在从头实现大型语言模型（LLM）时，自定义 PyTorch 训练循环是核心步骤。它允许开发者精确控制数据流动、梯度更新和优化过程，避免依赖高层 API 如 Hugging Face Trainer，从而更好地理解模型内部机制并优化资源利用。对于小规模 Transformer 模型，这种自定义实现特别高效，能在单 GPU 上快速迭代。
首先，数据 collation 是训练的基础。Transformer LLM 的输入通常是 token 序列，需要将原始文本转换为张量批次。观点：通过自定义 collate_fn 或 get_batch 函数，确保输入序列与目标序列（移位版本）对齐，支持变长序列处理。证据：在典型实现中，如使用 torch.utils.data.Dataset，编码函数将文本转为整数索引，然后采样固定长度块（block_size=256），x 为前 n 个 token，y 为后 n 个作为预测目标。这避免了填充（padding）导致的计算浪费。落地参数：vocab_size=50257（基于 GPT-2），context_length=256，batch_size=32（视 GPU 内存调整，RTX 3090 可达 64）。清单：1. 定义 encode/decode 函数使用 tiktoken；2. get_batch 返回 torch.stack([data[i:i+block_size] for i in ix])；3. 使用 DataLoader(shuffle=True, pin_memory=True) 加速加载。
其次，优化器设置直接影响收敛速度和稳定性。观点：AdamW 是 Transformer 训练的标准优化器，能有效处理权重衰减，避免泛化问题。证据：PyTorch 实现中，optimizer = torch.optim.AdamW(model.parameters(), lr=1e-3, betas=(0.9, 0.95), weight_decay=0.1)，结合学习率调度如 cosine annealing，进一步平滑训练曲线。对于小模型，初始 lr=6e-4 效果更好。落地参数：warmup_steps=100（线性预热），总 epochs=5（小数据集），gradient_clip=1.0 防止梯度爆炸。清单：1. 初始化优化器后，添加 scheduler = torch.optim.lr_scheduler.OneCycleLR(optimizer, max_lr=1e-3, epochs=5, steps_per_epoch=len(dataloader))；2. 每步调用 scheduler.step()；3. 监控 lr 通过 print(scheduler.get_last_lr())。
梯度累积是高效训练小模型的关键技术，尤其当 batch_size 受内存限制时。观点：通过多步累积损失再更新参数，模拟更大 batch_size，减少噪声并节省内存。证据：在循环中，for i, (x, y) in enumerate(dataloader): loss = F.cross_entropy(model(x)[:, -y.shape[1]:, :].reshape(-1, vocab_size), y.reshape(-1))；loss = loss / accumulation_steps；loss.backward()；if (i+1) % accumulation_steps == 0: optimizer.step(); optimizer.zero_grad()。这允许有效 batch_size=32*4=128，而实际每步仅 32。引用："根据 CSDN 教程，梯度累积可显著提升小模型训练效率。" 落地参数：accumulation_steps=4（总有效 batch=128），使用 torch.cuda.amp.GradScaler() 启用混合精度（fp16），进一步减半内存。清单：1. scaler.scale(loss).backward()；2. scaler.step(optimizer)；3. scaler.update()。
损失计算聚焦于交叉熵，针对因果语言建模。观点：忽略填充 token 并仅计算真实预测损失，确保模型学习序列依赖。证据：loss_fn = nn.CrossEntropyLoss(ignore_index=0)，但在自定义循环中，直接用 F.cross_entropy(logits.view(-1, logits.size(-1)), targets.view(-1))，其中 logits 来自 model.forward(x) 的最后 token 预测。监控训练/验证损失（perplexity = exp(loss)）评估生成质量，低 perplexity 表示更好拟合。落地参数：每 100 steps 计算 eval_loss，使用 torch.no_grad() 评估；阈值：目标 train_loss < 2.0（小模型）。清单：1. 分离 train/eval 数据集（80/20 split）；2. eval 函数：total_loss = 0; for batch in eval_loader: with torch.no_grad(): loss = F.cross_entropy(...); total_loss += loss；print(f"Eval Loss: {total_loss / len(eval_loader)}")。
完整训练循环整合上述组件，形成高效 pipeline。观点：自定义循环支持实时监控、早停和 checkpoint 保存，优于黑箱框架。证据：def train(model, dataloader, epochs=5): for epoch in range(epochs): model.train(); total_loss=0; for i, batch in enumerate(dataloader): optimizer.zero_grad(); x, y = batch; logits = model(x); loss = F.cross_entropy(logits.transpose(1,2), y); loss.backward(); optimizer.step(); total_loss += loss.item(); if i % 100 == 0: print(f"Step {i}, Loss: {loss.item()}")；torch.save(model.state_dict(), 'checkpoint.pt')。对于小模型，训练 1M 参数模型需 ~10 小时（A100 GPU）。风险：过拟合（用 dropout=0.1 缓解），内存溢出（减小 context_length）。引用："PyTorch 文档强调，梯度累积结合混合精度是资源受限场景的首选。"
可落地清单：1. 环境：PyTorch 2.0+, CUDA 11+；2. 数据：下载 Pile 或 TinyShakespeare (~1MB) 测试；3. 模型：n_layers=6, n_heads=6, emb_dim=384（~10M 参数）；4. 超参：lr=3e-4, batch=16*4=64, epochs=10；5. 监控：TensorBoard 记录 loss/perplexity；6. 回滚：若 loss 上升，减 lr 或加 L2 正则=1e-5。
通过这些参数，小模型可在消费级硬件上高效训练，生成连贯文本。自定义循环不仅提升理解，还便于扩展如 DPO 微调。
（字数约 950）