这是Karpathy「Neural Networks：zero to hero」系列视频的最新实质。
AI 大牛 Andrej Karpathy 又「上新」了，这次一口气放出了长达四个小时的视频。
视频主题为「让我们来复现 GPT-2（1.24 亿参数）」。
Karpathy 表示，此次视频之所以这么长，是因为它很全面：从空文件开始，最后得到一个 GPT-2（124M）模型。
详细实现步骤包括以下：
首先构建 GPT-2 网络。
然后对其进行优化，以便快速训练。
然后通过参考 GPT-2 和 GPT-3 论文来设置训练运行优化和超参数。
然后进行模型评估。
然后祈祷好运，并去睡觉。
第二天早上，查看结果并享受有趣的模型生成。通宵运行的结果甚至非常接近 GPT-3（124M）模型。
该视频以「Zero To Hero」系列视频为基础，有些地方参考了以往视频。你可以根据该视频构建 nanoGPT 保存库，到最后大约有 90% 相似。
当然，Karpathy 上传了相关的 GitHub 保存库「build-nanogpt」，包含了全部提交历史，这样你可以一步步看到视频中所有的代码变化。
GitHub 地址：https://github.com/karpathy/build-nanogpt
AI 独角兽 Scale AI CEO Alexandr Wang 表示，Karpathy 发布视频就像是流行歌手发布新单曲一样。
甚至还有人将 Karpathy 的推特实质通过文生音乐模型 Suno 转换为了一首 Rap，简直了。
图源：https://x.com/peterxing/status/1799960277288677478
视频概览
该视频分为了四大一面：建立网络（很多是以往教程回顾）、加快训练速度、设置运行和结果。
视频第一一面实质（带时间戳）详细以下：
00:13:47 第 1 一面：实现 GPT-2 nn.Module
00:28:08 加载 huggingface/GPT-2 参数
00:31:00 实现前向传递以获取 logits
00:33:31 采样初始化、前缀 token、tokenization
00:37:02 采样循环
00:41:47 采样、自动检测设备
00:45:50 让我们训练：数据批次 (B,T) → logits (B,T,C)
00:52:53 交叉熵损失
00:56:42 优化循环：过度拟合单个批次
视频第二一面实质（带时间戳）详细以下：
01:22:18 第 2 一面：让我们加快速度。GPU、混合精度、1000 毫秒
01:28:14 Tensor Cores、代码计时、TF32 精度、333 毫秒
01:39:38 float16、梯度缩放器、bfloat16、300 毫秒
01:48:15 torch.compile、Python 开销、内核融合、130 毫秒
02:00:18 flash attention 技术、96 毫秒
02:06:54 nice/ugly 数。词汇量 50257 → 50304，93 毫秒
视频第三一面实质（带时间戳）详细以下：
02:14:55 第 3 一面：超参数、AdamW、梯度裁剪
02:21:06 学习率调度器：预热 + 余弦衰减
02:26:21 批大小调度、权重衰减、FusedAdamW、90 毫秒
02:34:09 梯度累积
02:46:52 分布式数据并行 (DDP)
03:10:21 GPT-2、GPT-3、FineWeb (EDU) 中使用的数据集
03:23:10 验证数据拆分、验证损失、采样恢复
03:28:23 评估：HellaSwag，开始运行
视频第四一面实质（带时间戳）详细以下：
03:43:05 第 4 一面：早上出结果！GPT-2、GPT-3 复现成功
03:56:21 向 llm.c 致敬，原始 C/CUDA 中等效但速度更快的代码
03:59:39 总结，并上传「build-nanogpt github」保存库
完整视频参见以下：https://www.youtube.com/watch?v=l8pRSuU81PU&feature=youtu.be