UWe将U的(n_context,n_vocalulary) 维转为UWe(n_context, d_model)维，其矩阵大小为(n_vocabulary,d_model) , 参数大小即为n_vocabulary* d_model。 ‍‍

此外，‍‍Wp对应(n_context,d_model)。 因此此处的参数个数为： n_vocabulary*d_model+ n_context * d_model

2）Attention& MultiHead

a. WiQ, WiK,WiV都是相同的大小投影矩阵，每个都是d_model*d_head维度，这里的d_head就对应上面公式里面的de, ，dk，dv，ChatGPT中他们都是同样的大小；

b.因此attention部分的计算量就是3*d_model*d_head，因为有三个矩阵WiQ,WiK, WiV;

c.如果有MultiHead，如果head的个数为n_head,那么即为W矩阵的总参数3*d_model*d_head*n_head

d. concat的结果的维度为（n_context,n_head*d_head）,经过矩阵WO计算后维度变为(n_context,d_head)维，因此WO的维度为（n_head*d_head，d_head） 对c）和d)的参数求和，此时参数个数为 4*d_model*d_head*n_head

3）feedforward

在chatgpt中，feedforward内部由两层lineartransformer组成，并且d_ff为d_model的4倍。 ‍‍‍W1‍‍的参数个数为（d_model,d_ff）, b‍‍1‍‍的参数个数为d_ff，W2的为(d_ff,d_model),b2‍‍‍‍的参数个数为d_model，而d_model又是d_ff的四倍，因此： 2*d_model*d_ff+d_model+d_ff 即 8*d_model2+ 5* d_model 4）将2）和3）重复n_layer次 n_layer * (4*d_model*d_head*n_head+ 8*d_model2 + 5* d_model)

总体的参数计算：1)+ 4):

n‍_vocabulary*d_model-> emb‍‍edding atrix

+n_context * d_model‍‍-> position matrix

+ n_layer *‍ ‍‍‍‍-> layer 重复N次

// multi headattention

(4 * d_model * d_head * n_head ->‍‍‍

‍‍// feedforward network

‍‍+ 8 * d_model2+ 5* d_mo‍‍del‍‍)

验证一下：

如果按照chatGPT论文中设置的参数：

n_vocabulary = 50257

d_model = 12288

n_context = 2048

n_layer= 96

d_head= 128

n_head= 96

1）word_embeding +position

50257 * 12288 + 2048 * 12288 = 642723840

2）Attention& MultiHead

单层：4 * 12288 * 128 * 96 = 603979776‍‍

3）feedforward

8 * 12288 * 12288 + 5 * 12288= 1208020992

4）2）和3）重复n_layer次

N_layer = 96 层96*(603979776+1208020992) = 173952073728

1)+2) = 174594797568 也就是所说的175Billion个参数。

这个方法估计出的参数和论文中参数的对比：

审核编辑：刘清