😄 花一个小时快速跟着 人生导师-李沐 过了一遍GPT, GPT-2, GPT-3。下面精简地总结了GPT系列的模型结构+训练范式+实验。

1、GPT

论文：《Improving Language Understanding by Generative Pre-Training》, OpenAI

1.1、模型结构：

• GPT基于transformer的decoder结构。

1.2、范式：预训练 + finetune

也是自监督预训练 (语言模型)+微调的范式。

• 预训练：用的是标准的语言模型的目标函数，即似然函数，根据前k个词预测下一个词的概率。
• 微调：用的是完整的输入序列+标签。目标函数=有监督的目标函数+λ*无监督的目标函数。
• 改变输入形式，接上对应下游任务的层，就可实现不同下游任务。
  

1.3、实验部分:

• 使用BookCorpus数据集训练，包括7000篇未发表的书
• 模型使用12层trm的解码器，每层维度768

2、GPT-2

《Language Models are Unsupervised Multitask Learners》, OpenAI

2.1、模型结构

• GPT-2也是基于transformer的decoder结构。

2.2、范式：预训练 + zero-shot

• GPT-2可以在zero-shot设定下实现下游任务，即不需要用有标签的数据再微调训练。
• 为实现zero-shot，下游任务的输入就不能像GPT那样在构造输入时加入开始、中间和结束的特殊字符，这些是模型在预训练时没有见过的，而是应该和预训练模型看到的文本一样，更像一个自然语言。
• 可以通过做prompt模版的方式来zero-shot。例如机器翻译和阅读理解，可以把输入构造成，“请将下面的一段英语翻译成法语，英语，法语”。

zero-shot, one-shot, few-shot的区别：

2.3、实验

• 数据从Reddit中爬取出来的优质文档，共800万个文档，40GB。
• GPT-2参数量1.5B，15亿。
• 模型越大，效果越好。
• 所以考虑用更多的数据，做更大的模型，于是GPT-3应运而生。

3、GPT-3

《Language Models are Few-Shot Learners》, OpenAI

• GPT-2虽然提出zero-shot，比bert有新意，但是有效性方面不佳。GPT-3考虑few-shot，用少量文本提升有效性。
• 总结：GPT-3大力出奇迹！

3.1、模型结构：

• GPT基于transformer的decoder结构。
• GPT-3模型和GPT-2一样，GPT-2和GPT-1区别是初始化改变了，使用pre-normalization，以及可反转的词元。GPT-3应用了Sparse Transformer中的结构。提出了8种大小的模型。

3.2、范式：预训练 + few-shot

论文尝试了如下方案，评估方法：few-shot learning（10-100个小样本）；one-shot learning（1个样本）；zero-shot（0个样本）；其中few-shot效果最佳。

• fine-tuning：预训练 + 训练样本计算loss更新梯度，然后预测。会更新模型参数
• zero-shot：预训练 + task description + prompt，直接预测。不更新模型参数
• one-shot：预训练 + task description + example + prompt，预测。不更新模型参数
• few-shot：预训练 + task description + examples + prompt，预测。不更新模型参数

3.3、实验

• GPT-3参数量1750亿。
• 爬取一部分低质量的Common Crawl作为负例，高质量的Reddit作为正例，用逻辑回归做二分类，判断质量好坏。接下来用分类器对所有Common Crawl进行预测，过滤掉负类的数据，留下正类的数据；去重，利用LSH算法，用于判断两个集合的相似度，经常用于信息检索；
• 加入之前gpt，gpt-2，bert中使用的高质量的数据

3.4、GPT-3局限性

• 生成长文本依旧困难，比如写小说，可能还是会重复；
• 语言模型只能看到前面的信息；
• 语言模型只是根据前面的词均匀预测下一个词，而不知道前面哪个词权重大；
• 只有文本信息，缺乏多模态；
• 样本有效性不够；
• 模型是从头开始学习到了知识，还是只是记住了一些相似任务，这一点不明确；
• 可解释性弱，模型是怎么决策的，其中哪些权重起到决定作用？
• 负面影响：可能会生成假新闻；可能有一定的性别、地区及种族歧视