核心问题：为什么需要归一化？神经网络训练时，每层的输入分布会随参数更新不断变化（Internal Covariate Shift），导致训练不稳定、收敛慢。归一化就是把数据"拉回"到均值为0、方差为1的分布，再通过可学习参数还原表达能力。 一、公式（两者一样，区别在于"沿哪个维度算"） $$ \hat{x} = \frac{x - \mu}{\sqrt{\sigma^2 + \epsilon}}, \quad y = \gamma \hat{x} + \beta $$ $\mu$、$\sigma^2$：均值和方差（统计维度不同是BN和LN的核心区别） $\gamma$、$\beta$：可学习的缩放和偏移参数 $\epsilon$：防止除零的小常数 二、Batch Norm（BN） 核心思想 跨样本、同一特征维度做归一化。 统计维度 假设输入 shape 为 [B, C, H, W]（B=batch，C=通道，H/W=空间）： 对每个通道 C，在 B、H、W 三个维度上计算均值和方差 每个通道有一组独立的 $\gamma$、$\beta$ 直觉理解 “把这批图片里，同一个通道的所有像素值，统一归一化” 具体例子 输入：4张图，每张1个通道，2x2像素 数据（展平后每行是一张图的像素）： 图1: [1, 2, 3, 4] 图2: [5, 6, 7, 8] 图3: [2, 3, 4, 5] 图4: [6, 7, 8, 9] BN 把这 4×4=16 个数一起算均值和方差： 所有数：1,2,3,4,5,6,7,8,2,3,4,5,6,7,8,9 μ = (1+2+3+4+5+6+7+8+2+3+4+5+6+7+8+9) / 16 = 80/16 = 5.0 σ² = [(1-5)²+(2-5)²+...+(9-5)²] / 16 = 88/16 = 5.5 σ = √5.5 ≈ 2.345 归一化示例（以图1的像素值1为例）： x̂ = (1 - 5.0) / √(5.5 + ε) ≈ -4.0 / 2.345 ≈ -1.706 所有16个像素值都用同一个 μ=5.0、σ≈2.345 归一化 优点 效果好，训练稳定，允许更大学习率 CV 任务（CNN）的标配 缺点 依赖 batch size：batch 太小时均值/方差估计不准，效果差 推理时需要维护全局统计量（running mean/var） 不适合 RNN/Transformer：序列长度不固定，batch 内样本差异大 三、Layer Norm（LN） 核心思想 同一样本、跨特征维度做归一化。 ...

一句话：BPE（Byte Pair Encoding）是一种把文本切分成"子词单元"的算法，是现代大模型 Tokenizer 的核心。tiktoken 是 OpenAI 实现的高性能 BPE 库，GPT 系列模型使用它。 一、为什么需要 Tokenizer？ 模型不能直接处理文字，需要先把文字转成数字（token ID），再转成向量（embedding）。 原始文本："今天天气很好" ↓ Tokenizer token 序列：["今天", "天气", "很", "好"] ↓ 查词表 token ID：[1234, 5678, 910, 1112] ↓ Embedding 层 向量矩阵：[[...], [...], [...], [...]] ← 模型真正处理的输入 二、三种切分粒度的对比 在 BPE 出现之前，有两种极端方案： 方案1：词级别（Word-level） "unhappiness" → ["unhappiness"] ← 一个词一个 token 问题： 词表会非常大（英语有几十万个词） 遇到训练时没见过的新词（OOV，Out-of-Vocabulary）就不认识 不同语言、不同形态的词需要分别存储（“run”、“running”、“ran” 是三个不同 token） 方案2：字符级别（Character-level） "unhappiness" → ["u","n","h","a","p","p","i","n","e","s","s"] ← 每个字符一个 token 问题： 序列太长，Attention 的 $O(T^2)$ 复杂度爆炸 字符本身语义信息太少，模型难以学习 方案3：子词级别（Subword-level）—— BPE 的目标 "unhappiness" → ["un", "happi", "ness"] ← 有意义的子词单元 优点： ...

一句话：KV Cache 是推理时把已经算过的 Key 和 Value 缓存起来，避免每生成一个新 token 都重复计算历史 token 的 K/V，是大模型推理加速的核心技术。 一、为什么需要 KV Cache？ 大模型生成 token 的方式：自回归（Auto-regressive） 大模型生成文本是一个 token 一个 token 地生成的，每次生成下一个 token 时，都要把所有历史 token 作为输入重新过一遍 Transformer。 输入： "今天天气" 生成： "今天天气" → "很" 生成： "今天天气很" → "好" 生成： "今天天气很好" → "！" 每一步生成，Attention 都要计算： $$ \text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V $$ 其中 Q、K、V 都来自当前所有 token（包括历史的）。 没有 KV Cache 时的重复计算 假设已经生成了 t 个 token，现在要生成第 t+1 个： 第1步生成"很"： 对 token ["今","天","天","气"] 全部计算 K、V → K = [K_今, K_天, K_天, K_气] → V = [V_今, V_天, V_天, V_气] 第2步生成"好"： 对 token ["今","天","天","气","很"] 全部计算 K、V → K = [K_今, K_天, K_天, K_气, K_很] ← 前4个和上一步完全一样！ → V = [V_今, V_天, V_天, V_气, V_很] ← 前4个和上一步完全一样！ 第3步生成"！"： 对 token ["今","天","天","气","很","好"] 全部计算 K、V → 前5个 K/V 和上一步完全一样！ 历史 token 的 K/V 每次都重新算，纯属浪费。 ...

一句话：标准 Attention 的复杂度是 $O(N^2)$，Linear Attention 通过改变计算顺序，把复杂度降到 $O(N)$，代价是用核函数近似替代 softmax，牺牲了一定的表达能力，但换来了推理时的递推形式（类似 RNN），天然支持无限长序列。 一、问题背景：标准 Attention 的瓶颈 标准 Attention 的计算： $$\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right) V$$ 序列长度为 $N$ 时： 计算 $QK^T$ 需要 $O(N^2)$ 时间和空间 中间的 $N \times N$ 注意力矩阵需要 $O(N^2)$ 显存 后果：序列长度翻倍，计算量翻 4 倍，显存翻 4 倍。长序列（如 100K token）几乎不可能用标准 Attention。 二、核心思想：改变计算顺序 标准 Attention 的计算顺序 $$\text{out} = \underbrace{\text{softmax}(QK^T)}_{\text{先算这个，}N \times N \text{ 矩阵}} V$$ 必须先把完整的 $N \times N$ 矩阵算出来，才能乘以 $V$。 Linear Attention 的关键洞察 如果去掉 softmax，矩阵乘法满足结合律： $$\text{out} = (QK^T) V = Q \underbrace{(K^T V)}_{\text{先算这个，}d \times d \text{ 矩阵}}$$ ...

一句话：LoRA 用低秩矩阵大幅减少微调参数量；QLoRA 在此基础上把基础模型量化到 4bit，让消费级 GPU 能微调 70B 模型；Unsloth 是工程加速库，把整个流程再提速 2-5×。三者是层层叠加的关系。 一、为什么需要参数高效微调（PEFT）？ 全量微调（Full Fine-tuning）的问题： GPT-3（175B 参数）全量微调： - 参数量：175B × 4 bytes（FP32）= 700 GB 显存 - 梯度：再 × 1 = 700 GB - 优化器状态（Adam）：再 × 2 = 1400 GB - 合计：约 2800 GB 显存 → 需要 35 张 A100（80GB） 核心矛盾：预训练模型越来越大，但大多数下游任务只需要微调模型的"方向"，不需要改变所有参数。 参数高效微调（PEFT） 的思路：冻结大部分参数，只训练少量新增参数，效果接近全量微调，但显存和计算量大幅减少。 二、LoRA：低秩适配（Low-Rank Adaptation） 核心思想 LoRA（2021，微软）的关键洞察：预训练模型的权重更新矩阵是低秩的。 全量微调时，权重更新为： $$W’ = W_0 + \Delta W$$ 其中 $W_0 \in \mathbb{R}^{d \times k}$ 是预训练权重，$\Delta W$ 是更新量。 LoRA 假设 $\Delta W$ 是低秩的，用两个小矩阵的乘积来近似： ...

一句话：Mamba 是 Linear Attention 的"升级版"——同样是 $O(N)$ 复杂度、固定大小隐状态，但通过选择性机制（Selective SSM） 让模型能动态决定"记住什么、忘记什么"，效果接近 Transformer，推理速度接近 RNN。 一、从 Linear Attention 到 Mamba：解决什么问题？ 回顾 Linear Attention 的递推公式： $$S_t = S_{t-1} + \phi(k_t) v_t^T$$ 问题：衰减是固定的（没有衰减，或者 RetNet 里用固定的 $\gamma$），模型无法根据输入内容动态决定"这个历史信息重不重要"。 类比： RNN（LSTM）：有遗忘门，可以选择性地清除历史 Linear Attention：没有遗忘门，历史信息只增不减，全部堆进 S 矩阵 RetNet：有固定衰减 γ，但 γ 是超参数，不随输入变化 Mamba：衰减因子由输入动态生成，每个 token 的"遗忘程度"不同 二、SSM 的数学基础 Mamba 基于状态空间模型（State Space Model，SSM），这是控制论里的经典框架。 连续时间 SSM $$h’(t) = A h(t) + B x(t)$$ $$y(t) = C h(t)$$ $x(t)$：输入信号 $h(t)$：隐状态（类比 RNN 的 hidden state） $y(t)$：输出 $A$：状态转移矩阵（控制历史信息如何演化） $B$：输入投影矩阵（控制输入如何影响隐状态） $C$：输出投影矩阵（控制隐状态如何映射到输出） 离散化（实际使用的形式） 连续 SSM 需要离散化才能用于序列建模，使用零阶保持（ZOH） 方法： ...

一句话：MoE 是对 Transformer 中 FFN 层的改进——把一个 FFN 替换成多个并行的"专家"FFN，每个 token 只激活其中少数几个专家，从而在不增加计算量的前提下大幅扩展模型参数量。 一、问题背景：Dense 模型扩参数的代价 标准 Transformer（Dense 模型）每个 token 都要经过所有参数： 参数量翻倍 → 计算量翻倍 → 训练/推理成本翻倍 想要更强的模型，就必须付出更高的计算代价。有没有办法让参数量和计算量解耦？ 二、核心思想：条件计算（Conditional Computation） 不是每个 token 都需要用到所有知识，让不同的 token 走不同的"专家"路径。 MoE 的核心设计： 把 FFN 层替换成 N 个并行的专家 FFN 每个 token 由一个路由器（Router）决定激活哪 K 个专家 只有被选中的专家才参与计算，其余专家跳过 结果： 总参数量 = N 个专家的参数之和（很大） 每次计算量 = 只激活 K 个专家（很小） 参数量和计算量不再线性绑定 三、结构对比 Dense FFN（原始） 输入 x（形状：[seq_len, d_model]） ↓ FFN（W_gate, W_up, W_down） ↓ 输出（形状：[seq_len, d_model]） MoE FFN（替换后） 输入 x（形状：[seq_len, d_model]） ↓ Router（路由器）：为每个 token 计算各专家的得分，选出 Top-K ↓ 并行调用被选中的 K 个专家 FFN ↓ 按路由权重加权求和，合并输出 ↓ 输出（形状：[seq_len, d_model]）← 形状和 Dense FFN 完全一致 注意：Attention 层不变，只有 FFN 层被替换成 MoE。 ...

前置知识：已了解 Self-Attention（自注意力）。 MHA 的本质：把 Self-Attention 并行做多次，每次关注不同的语义子空间，最后合并结果。 一、为什么需要多头？Self-Attention 有什么不足？ 单头 Self-Attention 每次只能学到一种"关注模式"。例如： 句子："The animal didn't cross the street because it was too tired" 头1 可能学到：it → animal（指代关系） 头2 可能学到：tired → animal（状态描述） 头3 可能学到：cross → street（动作与地点） 单头只能同时关注一种模式，多头让模型在不同子空间里并行捕捉多种关系。 二、MHA 整体结构 输入 X │ ├──→ 线性投影 W_Q^1 → Q1 ─┐ ├──→ 线性投影 W_K^1 → K1 ─┤→ Attention(Q1,K1,V1) → head_1 ─┐ ├──→ 线性投影 W_V^1 → V1 ─┘ │ │ │ ├──→ 线性投影 W_Q^2 → Q2 ─┐ │ ├──→ 线性投影 W_K^2 → K2 ─┤→ Attention(Q2,K2,V2) → head_2 ─┤→ Concat → 线性投影 W_O → 输出 ├──→ 线性投影 W_V^2 → V2 ─┘ │ │ │ ├──→ ...（共 h 个头） │ │ │ └──→ 线性投影 W_Q^h → Qh ─┐ │ 线性投影 W_K^h → Kh ─┤→ Attention(Qh,Kh,Vh) → head_h ─┘ 线性投影 W_V^h → Vh ─┘ 三、完整公式 单头 Scaled Dot-Product Attention（回顾） $$ \text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V $$ ...

一句话：优化器决定"用梯度怎么更新参数"。从最朴素的 SGD，到加了动量的 SGD Momentum，再到自适应学习率的 Adam/AdamW，每一步改进都在解决上一代的具体问题。 一、梯度下降的基本框架 所有优化器的核心都是： $$\theta_{t+1} = \theta_t - \text{update}(g_t)$$ 其中 $g_t = \nabla_\theta \mathcal{L}$ 是当前 batch 的梯度，不同优化器只是 $\text{update}$ 的计算方式不同。 三种梯度下降变体（按 batch 大小区分）： 批量梯度下降（BGD）： 用全部数据算梯度，准确但极慢 随机梯度下降（SGD）： 用 1 条数据算梯度，快但噪声大 小批量梯度下降（MSGD）：用 mini-batch 算梯度，实践中的标准做法 现代所有"SGD"都指小批量梯度下降。 二、SGD：最朴素的优化器 $$\theta_{t+1} = \theta_t - \eta \cdot g_t$$ $\eta$：学习率（步长） $g_t$：当前 mini-batch 的梯度 问题： 学习率敏感：太大震荡，太小收敛慢 各维度步长相同：不同参数的梯度尺度可能差异极大，一个学习率无法同时适配所有参数 容易卡在鞍点：梯度为零但不是极值点 三、SGD + Momentum：加入惯性 $$v_t = \beta \cdot v_{t-1} + g_t$$ $$\theta_{t+1} = \theta_t - \eta \cdot v_t$$ $v_t$：速度（历史梯度的指数加权平均） $\beta$：动量系数，通常为 0.9 直觉：像一个球滚下山坡，历史的速度会叠加到当前更新上。 ...