OPENAI做的东西
Openai老窝在爱荷华州,微软投资的数据中心
万物皆可GPT下咱们要失业了?
但是世界不仅仅是GPT
GPT其实也只是冰山一角,2022年每4天就有一个大型模型问世
GPT历史时刻
GPT-1
带回到2018年的NLP
所有下游任务都需要微调(再训练)
GPT-2
以不变应万变,需要注意的 GPT-2中提示是不在训练中的
Temperature
温度的选择还是要根据实际情况来
温度越低,就希望以准确性为第一要务;
温度越高,就注重多样性选择,但准确性就降低了(对应GPT来说就有可能胡说八道了)
Top k与Top p
GPT-3
关键:让模型理解暗示的是什么东西
咱们面向百度编程,它面向人类编程
就是说GPT-3训练的数据包罗万象,上通天文下知地理
3种核心的下游任务方式
其实就是输入例子有几个,打个样
zero-shot
上面的回答我们是没有事先给出参考答案的。
one-shot
GPT回答是:打老板
few-shot
会给出多个例子
例1:
结果:
例2:
3种方式的对比
这三种方式都没有更新模型,相对来说肯定few的效果好一些;
但由于few-shot中模型是没有记住例子的能力的,所以每次提问的时候都需要给出这几个例子,但是问题就是API更贵了,输入序列长度更长了
网络结构
网络结构没啥特别的,就是transformer,但是3.2M的batch有点辣眼睛
CODEX
GPT有点像多领域都涉及,但都不是涉及得很深;而现在很多模型都聚焦于自己擅长的领域,比如说CODEX,用于代码生成。
这其实在告诉我们一件事,GPT可以个性化设置。
Evaluating Large Language Models Trained on Code
用GPT-3模型重新训练(注意不是微调,而是输入数据换成github上爬的数据,都是代码的数据)
我总说面向GITHUB编程,GPT-3这回真把这个事干了
训练数据就是GITHUB,相当于把文档注释和代码结合到一起
输入注释或者文档,来预测代码如何实现,即要面向github编程了