【新智元导读】训大模型的方法可能要被革新了！AI大神Karpathy发布的新项目仅用1000行的C语言训完GPT-2，而不再依赖庞大的GPT-2库。他本人预告，即将上线新课。

断更近一个月，Karpathy终于上线了。

这次不是AI大课，而是带来一个新项目。

仅用1000行纯C语言训完GPT-2。

想象一下，如果我们能够不依赖于庞大的PyTorch（245MB）和cPython（107MB）库，仅仅使用纯C语言就能训练大型语言模型（LLM），那会怎样？

现在，借助llm.c，这件听起来似乎不太可能的事，已经成为了现实！

这个项目的亮点在于，它仅用约1000行简洁的C代码，就实现了在普通计算机处理器（CPU）上训练GPT-2模型的能力。

而且，这份代码不仅可以立即编译运行，其训练结果也和PyTorch版本的GPT-2完全一致。

之所以选择GPT-2作为起点，是因为它标志着大型语言模型发展史上的一个重要里程碑，是第一次以我们现在所熟悉的形式整合了这样的技术栈，并且模型权重也是公开可获取的。

这一项目刚刚发布几个小时，已经获得了2.5k星。

项目地址：https://github.com/karpathy/llm.c

有网友表示，初创公司正在等着Karpathy挖掘新的点子。

很少有人知道，SUNO一开始是nanoGPT的一个分支。（Suno创业团队首款产品Bark受到了nanoGPT的启发）

或许Karpathy正在尝试的是重新设计LLM架构，通过llm.c项目去探索一种更简单、高效的模型训练方法。

「我无法创造的，我就无法理解」。

Karpathy完全让AI走向大众化。

那么，仅用C语言如何训出LLM？

千行C代码训完GPT-2

项目开篇介绍中，Karpathy还提到了自己目前正在进行的研究：

- 直接使用CUDA实现，速度会快得多，可能接近PyTorch。

- 使用SIMD指令加速CPU版本，x86上的AVX2/ARM上的NEON（比如苹果芯片）。

- 采用更现代的架构，如Llama2、Gema等。

对于repo，Karpathy希望同时维护干净、简单的参考实现以及更优化的版本，这些版本可以接近PyTorch，但只需很少的代码和依赖项。

快速入门

下载数据集，并将其进行分词。Tinyshakepeare数据集下载和分词速度最快：

python prepro_tinyshakespeare.py

打印内容如下：

Saved 32768 tokens to data/tiny_shakespeare_val.bin
Saved 305260 tokens to data/tiny_shakespeare_train.bin

其中，.bin文件包含有int32的原始数据流，这些整数代表了通过GPT-2分词器定义的Token ID。

当然，也可以通过运行prepro_tinystories.py来对TinyStories数据集进行分词处理。

理论上讲，现在已经能够开始训练模型了。但是，目前基于CPU和FP32的参考代码运行效率极低，无法从零开始训练这些模型。

因此，我们选择先用OpenAI发布的GPT-2模型权重进行初始化，再对模型进行微调。

为了这个目的，我们需要下载GPT-2模型的权重文件，并把它们作为检查点保存下来，这样就可以在C语言环境中进行加载了：

python train_gpt2.py

这个脚本的作用是下载GPT-2（124M）模型，并对单个数据batch进行10次迭代训练实现过拟合。

接着，脚本将执行几步生成任务，并且最重要的是，保存两个文件：

1. gpt2_124M.bin，其中包含了可用于在C语言环境中加载模型的原始权重；

1. gpt2_124M_debug_state.bin，其中包含了额外的调试信息，如输入数据、目标、logits和损失。
2. 
   

这些信息对于调试、单元测试以及确保与PyTorch的参考实现完全一致很有帮助。

目前，主要关注的是gpt2_124M.bin文件中的模型权重。有了它们，就可以在C语言环境中初始化模型并开始训练了。

首先，我们需要编译代码：

make train_gpt2

你可以打开Makefile文件，并阅读里面的注释。

它会自动检查你的电脑是否支持OpenMP，这对于以非常低的复杂度来加速代码运行很有帮助。

当完成train_gpt2的编译之后，就可以开始运行了：

OMP_NUM_THREADS=8 ./train_gpt2

现在，你需要根据电脑的CPU核心数来设置程序运行的线程数。

然后，程序会加载模型的权重和Token，接着进行几次迭代的微调过程，这个过程使用了Adam优化算法，学习率设置为0.0001。

最后，程序会根据模型生成一个样本。

总结来说，代码实现了模型每一层的数据处理流程，包括前向传播、反向传播和参数更新等，并且被组织成了一个完整的循环。

在搭载M3 Max芯片的MacBook Pro上运行时，输出结果如下：

[GPT-2]
max_seq_len: 1024
vocab_size: 50257
num_layers: 12
num_heads: 12
channels: 768
num_parameters: 124439808
train dataset num_batches: 1192
val dataset num_batches: 128
num_activations: 73323776
val loss 5.252026
step 0: train loss 5.356189 (took 1452.121000 ms)
step 1: train loss 4.301069 (took 1288.673000 ms)
step 2: train loss 4.623322 (took 1369.394000 ms)
step 3: train loss 4.600470 (took 1290.761000 ms)
... (trunctated) ...
step 39: train loss 3.970751 (took 1323.779000 ms)
val loss 4.107781
generated: 50256 16773 18162 21986 11 198 13681 263 23875 198 3152 262 11773 2910 198 1169 6002 6386 2583 286 262 11858 198 20424 428 3135 7596 995 3675 13 198 40 481 407 736 17903 11 329 703 6029 706 4082 198 42826 1028 1128 633 263 11 198 10594 407 198 2704 454 680 1028 262 1027 28860 286 198 3237 323
step 40: train loss 4.377757 (took 1366.368000 ms)

目前，程序生成的结果只是Token ID，我们需要把这些编号转换成可读的文本。

这个过程在C语言中实现起来相当简单，因为涉及到的主要是对应字符串片段的查找和输出。

现在，我们可以利用一个叫做tiktoken的工具来完成这个任务：

import tiktoken
enc = tiktoken.get_encoding("gpt2")
print(enc.decode(list(map(int, "50256 16773 18162 21986 11 198 13681 263 23875 198 3152 262 11773 2910 198 1169 6002 6386 2583 286 262 11858 198 20424 428 3135 7596 995 3675 13 198 40 481 407 736 17903 11 329 703 6029 706 4082 198 42826 1028 1128 633 263 11 198 10594 407 198 2704 454 680 1028 262 1027 28860 286 198 3237 323".split()))))

打印内容如下：

<|endoftext|>Come Running Away,
Greater conquer
With the Imperial blood
the heaviest host of the gods
into this wondrous world beyond.
I will not back thee, for how sweet after birth
Netflix against repounder,
will not
flourish against the earlocks of
Allay

Karpathy表示，他对Netflix在模型生成结果中的呈现方式非常满意，因为这显示出模型仍然保留了其训练过程中的一些特征。

此外，他也没有去调整微调的超参数，因此如果能够优化这些设置，特别是通过延长训练时间，模型的性能应该会有很大的提升空间。

测试

这里提供一个简单的单元测试程序，用来验证我们编写的C语言代码是否与PyTorch框架中的代码实现相匹配。

通过以下命令即可编译并执行：

make test_gpt2
./test_gpt2

这段代码首先会加载gpt2_124M_debug_state.bin文件，然后执行一次前向计算。

这个过程会生成模型的预测结果（logits）和损失（loss），并将其与PyTorch的标准实现进行比较。

接下来，它会利用Adam优化算法对模型进行10轮训练，从而确保训练的损失与PyTorch的结果一致。

教程

项目最后，Karpathy还附上了一个非常小的教程——

项目地址：https://github.com/karpathy/llm.c/blob/master/doc/layernorm/layernorm.md

它是实现GPT-2模型的单层，即LayerNorm的一个简单的分步指南。

这是了解如何用C语言实现层的一个很好的起点。

纯CUDA也可训

在训练开始时，先一次性预分配一大块一维内存，用于存储训练过程中所需的所有数据。

这样做的好处是，在整个训练过程中，我们无需再次分配或释放内存。如此一来，不仅简化了内存管理，还确保了内存使用量保持不变，优化了数据处理效率。

接下来的核心任务是——手动编写代码，实现模型中每一层的数据前向传播和后向传播过程，并将这些层按顺序连接起来。

此外，为了构建完整的模型，我们还需要实现多个关键组件，包括编码器（encoder）、矩阵乘法（matmul）、自注意力机制（self-attention）、GELU激活函数、残差连接（residual）、softmax函数和交叉熵损失计算。

Karpathy继续解释道，一旦你有了所有的层，你就可以把所有的层串联起来。

不瞒你说，写这个过程相当乏味，也很受虐，因为你必须确保所有的指针和张量偏移向量都正确排列。

左图：在内存中分配一个一维数组，然后将所有模型的权重和激活指向它

右图：小心地进行所有指针运算

在完成了模型的前向传播和反向传播之后，接下来的工作，比如设置数据加载器和调整Adam优化算法，就比较简单了。

随后，Karpathy还介绍了自己下一步进行工作是：

一步步地将这个过程迁移到CUDA上，从而大幅提升运算效率，甚至达到接近PyTorch的水平，而且不需要依赖那些复杂的库。

目前，他已经完成了其中的几层。

接下来的工作包括减少计算精度——从FP32降到FP16甚至更低，以及添加一些新的层（如RoPE），从而支持更先进的模型架构，例如Llama 2、Mistral、Gemma等。

当然了，等着这一切完成之后，另一期「从头开始构建」的视频也会上线。

参考资料：

https://github.com/karpathy/llm.c

https://twitter.com/karpathy/status/1777427944971083809

文章来自微信公众号“新智元”，作者:新智元