皮皮网

1.【自然语言处理】【大模型】BLOOM模型结构源码解析(张量并行版)
2.Docx4j 使用简单教程

【自然语言处理】【大模型】BLOOM模型结构源码解析(张量并行版)

       BLOOM模型结构解析，采用Megatron-DeepSpeed框架进行训练，张量并行采用1D模式。基于BigScience开源代码仓库，本文将详细介绍张量并行版BLOOM的原理和结构。

       单机版BLOOM解析见文章。触摸按键开关源码

       模型结构实现依赖mpu模块，推荐系列文章深入理解mpu工具。

       Megatron-DeepSpeed张量并行工具代码mpu详解，覆盖并行环境初始化、Collective通信封装、张量并行层实现、测试以及Embedding层、华创源码交叉熵实现与测试。

       Embedding层：Transformer Embedding层包含Word、Position、TokenType三类，分别将输入映射为稠密向量、注入位置信息、类别信息。通常，位置信息通过ALiBi注入，无需传统Position Embedding，TokenType Embedding为可选项。张量并行版BLOOM Embedding层代码在megatron/model/language_model.py，源码制作步骤通过参数控制三类Embedding使用。

       激活函数：位于megatron/model/utils.py，BLOOM激活函数采用近似公式实现。

       掩码：张量并行版模型用于预训练，采用Causal Mask确保当前token仅见左侧token。掩码实现于megatron/model/fused_softmax.py，将缩放、mask、softmax融合。

       ALiBi：位置信息注入机制，通过调整query-key点积中静态偏差实现。8个注意力头使用等比序列m计算斜率，神兽公会 源码个头则有不同序列。实现于megatron/model/transformer.py。

       MLP层：全连接层结构，列并行第一层，行并行第二层，实现于megatron/model/transformer.py。

       多头注意力层：基于标准多头注意力添加ALiBi，简化版代码位于megatron/model/transformer.py。

       并行Transformer层：对应单机版BlookBlock，实现于megatron/model/transformer.py。

       并行Transformer及语言模型：ParallelTransformer类堆叠多个ParallelTransformerLayer，TransformerLanguageModel类在开始添加Embedding层，gom 插件源码在末尾添加Pooler，逻辑简单，代码未详述。

       相关文章系列覆盖大模型研究、RETRO、MPT、ChatGLM-6B、BLOOM、LoRA、推理工具测试、LaMDA、Chinchilla、GLM-B等。

Docx4j 使用简单教程

       在开发与word模板替换和占位符相关的内容时，我选择了使用Java和kotlin语言，进而接触到了docx4j这个用于处理docx、pptx和xlsx文件的库。

       docx4j将docx文件解压，解析为一系列xml文件及其附属文件的zip格式，并通过JAXB将xml对象绑定为Java类实例表示其中的元素节点。这一库与docx4j能够处理docx文档的竞品具有相同功能。

       要开始使用docx4j，可访问其GitHub源代码地址和官方英文PDF文档进行学习。

       理解WordML概念是使用docx4j的基础。Word文档解压缩后，主要文字内容位于word/document.xml中。通过docx4j demo webapp，可以查看docx文件的各个结构。每个部分通常为XML格式，部分可能包含等非XML元素。主文档部分通常名为“/word/Document.xml”，并有关系部分声明包含的子部分，如页眉、等。

       docx4j结构分为三层：Parts层解析为JaxbXmlPart子类，形成树状结构，关系部分标识子孙后代；org.docx4j.wml层包含大部分parts；org.docx4j.model层建立在较低层之上，提供额外功能，正在逐步开发。

       序列化与反序列化在docx4j中由marshalling和unmarshalling实现。打开docx文档时，docx4j自动反序列化XML部分生成强类型Java对象树。若需手动序列化或反序列化，可使用org.docx4j.jaxb.Context类和XmlUtils.marshalToString方法。

       docx4j包含方便访问常用部分的方法。在package层，有直接访问方法；在document part层中，有具体部分访问方法。关系部分列出指向其他部分的链接。

       MainDocumentPart包含所有正文内容的文字信息，是zip文件解压后的word/document.xml。内部元素如段落、表格等分别由org.docx4j.wml.P和类似类表示。段落实现ContentAccessor接口，可添加内容；所有实现ContentAccessor的对象内容保存为Java List对象，便于操作。

       打开现有文档的使用示例：替换docx中的占位符为"Hello World"。占位符在文本域中设置，使用docx4j库搜索并替换。更复杂的遍历操作可实现根据变量值控制显示与否，例如删除占位符所在单元格或一整块内容。