GPT这个名字，是后人给这个模型起的，原论文中并没有将他们的模型成为GPT。对于这个名字，我看网上主要有两种说法，一说取自Generative Pre-Training，即生成式预训练的首字母缩写，代表这个模型的主要特点，一说取自Generative Pre-trained Transformer。我个人倾向于后者，因为这不但体现出了模型“生成式”和“预训练”的特点，还表明了GPT本质上基于Transformer模型结构。

1 问题背景

众所周知，GPT是一个大语言模型，无论后续的诸多变体被应用在哪个领域，GPT最初都是为了应对自然语言处理（NLP）任务而诞生的，这一点从论文标题也可以看出来。

所有语言模型，都是用来执行特定的或是多种综合的NLP任务。常见的自然语言处理任务包括很多种，比如文本蕴涵、问题回答、语义相似度评估、文本分类、机器翻译等。

1.1 语料库资源

语言模型的训练需要语料库，目前语料库的分布如同下图所示。黄色部分是未标记的数据，指的是那些没有经过手动标注、分类的文本数据集合，这些数据通常来自各种各样的地方，比如新闻报道、网络上的文章等。红色部分是针对特定任务的带标记的数据。

绝大多数数据都是没有标记的，用于学习一些特定任务的标记数据数量很少。

1.2 方法的问题

1.2.1 监督学习

GPT之前大多数的深度学习方法都采用监督学习，需要使用大量的带标签的数据。如果现有的带标签数据不够，还需要对没有标签的数据大量的手工标记，人工成本很高，所以这种方法难以适用于哪些带标记数据不足的领域。

而且文章里也提到，即使是在那些有很多带标记数据的情况下，使用无监督的方式学习对文本的表示也可以更好地捕捉数据的特征，从而显著提高性能。

1.2.2 预训练词嵌入

预训练词嵌入方法就是一种无监督学习方法，它通过大规模的文本数据来训练词向量，目的是把一个单词，映射成一个向量。单词之间联系紧密的，在向量空间中的距离就比较靠近，比如“吃”和“苹果”之间的联系比“吃”和“墙壁”之间的联系更紧密，“吃”和“苹果”这两个词在向量空间就会更近。

这种方法的问题是，使用的都是单词级的信息，只能捕捉到单词之间的语义关系，不能捕捉到更高层的语义信息，比如短语级和句子级。而且这种方式难以适应训练数据与真实数据之间单词分布的差异。

1.3 面临的挑战

GPT的目标是使用文本中单词级别以上的级别的信息，但这存在两个需要解决的挑战。

第一个是无法确定使用哪种目标函数进行优化是最有效的。因为针对不同的任务，训练效果最好的时候使用的可能是不同的目标函数，比如A任务用第一种目标函数效果最好，B任务用第二种目标函数效果最好。

第二个是预训练结束之后，模型学到了一种文本的表示，但是这种表示不一定适用于下游的所有子任务，因为不同子任务可能需要关注的特征不同，那如何把学到的文本表示有效地传递给下游的子任务，让模型在这些任务上的性能比较好，这个方法是没有达成共识的。

2 GPT模型架构（训练方法）

为了解决上面提到的问题，GPT使用了一种预训练+微调的架构，如下图所示，中英文对应如下：

Unlabeled text：没有标记的大量原始数据

Specific labeled text：针对不同任务的有标记的数据

Unsupervised pre-training：无监督的预训练

Supervised fine-tuning：有监督的微调

Input Transformation：输入变换

Final model：可用于解决特定NLP任务的语言模型

先使用大量的没有标记的数据进行无监督的预训练，获得一个预训练的模型，然后再使用有标记的数据进行微调，但是在进行微调之前，需要对不同任务的带标记的数据进行特定的输入转换。最终获得一个训练好的可以解决特定NLP任务的语言模型。

前面的预训练部分是无监督的，相当于是模型的语感训练，用于学习一种合适的文本表示，后面的微调部分是有监督的，相当于是针对解题的训练，用于适应特定任务（这是我之前可能是在某个博主的文章中看到的一个形象的比喻，感觉非常恰当，就直接写在这里了）。

这个框架需要介绍的主要就是预训练、微调、输入变换三个模块，下面我将逐一介绍。

2.1 预训练（Pre-training）

2.1.1 优化目标

预训练过程的优化目标是最大化下面这个似然函数。

$L_1(U)=\sum_{i}\log P(u_i|u_{i-k},...,u_{i-1};\Theta )$

这个 $U$ 就是一个tokens序列，其实就相当于一个文本，每个 $u_i$ 就是一个词。

$k$ 是窗口大小，也就是我们在预测某一个词的时候，关注到的它前面的序列的长度。

$\Theta$ 是这个模型的参数。

式子里的这个概率 $P$ 是给出 $u_i$ 前面的 $k$ 个词和模型参数 $\Theta$ 的基础上，预测 $u_i$ 这个词出现的概率，因为用的是对数概率加和的形式，就相当于一个联合分布。这一部分的目标就是使用随机梯度下降法对模型参数进行更新，来使这个联合分布最大化。

2.1.2 模型结构

我们是时候了解一下GPT的模型结构了。为什么我不直接先把GPT的结构介绍了呢？因为后面我们会发现在预训练和微调两个阶段，GPT模型的结构并不完全相同，虽然区别不大。

在这篇博客的开头，我提到GPT模型是基于Transformer架构的。

下图是Transformer模型的具体结构，左边是编码器，右边是解码器。而GPT具体的模型相当于使用的是Transformer模型的解码器，把Transformer的解码器拿出来稍微做了些改变。

那为什么要使用Transformer呢？

文章里给的解释是这样的：“与循环神经网络（RNN）等替代方案相比，Transformer具有更结构化的内存，用于处理文本中的长期依赖关系，从而在不同任务中体现出了稳健的传输性能”。

我们说的简单一点，RNN等网络存在一些问题。

首先，因为梯度消失和梯度爆炸问题的存在，RNN难以处理文本的长期依赖关系。比如在一个文本中，前面很远有一个词，会对当前这个词会产生影响，在计算梯度的时候，有可能因为隔得很远，小于1的特征值经过多次相乘之后趋近于0了，最后梯度算完了等于0（梯度消失），就没有办法有效地更新参数，或者大于1的特征值多次相乘趋近于无穷（梯度爆炸），梯度特别大，网络变得不稳定，难以收敛。LSTM（长短期记忆网络）虽然通过一些类似门的结构，选择哪些数据需要保留、丢弃和更新，但是也只是一定程度上改善了这个问题，效果还是不够理想。

其次，由于RNN是有反馈的，计算序列下一个词的时候需要用到上一个词的计算结果，所以无法并行处理文本序列。

Transformer利用一种叫多头自注意力（Multi-Head Self-Attention）的机制，本质上是依靠输入序列不同位置的元素之间的关系来设置权重，计算加权和，所以可以更好地处理长期依赖关系，而且只需要使用一次矩阵计算就可以了，所以可以并行处理整个文本序列。

那为什么使用的是解码器而不是编码器呢？

这二者的区别在于，编码器在处理文本的时候可以看到全部的文本序列，而解码器由于掩码的存在（即上图中Multi-head Attention和Masked Multi-head Attention的区别），当对第i个元素抽取特征的时候，只能看到这之前的序列。因为GPT的任务是在一个序列的基础上预测下一个词，所以和解码器更加适配。

下图是GPT预训练过程的模型结构（左），这里只展示需要更新参数的部分。可以看出来如果去掉Transformer解码器的中间部分（右），这两者就没有什么区别了。

下面的式子是介绍了这个模型是如何进行计算的。

$h_0=UW_e+W_p$

$h_l=transformer\_block(h_{l-1}) \forall i\in [1,n]$

$P(u)=softmax(h_nW_e^T)$

$U$ 就是一个长度为 $k$ 的序列，我们现在要预测这个序列的下一个词。

输入 $U$ ，经过在输入transformer block之前一次变换，乘上矩阵 $W_e$ （文本嵌入text embed），然后加上矩阵 $W_p$ （位置嵌入position embed）。

随后输入n个中间的transformer block，每个transformer block依次包含：带掩码的多头自注意力模块、残差层、层标准化、前馈模块（线性层+激活函数+线性层）、残差层、层标准化，最后输出一个 $h_n$ 。

随后进入线性层，然后再做softmax进行输出。左图最上面的text prediction相当于右图顶部线性层或线性层加softmax操作的部分，左图所有可更新参数在预训练中均需要进行更新。

2.2 微调（Fine-tuning）

2.2.1 优化目标

微调这个部分的优化目标如下，是两个目标函数的加和。

$L_3(C)=L_2(C)+\lambda L_1(C)$

$L_2(C)=\sum_{x,y}\log P(y|x^1,...,x^m)$

其中 $C$ 是带标记的数据集，里面每一个数据都包括一个tokens序列 $x^1$ 到 $x^m$ ，和对应的一个标签 $y$ 。

$L_1$ 是预训练阶段介绍过的目标函数，只不过数据集从 $U$ 变成了 $C$ ，但是实际上没有本质的区别，因为在这一部分是没有用到标签的。

$\lambda$ 是一个超参数，用于调整对 $L_1$ 整体目标函数的贡献程度。

从 $L_2$ 的函数形式也可以看出这是一个联合概率分布的形式，这里的概率 $P$ 表示通过给定的序列，预测对应标签的概率。

2.2.2 模型结构

下图还是和刚才一样的GPT的结构，只是上面多了一部分，这部分task classifier是在微调过程中新加上去的，在预训练过程中没有使用到这部分结构。

简单来讲，text prediction部分是计算 $L_1$ 里面的概率需要用到的部分，task classifier是计算 $L_2$ 里面的概率需要用到的。在预训练过程中，需要更新text prediction线性层、transformer block、tokens & position embedding的参数，而在微调过程中，需要同时更新全部参数（即上述模块参数加上task classifier的参数）。

使用 $L_1$ 作为辅助优化目标有两点好处，首先能够提高模型的泛化能力，第二是能够加速收敛。

2.3 输入变换（Input transformation）

下面我们介绍一下最后的这个部分，也就是输入变换部分。下图给出了几种NLP任务输入数据的输入变换形式。

为什么要进行输入变换呢？

首先对于某些任务，比如文本分类，直接就可以用上面说的模型执行任务。但对于有些任务，是需要结构化的输入的，比如文本蕴涵问题的输入可能是句子对，问题回答是任务文本、问题、答案的三元组。

通过对输入进行变换，就避免了针对特定任务的模型结构的改变。

上面给出了自然语言处理四个常见的任务的输入变换形式。第一个文本分类任务的输入变换形式，就是在文本前后都加上一个标记。第二个文本蕴涵任务因为是给出一段文本，然后提出一个假设，看这段文本能否支持后面这个假设，所以就是前面放一个开始的标记，然后放上一段文本，中间放一个分隔符，再接上假设，最后是一个终止标记。其他的也是进行类似的变换。

3 模型实验

到这里，GPT的模型框架就已经介绍完了。文章在后面还对他们训练的模型进行了实验测试，这里就简单介绍一下结果。

首先他们预训练使用的是BooksCorpus数据集，里面包含7000多本很多未出版的书。下面这个表格是是针对不同任务使用的数据集。

下图表格就是最后的测试结果，上面几行是之前的模型的测试效果，最下面一行是他们这个模型的测试效果。最后得出的结果就是，他们在12个测试的数据集中，在9个数据集上取得了比之前的模型更好的成绩，而且他们这个模型在不同大小的数据集上都体现出了良好的效果。

他们还进行了一些其他的实验，下图左侧这幅图是测试的模型层数对测试准确率的影响，发现随着层数增加到当前版本的层数，准确率是越来越高的，所以得出结论认为每一层都包含了解决目标任务的有用功能。

下图右侧这幅图是一个zero-shot实验，zero-shot实验就是在不进行微调过程的情况下，直接测试针对特定任务的效果，其实GPT是具有这个潜力的，因为它在预训练过程中使用了非常大量的未标记的文本，就比如你要让它执行一个问题回答的任务，他可能在那些未标记的数据中已经见过了大量的问答形式的文本，虽然没有人专门告诉他，问题回答任务是别人给一个问题，你要给出一个答案，但是它在预训练过程就培养出来了这样的语感，就是一段文本就是一个问题，后面就应该跟上它的答案。Zero-shot的效果也是他们在后续改进过程中关注的内容。从这张图同颜色的实线与虚线对比，可以看出来在zero-shot表现上，这个模型是要优于LSTM网络的。

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/我家自动化/article/detail/354408?site