网易大模型算法面经总结第一篇
网友一
- MHA的原理，是如何进行加速的，用的什么框架推理。
回答：
①先答一下什么是MHA：Multi-Head Attention（MHA）是 Transformer 的核心机制，并行地关注输入序列中不同位置的多种信息
②回答MHA的原理就是MHA的计算步骤：
- 第一步进行线性变换与分割: 首先，MHA 会对输入的 Q、K、V 分别进行 h 次线性变换，生成 h 组新的 Q、K、V。每一组都代表一个“头”（head），它们相当于在不同的抽象层面上理解输入。
- 第二步进行注意力计算：每个头都会独立地执行一次缩放点积注意力计算。这个计算包括计算 Q 和 K转置的点积来衡量词之间的相关性，然后（这个头的维度特征)进行缩放，然后通过 Softmax 归一化得到注意力权重，最后用这些权重对 V 进行相乘，得到每个头的输出。
- 第三步进行结果拼接与最终投影：所有 h 个头的输出会被拼接在一起，形成一个更宽的特征向量。最后，这个拼接后的向量会再经过一次线性变换，得到 MHA 的最终输出。
③MHA是如何进行加速的，这个问题的回答有两个角度
- 第一个角度是从MHA这个算法原理本身来回答：
- 首先MHA有天然的并行行，MHA 的“多头”设计意味着每个头之间的计算是独立的，这使得它们可以完全并行地执行。在 GPU 等并行计算硬件上，这种并行性能够被充分利用，大大缩短了计算时间。
- 其次，MHA 的核心操作是大量的矩阵乘法（例如 Q 和 K 的点积，Attention_Weights×V）以及线性变换。现代深度学习框架底层都集成了高度优化的线性代数库，这些库通过精巧的算法和硬件指令优化，能以极高的效率完成这些计算。
- 最后是算法层面的优化:，例如 FlashAttention 这样的新型算法，它通过减少高带宽内存（HBM）的访问（将中间计算结果保存在更快的片上 SRAM 中）和融合多个 GPU 核操作，显著提升了注意力机制的计算速度。
- 第二个角度是还可以通过些什么操作使得MHA进行加速：
- 第一是算子级优化，比如 FlashAttention，通过手写 CUDA kernel，把 softmax + dropout + matmul 融合成一个操作，减少了中间显存读写，显著提升了计算速度和内存利用率。
- 第二是进行结构级优化，采用稀疏 Attention 或低秩近似，比如 Longformer 只对局部窗口做 attention，Performer 用核函数近似 softmax
- 第三是动态裁剪优化，例如在推理阶段使用 Token Pruning 或 Early Exit，提前丢弃对结果影响小的 token，减少计算量。
④MHA用什么框架进行推理
- 第一使用HuggingFace Transformers：最主流的高层推理框架，内部支持了标准 attention 和 FlashAttention 加速。
- 第二使用ONNX Runtime：框架可以将模型导出为 ONNX，内部使用图优化，高性能内核，硬件加速来加速推理。
- 第三使用TensorRT（NVIDIA）：TensorRT能够在NVIDIA上实现推理加速，内部图优化技术、内核融合、量化压缩和硬件调度优化来加速推理。
- 第四使用 vLLM：针对大语言模型推理的优化框架，支持 paged attention，减少 KV 缓存冗余。
-
用过vLLM框架吗？
回答：是的，用过 vLLM 框架，主要是用来加速大语言模型（比如 LLaMA 和 ChatGLM）的本地推理部署。我使用 vLLM 启动兼容 OpenAI API 的服务端，加载 Huggingface 格式模型，通过 openai.ChatCompletion 接口实现了高并发请求的响应生成。vLLM 的优势是支持 PagedAttention，这种机制可以实现 KV Cache 的共享和动态调度，显著提升多用户并发下的吞吐量，降低显存占用。同时，它对调用者非常友好，不需要改代码就可以用 openai 风格访问，非常适合构建本地 Chat 服务或微服务部署。 -
用过什么数据合成的方法
回答：我用过的数据合成方法有XX种：
第一种是基于规则的数据生成方法，就是自己设计模板，生成大量的输入输出对。比如先有一个句子模板角色经常在做动作，然后有一个角色和动作的列表，通过循环的方式去填充句子，扩充句子。
第二种是基于统计模型的方法，就是利用现有数据的统计特性来生成新的数据，像n-gram模型，这种方式是先获取语料库，然后用n元词组来表示，然后训练根据n-1个词生成第n个词的模型，然后再通过滑动窗口生成完整的句子。 -
PagedAttention原理
从为什么，是什么，怎么做三个角度来回答：
①PagedAttention在出现之前，主流的LLM推理框架在管理KV Cache时通过提前预留空间存在严重的内存浪费问题。
②PagedAttention将KV Cache的存储从连续转变为非连续，他将KVCache分成一个个小的block，然后通过block table来进行索引，用块表来映射到物理内存中的不同位置。然后系统会动态分配内存，每生成新的token时，只需要分配新的block然后在块表中给出对应的记录，来进行按需分配。（就和数据结构中数组和指针的概念类似）
③PagedAttention实现了近乎于0的内存浪费，并且拥有有极高的吞吐量。 -
投机采样是什么，什么情况下用投机采样才能效果好？
第一个子问题是定义和原理回答：
投机采用是一种加速大语言模型推理的技术。原理是通过一个更快更小的“草稿模型”来生成候选token，然后用更大的“目标模型”验证token是否正确，减少大模型的调用次数。
第二个子问题：
①草稿模型和目标模型一致性高的情况下的情况下效果好
②生成模型具有一定可预测性，像一些代码生成，结构化数据生成的任务
③草稿模型的速度要显著大于目标模型，接受率越高越好
④在GPU或TPU，或者分布式设备上效果更佳。 -
LoRA原理，为什么可以低秩微调，rank和阿尔法调参经验，和数据量有关系吗
- LoRA的原理：LoRA是一种高效微调技术，通过在模型原本的权重旁边附加两个小矩阵来学习增量知识，解决大模型全量微调问题。首先冻结预训练权重不进行更新，然后引入A和B两个低秩矩阵学习增量知识△W，最后前向传播最后和预训练权重合并。
- 为什么可以低秩微调：大语言模型在预训练阶段已经包含了非常丰富的知识，当学习新任务时候，他的改变量是低秩，低秩的理解就是在庞大的知识空间中，进行微调的调整。
- rank和α调参经验：他们两是用来控制BA矩阵最终的大小，变化量是α/r，α值一般设置为rank值或者两倍，让α值比较高时，会更多从新知识学习，如果遗忘了通用知识就得调小。可以网格搜索，先搜索r，找到比较好的之后固定，再搜索α。
- 和数据量有关系吗：有关系，大数据量小r容易欠拟合，小数据量大r会过拟合。小r一般16以内，大r一般32以外。
-
PPO原理，为什么需要DPO
PPO原理回答：PPO是实现RLHF的核心算法，PPO过程有三个模型，一个是SFT初始策略模型，第二个是RM品味模型，用来给回答打分，最后是PPO模型，近端优化策略，对SFT模型进行微调，让他的RM分数尽可能高。
为什么需要DPO：因为PPO的需要训练的模型多，成本高，如果奖励模型出现问题，PPO就会把缺陷学习到。 -
MoE原理，具体怎么实现
MoE的核心思想是“分而治之”，MoE引入了多个“专家”和一个“门控网络”来解决传统稠密模型参数量大的问题。具体实现是：假如有N个专家，我们每次选择Top-K个专家。当Token向量从自注意力层进入MoE层前，先会通过路由计算计算出一个logits向量，对应每个专家的分数，然后选择最高的K个专家，用softmax进行门控制计算得到每个专家的权重，然后输入向量输入这K个专家中进行计算得到的结果和门控值进行加权求和得到输出。