【LLM系列之GPT】GPT（Generative Pre-trained Transformer）生成式预训练模型

GPT模型简介

GPT（Generative Pre-trained Transformer）是由OpenAI公司开发的一系列自然语言处理模型，采用多层Transformer结构来预测下一个单词的概率分布，通过在大型文本语料库中学习到的语言模式来生成自然语言文本。GPT系列模型主要包括以下版本：

GPT-1

发布于2018年，参数规模为1.17亿。模型采用Transformer进行特征抽取，首次将Transformer应用于预训练语言模型。预训练的语料库包括英文维基百科、WebText等大规模文本数据。GPT-1是一个单向语言模型，即它只能根据上下文来生成接下来的文本。

GPT-2

发布于2019年，参数规模为15亿。与GPT-1相比，参数规模大了10倍以上，GPT-2生成的文本质量更高，更加自然和流畅，可以生成更长的文本段落。该模型在生成文本方面表现出色，能够编故事甚至生成假新闻，但由于其潜在的滥用风险，OpenAI公司选择不公开发布其完整参数和源代码。

GPT-3

发布于2020年，参数规模为1750亿。该模型在自然语言处理方面的表现十分出色，可以完成文本自动补全、将网页描述转换为相应代码、模仿人类叙事等多种任务。GPT-3可以通过少量的样本进行零样本学习，即在没有进行监督训练的情况下，可以生成合理的文本结果。

GPT-3的出现标志着语言模型的发展进入了一个新的阶段，其生成的文本质量已经接近人类水平，在众多领域具有应用潜力，隐藏的伦理安全问题需引起关注和重视。

GPT-4

发布于2023年。GPT-4是一个大型多模态模型，支持图像和文本输入，再输出文本回复。

虽然在许多场景中其表现与人类存在差距，但GPT-4在某些专业和学术测试中表现出拥有专业人士的水平：它通过了模拟美国律师资格考试，且成绩在应试者中排名前10%左右；在SAT阅读考试中得分排在前7%左右。

GPT系列模型核心知识点-人民邮电报

GPT-1模型

论文题目：《Improving Language Understanding by Generative Pre-Training》
论文链接：https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/language-unsupervised/language_understanding_paper.pdf

模型结构

GPT 使用 Transformer 的 Decoder 结构，并对 Transformer Decoder 进行了一些改动，原本的 Decoder 包含了两个 Multi-Head Attention 结构，GPT 只保留了 Mask Multi-Head Attention，如下图所示:

GPT 使用句子序列预测下一个单词，因此要采用 Mask Multi-Head Attention 对单词的下文遮挡，防止信息泄露。例如给定一个句子包含4个单词 [A, B, C, D]，GPT 需要利用 A 预测 B，利用 [A, B] 预测 C，利用 [A, B, C] 预测 D。如果利用A 预测B的时候，需要将 [B, C, D] Mask 起来。

Mask 操作是在 Self-Attention 进行 Softmax 之前进行的，具体做法是将要 Mask 的位置用一个无穷小的数替换 -inf，然后再 Softmax，如下图所示。

Softmax 之前需要 Mask

GPT Softmax

可以看到，经过 Mask 和 Softmax 之后，当 GPT 根据单词 A 预测单词 B 时，只能使用单词 A 的信息，根据 [A, B] 预测单词 C 时只能使用单词 A, B 的信息。这样就可以防止信息泄露。

下图是 GPT 整体模型图，其中包含了 12 个 Decoder。

使用字节对编码（byte pair encoding，BPE），共有40000个字节对；
词编码的长度为768；
位置编码也需要学习；
12层的transformer，每个transformer块有12个头；
位置编码的长度是3072；
Attention，残差，Dropout等机制用来进行正则化，drop比例为0.1 ；激活函数为GLEU；
训练的batchsize为64，学习率为2.5e-4 ，序列长度为512，序列epoch为100；
模型参数数量为1.17亿。

无监督预训练

无监督的预训练（Pretraining），具体来说，给定一个未标注的预料库 $U=\{u_{1},u_{2},...,u_{n}\}$ ，我们训练一个语言模型，对参数进行最大（对数）似然估计：

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

其中，k 是上下文窗口的大小，P 为条件概率， $\Theta$ 为条件概率的参数，参数更新采用随机梯度下降（GPT实验实现部分具体用的是Adam优化器，并不是原始的随机梯度下降，Adam 优化器的学习率使用了退火策略）。

训练的过程也非常简单，就是将 n 个词的词嵌入 $W_{e}$ 加上位置嵌入 $W_{p}$ ，然后输入到 Transformer 中，n 个输出分别预测该位置的下一个词

可以看到 GPT 是一个单向的模型，GPT 的输入用 $h_{0}$ 表示，0代表的是输入层， $h_{0}$ 的计算公式如下

$h_{0}=UW_{e}+W_{p}$

$W_{e}$ 是token的Embedding矩阵， $W_{p}$ 是位置编码的 Embedding 矩阵。用 voc 表示词汇表大小，pos 表示最长的句子长度，dim 表示 Embedding 维度，则 $W_{p}$ 是一个 pos×dim 的矩阵， $W_{e}$ 是一个 voc×dim 的矩阵。在GPT中，作者对position embedding矩阵进行随机初始化，并让模型自己学习，而不是采用正弦余弦函数进行计算。

得到输入 $h_{0}$ 之后，需要将 $h_{0}$ 依次传入 GPT 的所有 Transformer Decoder 里，最终得到 $h_{n}$ 。

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

n 为神经网络的层数。最后得到 $h_{n}$ 再预测下个单词的概率。

$P(u)=softmax(h_{n}W_{e}^T)$

有监督微调

预训练之后，我们还需要针对特定任务进行 Fine-Tuning。假设监督数据集合 $C$ 的输入 $X$ 是一个序列 $x^1,x^2,...,x^m$ ，输出是一个分类y的标签，比如情感分类任务

我们把 $x^1,..,x^m$ 输入 Transformer 模型，得到最上层最后一个时刻的输出 $h_{l}^m$ ，将其通过我们新增的一个 Softmax 层（参数为 $W_{y}$ ）进行分类，最后用交叉熵计算损失，从而根据标准数据调整 Transformer 的参数以及 Softmax 的参数 $W_{y}$ 。这等价于最大似然估计：

$P(y|x^1,...,x^m)=softmax(h_{l}^mW_{y})$

$W_{y}$ 表示预测输出时的参数，微调时候需要最大化以下函数:

$L_{2}(C)=\sum_{x,y}log P(y|x^1,..,x^m)$

正常来说，我们应该调整参数使得 $L_{2}$ 最大，但是为了提高训练速度和模型的泛化能力，我们使用 Multi-Task Learning，GPT 在微调的时候也考虑预训练的损失函数，同时让它最大似然 $L_{1}$ 和 $L_{2}$

$L_{3}(C)=L_{2}(C)+\lambda \times L_{1}(C)$

这里使用的 $L_{1}$ 还是之前语言模型的损失（似然），但是使用的数据不是前面无监督的数据 $U$ ，而是使用当前任务的数据 $C$ ，而且只使用其中的 $X$ ，而不需要标签y。

针对不同任务，需要简单修改下输入数据的格式，例如对于相似度计算或问答，输入是两个序列，为了能够使用 GPT，我们需要一些特殊的技巧把两个输入序列变成一个输入序列，如下图，可以发现，对这些任务的微调主要是新增线性层的参数以及起始符、结束符和分隔符三种特殊符号的向量参数。

Classification：对于分类问题，不需要做什么修改
文本蕴涵（Entailment）：对于文本蕴涵任务，作者用一个“$”符号将文本和假设进行拼接，并在拼接后的文本前后加入开始符“start”和结束符“end”，然后将拼接后的文本直接传入预训练的语言模型，在模型再接一层线性变换和softmax即可。
文本相似度（Similarity）：对于文本相似度任务，由于相似度不需要考虑两个句子的顺序关系，因此，为了反映这一点，作者将两个句子分别与另一个句子进行拼接，中间用$进行隔开，并且前后还是加上起始和结束符，然后分别将拼接后的两个长句子传入Transformer，最后分别得到两个句子的向量 $h_{l}^{m}$ ，将这两个向量进行元素相加，然后再接如线性层和softmax层。
Multiple-Choice：对于问答和常识推理任务，首先将背景信息与问题进行拼接，然后再将拼接后的文本依次与每个答案进行拼接，最后依次传入Transformer模型，最后接一层线性层得多每个输入的预测值。

subword算法

原理

这里说一下GPT里面使用的subword算法：BPE(byte pair encoding，字节对编码)。作者使用BPE构建模型词表，这一点在GPT论文中被一句话带过，在GPT2论文中有较为详细的介绍为什么使用BPE。简单来说就是对于英文来说，单词特别多，使用word-level级别的词表可能会出现OOV(out of vocabulary)问题，也就是说可能会出现inference的时候某些单词不在词表中的情况。而使用byte-level字符级别的词表，英文只有26个字母，不会出现OOV问题，但是把每个单词拆成一个个字符会丧失语义信息，导致模型的性能不如使用word-level词表的模型。
为了解决这个问题，subword算法被提出，它是word-level和byte-level的折中，将单词拆成一个个子串，比如：greatest拆成 great 和 ##est 。

BPE(字节对)编码或二元编码是一种简单的数据压缩形式，其中最常见的一对连续字节数据被替换为该数据中不存在的字节[2]。后期使用时需要一个替换表来重建原始数据。OpenAI GPT-2 与Facebook RoBERTa均采用此方法构建subword vector.

优点

可以有效地平衡词汇表大小和步数(编码句子所需的token数量)。

缺点

基于贪婪和确定的符号替换，不能提供带概率的多个分片结果。

算法

准备足够大的训练语料
确定期望的subword词表大小
将单词拆分为字符序列并在末尾添加后缀“ </ w>”，统计单词频率。本阶段的subword的粒度是字符。例如，“ low”的频率为5，那么我们将其改写为“ l o w </ w>”：5
统计每一个连续字节对的出现频率，选择最高频者合并成新的subword
重复第4步直到达到第2步设定的subword词表大小或下一个最高频的字节对出现频率为1
停止符"“的意义在于表示subword是词后缀。举例来说：“st"字词不加”“可以出现在词首如"st ar”，加了”“表明改字词位于词尾，如"wide st”，二者意义截然不同。

每次合并后词表可能出现3种变化：

+1，表明加入合并后的新字词，同时原来的2个子词还保留（2个字词不是完全同时连续出现）
+0，表明加入合并后的新字词，同时原来的2个子词中一个保留，一个被消解（一个字词完全随着另一个字词的出现而紧跟着出现）
-1，表明加入合并后的新字词，同时原来的2个子词都被消解（2个字词同时连续出现）实际上，随着合并的次数增加，词表大小通常先增加后减小。

例子

输入：

{'l o w </w>': 5, 'l o w e r </w>': 2, 'n e w e s t </w>': 6, 'w i d e s t </w>': 3}

Iter 1, 最高频连续字节对"e"和"s"出现了6+3=9次，合并成"es"。输出：

{'l o w </w>': 5, 'l o w e r </w>': 2, 'n e w es t </w>': 6, 'w i d es t </w>': 3}

Iter 2, 最高频连续字节对"es"和"t"出现了6+3=9次, 合并成"est"。输出：

{'l o w </w>': 5, 'l o w e r </w>': 2, 'n e w est </w>': 6, 'w i d est </w>': 3}

Iter 3, 以此类推，最高频连续字节对为"est"和"" 输出：

{'l o w </w>': 5, 'l o w e r </w>': 2, 'n e w est</w>': 6, 'w i d est</w>': 3}

……

Iter n, 继续迭代直到达到预设的subword词表大小或下一个最高频的字节对出现频率为1

GPT特点

优点

特征抽取器使用了强大的 Transformer，能够捕捉到更长的记忆信息，且较传统的 RNN 更易于并行化；
方便的两阶段式模型，先预训练一个通用的模型，然后在各个子任务上进行微调，减少了传统方法需要针对各个任务定制设计模型的麻烦。

缺点

GPT 最大的问题就是传统的语言模型是单向的；我们根据之前的历史来预测当前词。但是我们不能利用后面的信息。比如句子 The animal didn’t cross the street because it was too tired。我们在编码 it 的语义的时候需要同时利用前后的信息，因为在这个句子中，it 可能指代 animal 也可能指代 street。根据 tired，我们推断它指代的是 animal。但是如果把 tired 改成 wide，那么 it 就是指代 street 了。Transformer 的 Self-Attention 理论上是可以同时关注到这两个词的，但是根据前面的介绍，为了使用 Transformer 学习语言模型，必须用 Mask 来让它看不到未来的信息，所以它也不能解决这个问题。

GPT 与 ELMo，BERT的区别

GPT 与 ELMo 的区别：

模型架构不同：ELMo 是浅层的双向 RNN；GPT 是多层的 Transformer encoder
针对下游任务的处理不同：ELMo 将词嵌入添加到特定任务中，作为附加功能；GPT 则针对所有任务微调相同的基本模型

GPT 与 BERT 的区别

预训练：GPT 预训练的方式和传统的语言模型一样，通过上文，预测下一个单词；GPT 预训练的方式是使用 Mask LM，可以同时通过上文和下文预测单词。例如给定一个句子 $u_{1},u_{2},...,u_{n}$ ，GPT在预测单词 $u_{i}$ 的时候只会利用 $u_{1},u_{2},...u_{i-1}$ 的信息。而BERT会同时利用 $u_{1},u_{2},...,u_{i-1},u_{i+1},...,u_{n}$ 的信息。
模型效果： GPT 因为采用了传统语言模型所以更加适合用于自然语言生成类的任务 (NLG)，因为这些任务通常是根据当前信息生成下一刻的信息。而 BERT 更适合用于自然语言理解任务 (NLU)。
模型结构：模型结构：GPT 采用了 Transformer 的 Decoder，而 BERT 采用了 Transformer 的 Encoder。GPT 使用 Decoder 中的 Mask Multi-Head Attention 结构，在使用 $u_{1},u_{2},..,u_{i-1}$ 预测单词 $u_{i}$ 的时候，会将 $u_{i}$ 之后的单词 Mask 掉。

这张图快糊了…

实验结果

推理任务的实验结果：

问题回答和常识推理的实验结果：

语义相似度和分类的实验结果：

下图左边展示的预训练语言模型中 Transformer 层数对结果的影响；右图展示了预训练不用 Fine-tuning 而直接使用预训练网络来解决多种类型任务的结果，横坐标为更新次数，纵坐标为模型相对表现：