llm.c 是一个开创性的项目，它使用纯 C/CUDA 语言实现了大型语言模型（LLM）的训练，特别是 GPT-2。这个项目旨在展示如何通过精简的代码来有效地进行深度学习模型训练，摒弃了对复杂库和框架的依赖，使代码更易于理解和维护。

技术亮点：

• 简洁的代码：训练 GPT-2 的代码仅约1000行（CPU版本），GPU版本扩展至约2000行，包括CUDA内核。
• 效率匹配：与编译后的 PyTorch 实现相比，性能大致相当。
• 即时编译运行：代码编译和运行迅速，易于实施和测试。
• 透明对比：完全匹配 PyTorch 参考实现，确保了方法的正确性和效果。

快速开始：

GPU训练：

1. 安装依赖：

   pip install -r requirements.txt
   

   pip install -r requirements.txt

2. 处理数据并训练：

   python prepro_tinyshakespeare.py
   python train_gpt2.py
   make train_gpt2cu
   ./train_gpt2cu
   

   python prepro_tinyshakespeare.py python train_gpt2.py make train_gpt2cu ./train_gpt2cu

CPU训练：

1. 安装依赖和处理数据同上。

2. 编译并运行CPU训练：

   make train_gpt2
   OMP_NUM_THREADS=8 ./train_gpt2
   

   make train_gpt2 OMP_NUM_THREADS=8 ./train_gpt2

训练细节：

• 数据处理：下载并处理 tinyshakespeare 数据集，为训练准备数据。
• 权重初始化：从 OpenAI 下载 GPT-2 权重，初始化模型。
• 训练和评估：执行训练，调整学习率和批次大小以优化性能，评估验证集上的损失，并生成文本样本。

实现教程：

• LayerNorm 实现：提供了 LayerNorm 层的详细实现教程，帮助理解模型中的一个关键部分。
• CUDA 训练：完整的训练循环也用纯 CUDA 实现，但内核优化还在进行中。

×

直达下载

反爬虫抓取，人机验证，请输入验证码查看内容

验证码：提交查看

请关注本站公众号回复关键字:“2024”，获取验证码。

微信搜索公众号:“Github开源项目”或者“github1499” 或微信扫描右侧二维码关注微信公众号