从零到精通：手把手教你构建自己的大语言模型（LLM）

本文深入浅出地介绍了大语言模型（LLM）的原理、构建方法和实际应用。文章首先解释了LLM的基本概念和核心训练任务，即通过海量文本数据学习生成通顺的文本内容。接着，详细阐述了构建LLM的步骤，包括预训练和微调，并介绍了Transformer架构和注意力机制等关键技术。文章还提供了具体的代码实现和实验结果，展示了如何使用Python和PyTorch在普通电脑上构建和训练LLM。最后，总结了从零构建LLM的完整流程，强调了理解LLM工作原理的重要性。

这篇文章将让你对神秘莫测的大语言模型（LLM），从"这玩意儿到底怎么工作的？"到"哦，原来我也能造一个！"的奇妙转变。

咱们一起轻松愉快的发车吧！

第1章：大语言模型是什么鬼？

1.1 LLM 到底是啥？

LLM（Large Language Model），翻译成人话就是：一个特别大的神经网络，吃了海量的文本数据，然后学会了说人话。

但你千万别被骗了——所谓的"理解"，其实是模型能生成看起来通顺、上下文相关的内容，它并没有人类的意识。就像鹦鹉会说"你好"，但它并不真的想跟你打招呼。

LLM 的核心训练任务特别简单：预测下一个词。给你一句话的前半段，猜后半段。比如：

输入：“我今天中午吃了——”

输出：“饭”

就这么朴素的逻辑，居然能训练出 ChatGPT 这种怪物。这就像你教孩子就教了"1+1=2"，结果他自己学会了微积分——研究者自己都觉得很惊讶。

1.2 LLM 能干啥？

翻译、写小说、写代码、做客服、总结文档、回答法律问题……基本上跟文字沾边的事它都能干。现在的 LLM 不仅仅是聊天机器人，它正在重新定义我们和技术的交互方式。

1.3 构建 LLM 的两步走

预训练（Pretraining）

用海量无标注文本训练模型做"填空"，得到一个"基础模型"（foundation model）。这一步极其烧钱——GPT-3 的预训练花掉了460 万美元的云计算费用。

微调（Fine-tuning）

用少量标注数据进一步训练，让它变成某个领域的专家。又分两种：

自定义的小模型能在特定领域干翻通用大模型，而且还省钱、保护隐私、能部署在手机上。苹果公司就在搞这个。

1.4 Transformer 架构：LLM 的"祖宗"

2017 年的神论文《Attention Is All You Need》提出了 Transformer 架构，它有两个子模块：

编码器（Encoder）：读入输入文本，编码成向量

解码器（Decoder）：拿编码器的输出，生成目标文本

原始 Transformer 是用于翻译的，编码器读英文，解码器吐中文。后来的 BERT 用了编码器部分（擅长分类），GPT 用了解码器部分（擅长生成）。本书只做 GPT，也就是只用解码器。

1.5 海量数据集

GPT-3 的训练数据包括：

CommonCrawl（网络爬虫）：4100 亿 token，占 60%

WebText2：190 亿 token

Books1 + Books2：670 亿 token

Wikipedia：30 亿 token

总共训练了 3000 亿 token。什么概念？如果一个人每秒读一个字，不吃不睡要读9.5 万年。

1.6 GPT 架构的精髓

GPT 本质上就是 Transformer 的解码器部分，它通过自回归的方式生成文本——每次预测一个词，然后把这个词拼回输入，再预测下一个词。

GPT-3 有96 层 Transformer、1750 亿参数。这些模型还展现出涌现能力（emergent behavior）——没专门学过翻译，但能翻译；没专门学过写诗，但能写。就像你本来想养条看门狗，结果它自己学会了弹钢琴。

1.7 三阶段构建计划

本书把构建 LLM 分为三个阶段：

(图片来自gpt，image_prompt: A three-stage pipeline diagram showing Stage 1 (Data Preparation & Attention Mechanism), Stage 2 (GPT Architecture & Pretraining), and Stage 3 (Fine-tuning for Classification & Instruction Following), with arrows connecting each stage, colorful modern flat design style)

第2章：跟文本数据打交道——把"人话"变成机器能啃的饲料

2.1 词嵌入：给每个词发张"身份证"

神经网络不认识文字，只认识数字。所以我们需要嵌入（embedding）——把每个词映射成一串浮点数。

比如"猫"可能被映射成 [0.43, 0.15, 0.89]，"狗"映射成 [0.41, 0.18, 0.85]。相似的词向量距离近，不相似的离得远。

GPT-2 Small 的嵌入维度是768，GPT-3 最大版是12,288。维度越高能捕捉的关系越细腻，但计算量也越大。这就好比用 4K 电视看《猫和老鼠》——画质再好，内容还是那只猫追那只老鼠。

2.2 分词：把句子大卸八块

分词（tokenization）就是把一段话切成小碎片。作者用了一篇叫《The Verdict》的短篇小说（20,479 个字符）做示例。

先用 Python 正则表达式手动实现分词器，处理了单词、空格、逗号、句号、问号、引号、双破折号等特殊情况。最终把这篇小说切成了4,690 个 token。

2.3 Token → Token ID：编号发牌

每个唯一 token 分配一个唯一整数 ID。作者实现了 SimpleTokenizerV1 类，有 encode（文本→ID列表）和 decode（ID列表→文本）两个方法。

但有个大问题：遇到没见过的词（比如"Hello"），直接报 KeyError。

2.4 特殊 Token：给 LLM 加点暗号

为了解决这个问题，引入两个特殊 token：

<|unk|>：表示"我不认识这个词"

<|endoftext|>：分隔不相关的文本片段

GPT 系列只用 <|endoftext|> 就够了，其他模型还会用 [BOS]（开始）、[EOS]（结束）、[PAD]（填充）。

2.5 Byte Pair Encoding（BPE）：GPT 的秘密武器

SimpleTokenizer 遇到未知词就变成 <|unk|>，太粗暴了。GPT 用的是BPE 分词器（来自 OpenAI 的 tiktoken 库）。

BPE 的牛X之处：不认识整个词？没关系，拆成子词甚至单个字符。所以 BPE永远不会遇到 unknown token——它总能把输入拆成它能处理的碎片。

GPT-2 的 BPE 词汇表有50,257 个 token。

2.6 滑动窗口采样：制造训练数据

LLM 的训练是预测下一个词，所以需要构造"输入-输出"对。

用滑动窗口在文本上移动：max_length 控制输入长度，stride 控制步长。比如 stride=1，输入是 [1,2,3]，输出就是 [2,3,4]——每次往后挪一位。

从一篇短篇小说就能造出海量的训练样本。

2.7-2.8 Token 嵌入 + 位置编码

Token ID 经过 nn.Embedding 层变成向量（一个大查询表）。但嵌入层有个致命缺陷：不管词在句子的哪个位置，向量都一样。

解决方案是位置编码。GPT 用可训练的位置嵌入——每个位置有自己的向量，直接加到 token 嵌入上。位置 1 加位置 1 的向量，位置 2 加位置 2 的。简单粗暴但有效。

(图片来自gpt，image_prompt: A flowchart showing text processing pipeline: raw text → tokenization → token IDs → embedding layer → embedding vectors + positional encoding → final input vectors, modern flat design with bright colors)

第3章：注意力机制——让 LLM 学会"察言观色"

3.1 RNN 的"记忆缺陷"

在 Transformer 出来之前，RNN 是处理序列数据的主流。它的工作方式是把输入压缩成一个"记忆状态"，然后基于这个状态做生成。

但 RNN记不住太长的东西。就像让你传话，传了十个人之后，原话早就走样了。

3.2 注意力的诞生

2017 年的 Transformer 论文提出自注意力（Self-Attention）机制——模型在生成每个词时，可以"回头看"输入序列中的所有位置，决定哪些地方更重要。

3.3 丐版自注意力

先看不带可训练权重的简化版本：

对于句子中每个词，计算它跟所有词的相关性（用点积衡量），然后 softmax 归一化成概率，再用这些概率加权求和所有词的向量——得到上下文向量。

这个上下文向量融合了整个句子的信息，解决了 RNN 的"健忘"问题。

3.4 完全体：缩放点积注意力

真正的 LLM 用的是带三个可训练权重矩阵的自注意力：

Wq（Query）

你在问"这段话里谁跟我有关系？"

Wk（Key）

每个词在说"我的特征是这些"

Wv（Value）

“如果觉得我重要，就拿走这个信息”

计算步骤：

输入分别乘 Wq、Wk、Wv 得到 Q、K、V

attn_scores = Q @ K.T

算相关性

除以 √d_k

（缩放），防止高维度下点积过大导致梯度消失

softmax 归一化

output = attention_weights @ V

得到上下文向量

3.5 因果注意力：不许"开天眼"

训练时，模型不能看到未来的词。比如预测 “I love you” 中的 “you” 时，只能看到 “I love”，不能偷看答案。

实现方式：在注意力权重矩阵的右上角加一个上三角掩码，把未来位置的权重全变成 0。方法是在 softmax 之前把右上角全设为 -inf，这样 softmax 后自然就是 0。

还引入了Dropout，随机丢弃一部分注意力权重（训练时用 0.1-0.2），防止过拟合。

3.6 多头注意力：一个脑袋不够用

多头注意力就是并行运行多个因果注意力机制。不同头关注不同信息——一个可能关注语法关系，另一个关注语义相似性。

GPT-2 Small（1.24 亿参数）有12 个头，嵌入维度 768，每个头处理 64 维。

高效实现方式：先做一次大 QKV 投影，然后拆分成多个头，用批量矩阵乘法并行计算所有头。

第4章：搭积木——实现 GPT 模型架构

4.1 GPT-2 的"身份证"

GPT-2 Small（1.24 亿参数）的配置：

为什么用 GPT-2 不是 GPT-3？因为 GPT-3 的 1750 亿参数在单张 V100 上要训355 年。等你训完，世界末日可能都过去好几轮了。

4.2 Layer Normalization：情绪稳定剂

深度神经网络的梯度容易消失或爆炸。层归一化把每一层的输出拉成均值为 0、方差为 1 的标准分布。

LayerNorm 不依赖 batch size（不像 BatchNorm），所以特别适合 LLM 训练。

而且它还有可训练的 scale 和 shift 参数——如果模型觉得标准化后不好用，它能自己调回去。就像你妈让你把房间收拾整齐，但你之后可以把枕头摆歪一点——舒服就行。

4.3 GELU：比 ReLU 更"温柔"

ReLU 简单粗暴：正数留着，负数变零。

GELU 就温柔多了：负数区域也保留非零梯度，只是很小。ReLU 像"不及格就滚"，GELU 像"不及格还可以补考"。

前馈网络（FeedForward）结构：Linear(768 → 3072) → GELU → Linear(3072 → 768)。先扩大 4 倍再缩小，维度没变但内涵丰富了。

4.4 Shortcut Connections：高速通道

随着网络加深，梯度在反向传播时会越来越小。**Shortcut（残差连接）**就是把输入直接加到输出上，给梯度修了一条"高速公路"。

没有 shortcut 时第一层比第五层梯度小 25 倍；加了 shortcut，各层梯度大小基本一致。

4.5 Transformer Block：组装成型

每个 Transformer Block 的结构：

LayerNorm → Multi-Head Attention → Dropout → Shortcut

LayerNorm → FeedForward → Dropout → Shortcut

注意这里用的是Pre-LayerNorm（先归一化再进子层），比 Post-LayerNorm 训练更稳定。

关键是：输入输出形状完全一样！所以你可以像叠罗汉一样叠 12 层。

4.6 GPTModel：终极合体

GPTModel = Token Embedding + Positional Embedding + 12× TransformerBlock + Final LayerNorm + Output Head（映射到 50,257 维词汇表）

1.63 亿参数，float32 存储需要 621 MB。跟今天 Llama 3 70B（存权重就要 140GB）比，简直是小巫见大巫。

4.7 文本生成

用 generate_text_simple 做自回归生成：输入 “Hello, I am”，输出 “Featureiman Byeswickattribute argue”。

这是啥玩意儿？别急——模型还没训练，权重是随机的，跟刚出生的婴儿一样，话都不会说。

第5章：预训练——从"胡言乱语"到"能说会道"

5.1 评估文本质量：怎么量化"说得好不好"？

交叉熵损失（Cross-Entropy Loss）：模型预测的概率分布跟实际情况差多远。值越小越好。

困惑度（Perplexity）= exp(loss)。初始值 48,725，相当于模型在 50,257 个词里完全随机乱猜。理想目标：接近 1。

训练数据集：《The Verdict》（只有 5,145 个 token），90% 训练 / 10% 验证。

5.2 训练过程：见证 AI 的成长

用 AdamW 优化器，训练 10 个 epoch（约 5 分钟）：

从逗号复读机到能写出完整句子——这 5 分钟的学习曲线比某些大学生四年的进步还明显。

但验证 loss 在第 2 个 epoch 后就停滞在 6.45 了，而训练 loss 降到了 0.39——过拟合了。解决办法：用更大的数据集。

5.3 解码策略：让模型有创意而不是背答案

贪心解码（Greedy Decoding）：每次选概率最高的 token。安全但无聊，像每次都点同一道菜。

Temperature 缩放：控制随机性。

temperature = 0.1：几乎确定，像严谨的科学家

temperature = 1：正常发挥

temperature = 5：放飞自我，有 4% 概率生成 “Every effort moves you pizza”

Top-k 采样：只保留概率最高的 k 个 token 再采样。k=3 时，“forward、toward、closer” 竞争，“pizza” 直接出局。

把两者结合：先用 top-k 筛选候选池，再用 temperature 调整概率分布后再采样。

5.4 保存和加载模型

保存

torch.save(model.state_dict(), "model.pth")

加载

model.load_state_dict(torch.load("model.pth"))

如果要继续训练，记得连 optimizer 状态一起保存——AdamW 记住了每个参数的历史学习率，丢了就失忆了。

5.5 白嫖 OpenAI 的预训练权重

自己训太贵？直接用 OpenAI 的 GPT-2 权重！下载 498MB 的权重文件，需要做一个"翻译"工作——OpenAI 的变量命名和我们不一样，得手动映射。

加载成功的标志：输入 “Every effort moves you”，不再输出乱码，而是输出 “toward finding an ideal new way to practice something!”——这才是正常人该说的话。

(图片来自gpt，image_prompt: Illustration showing pretraining process: unlabeled text data flowing into a GPT model, the model predicting next tokens, loss curve decreasing from high to low over epochs, and the output changing from gibberish to coherent sentences, colorful educational style)

第6章：分类微调——让 LLM 当"专才"

6.1 微调的两种路子

分类微调

让模型变成"偏科生"，只会做一件事（比如判断垃圾邮件）

指令微调

培养"全才"，能听懂各种指令

全才比偏科生难训练得多。作者说得很直白：全才难做，偏科容易。

6.2 准备垃圾邮件数据集

用SMS Spam Collection数据集（5,572 条短信）。原始数据不平衡（垃圾 747 vs 正常 4,825），用欠采样平衡到 747 vs 747。

数据集按 70% 训练、10% 验证、20% 测试拆分。

6.3 创建数据加载器

短信长短不一，用 <|endoftext|> token 填充到一样长。每个 batch 内所有序列统一长度。

6.4 加载预训练权重

加载 GPT-2 预训练权重。试一下未经微调的模型：你问它"这是垃圾邮件吗？"，它不回答，只会继续补全文本——光预训练不微调，模型就是个复读机。

6.5 加装分类头

把原来的输出层（映射到 50,257 个 token）换成新的（映射到 2 个类别：spam / not spam）。

技巧：

冻结大部分参数

（设置 requires_grad = False），只训练输出层 + 最后一个 Transformer block + 最后的 LayerNorm

只用最后一个 token 的输出做分类

——因为因果注意力掩码让最后一个 token 能看到前面所有信息

6.6 训练结果

超参数：AdamW，学习率 5e-5，weight_decay 0.1，5 个 epoch。

在 M3 MacBook Air 上跑约5.65 分钟：

测试集 95.67%，相当能打。而且训练和验证曲线贴得很近——没有过拟合，nice。

6.7 保存模型

torch.save(model.state_dict(), "classifier.pth")

第7章：指令微调——让 LLM 当"通才"

7.1 目标

把 GPT-2 medium（3.55 亿参数）训练成一个能听懂人话指令的模型。“把这句话改成被动语态”、“伦敦的首都是哪里”——这些活儿它都得会干。

跟分类微调不同，指令微调不限制输出——输出空间大得没边，难度高得多。

7.2 准备指令数据集

1,100 条指令-回答对（JSON 格式），每条包含 instruction、input、output 三个字段。

使用Alpaca 格式组织 prompt：

Instruction: 把下句改成被动语态

Input: The chef cooks the meal.

Response: The meal is cooked by the chef.

数据集划分：85% 训练（935 条）、10% 测试（110 条）、5% 验证（55 条）。

7.3 自定义 Collate 函数

指令长度不一，需要每个 batch 各自填充到当前 batch 的最长长度，而不是整个数据集的最长长度。这样节省大量计算和内存。

关键技巧：把 padding token 在 target 中对应的位置设为-100。PyTorch 的交叉熵损失默认忽略 -100，这样 padding 部分就不会参与损失计算。不然模型会去学预测那些无聊的填充 token。

7.4 加载 GPT-2 medium（355M）

为什么用 3.55 亿参数而不是 1.24 亿？因为指令微调任务复杂，小模型撑不住。

没微调的模型试一下：让它把主动句改被动句——它直接复读原句，还顺带重抄了一遍指令。就像学生考试时把题目抄了一遍当答案。

7.5 正式微调

超参数：AdamW，学习率 5e-5，只跑 2 个 epoch（数据集小，再多就过拟合了）。

在 A100 GPU 上只需52 秒。训练 loss 从 2.637 降到 0.300。

第 1 个 epoch 结束：已经能把 “The chef cooks the meal every day.” 改成 “The meal is prepared every day by the chef.”——虽然用了 “prepared” 而不是标准答案的 “cooked”，但语法和语义完全正确。

第 2 个 epoch 结束：变成正确的 “The meal is cooked every day by the chef.”

7.6 评估

人工评估 110 条回复太累？用另一个 LLM（Llama 3 8B）来打分！

评分 prompt 里包含：指令 + 标准答案 + 模型回答，让 Llama 3 从 0-100 打分。

测试样例：

“快如子弹”（标准答案是"快如闪电"）→85 分（没毛病但不够精确）

“积云”（标准答案是"积雨云"）→40 分（方向对了但答错了）

“简·奥斯汀” →95 分（接近完美，但稍微啰嗦了点）

110 条测试集平均分：50.32 分。可以用来做基准对比。

假如你从2026年开始学大模型，按这个步骤走准能稳步进阶。

接下来告诉你一条最快的邪修路线，

3个月即可成为模型大师，薪资直接起飞。

阶段1:大模型基础

阶段2:RAG应用开发工程

阶段3:大模型Agent应用架构

阶段4:大模型微调与私有化部署

配套文档资源+全套AI 大模型 学习资料，朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】👇👇

配套文档资源+全套AI 大模型 学习资料，朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】👇👇