GPT建模实战： GPT建模与预测实战-CSDN博客
OpenAI的GPT（Generative Pre-trained Transformer）系列模型是自然语言处理领域的重要里程碑。从2018年至2020年，该公司相继推出了GPT-1、GPT-2和GPT-3，这些模型在文本生成和理解方面表现出了强大的能力。
GPT-1发布于2018年6月，它是基于约5GB的文本数据进行训练的，模型参数量为1.17亿。尽管参数量相对较少，但GPT-1已经展示出了强大的自然语言生成和理解能力。
仅仅几个月后，OpenAI在2019年2月推出了GPT-2。与GPT-1相比，GPT-2的训练数据量大幅增加，达到了约40GB，并且模型参数量也增加到了15亿。这使得GPT-2在自然语言处理任务中的性能得到了显著提升。
到了2020年5月，OpenAI进一步推出了GPT-3，这是一个划时代的模型。GPT-3的训练数据量达到了惊人的45TB，并且模型参数量也激增到了1750亿。这使得GPT-3在文本生成、语言理解、对话系统等多个方面都取得了前所未有的突破。
1.GPT-1
GPT，全称为"Generative Pre-Training"，代表生成式的预训练模型， 是自然语言处理领域的重要技术之一。2018年，NLP领域竞争激烈，BERT和GPT是其中的佼佼者。尽管两者都很强大，但GPT因其需要预测未来的词，训练难度相对更大。BERT擅长通过完型填空理解上下文 ，适合文本分类和实体识别；值得一提的是，**GPT作为自回归模型，**专注于通过预测未来的词来生成文本，适合文本生成等任务。
那么什么叫做自回归模型呢？
例子：
英文原句：The weather is beautiful today.
当我们把这句英文输入到自回归的翻译模型中时，模型会按照以下步骤进行翻译：
-
开始符号 ：模型首先处理一个特殊的开始符号（比如
<BOS>，表示Beginning Of Sentence），这告诉模型它要开始生成一个句子了。 -
逐个词生成：模型首先会预测第一个词。根据英文原句和模型之前学习到的语言模式，它可能会预测出"今天"作为中文翻译的第一个词。
-
迭代预测：接下来，模型会将"今天"作为上下文，并预测下一个词。继续这个过程，模型可能会预测出"天气"作为第二个词。
-
继续生成：模型继续以之前生成的词为上下文，预测下一个词，直到生成完整的中文句子。在这个例子中，完整的翻译可能是"今天天气很好"。
-
结束符号 ：模型在生成完整个句子后，会预测一个特殊的结束符号（比如
<EOS>，表示End Of Sentence），标志着翻译的完成。
在这个过程中，自回归模型利用了之前生成的词作为上下文来预测下一个词，逐步构建出完整的翻译结果。这种逐个词生成的方式是自回归模型的核心特点，使得模型能够处理变长的文本序列，并生成自然流畅的翻译。
（1）网络结构
Bert与GPT整体的网络结构都是采用Transformer，但是由于Bert有上下文，其网络结构类似于Transformer的编码器，而GPT需要根据前文进行预测，其网络结构相当于Transformer的解码器。其损失函数就是预测下一个词的损失。
（2）GPT-1的缺陷
GPT-1的缺陷在于，所有下游任务都需要微调，这会带来巨大的成本，且模型的应用场景也有限。
2.GPT-2
GPT-2 是一个强大的生成式预训练模型，而 "zero-shot" 指的是模型在没有针对特定任务进行训练或微调的情况下，仅通过给定的提示或上下文来执行任务的能力。这种方法利用了模型在预训练阶段学习到的广泛知识和推理能力
在传统的机器学习方法中，通常需要为每个下游任务收集标注数据并进行训练或微调。然而，GPT-2 等大型预训练模型的出现改变了这一范式。这些模型在海量无标注数据上进行预训练，学习到了丰富的语言知识和推理能力，使得它们能够在不经过额外训练的情况下处理多种下游任务。
当面对一个新的下游任务时，**我们可以通过为模型提供适当的提示或上下文来"暗示"它需要完成的任务。**例如，如果我们想让 GPT-2 完成一个文本分类任务，我们可以在输入文本后添加一个描述分类目标的提示，如"请判断这段文本的情感倾向是正面还是负面"。由于 GPT-2 在预训练阶段已经学习到了大量的语言知识和推理模式，它能够根据这些提示理解任务需求，并生成相应的输出。
这种方法的优势在于无需为每个下游任务收集标注数据和进行训练，大大降低了任务的成本和复杂度。同时，由于模型在预训练阶段已经学习到了丰富的知识，它在处理下游任务时能够表现出色。
（1）采样策略
自回归模型在文本生成时，有时可能会陷入重复的模式，如连续输出相同的词汇或短语，导致生成的文本缺乏多样性。如：成语接龙：一一得一，一一得一，一一得一，一一得一，一一得一。为了避免这种情况，需要采取一些采样策略来增加生成的多样性和减少重复。
一种常见的策略是温度采样 ，通过调整概率分布来增加低概率词的选择机会，从而提高输出的多样性。此外，还有Top-K采样和Top-p（Nucleus）采样等方法，它们通过选择概率较高的词汇集合，并从中随机采样，以在保持文本质量的同时增加多样性。
温度采样
温度就是说对预测结果进行概率重新设计，默认温度为1就相当于直接使用softmax，温度越高相当于多样性越丰富（雨露均沾），温度越低相当于越希望得到最准的那个。
其实现方式相当于向量在进入softmax之前，同时除以一个温度
Top-K和Top-P
Top-K和Top-P是两种常用的采样策略，用于在文本生成等任务中控制模型的输出，确保生成的结果既合理又具有多样性。
Top-K采样：
- 在Top-K采样中，模型会预测下一个可能的词的概率分布，然后选择概率最高的K个词作为候选词。例如，如果设定K为10，那么模型就只会从概率最高的10个词中进行选择。
Top-P（Nucleus）采样：
- Top-P采样则是一种更为灵活的采样方式。它不是选择固定数量的最高概率词，而是选择一个概率阈值P（比如0.9或0.95），然后累加概率直到达到或超过这个阈值。
Top-K和Top-P采样都是为了剔除那些特别离谱的结果，确保模型生成的文本既合理又具有多样性。在实际应用中，可以根据具体需求和场景来选择适合的采样策略。
3.GPT-3
由于GPT-3庞大的规模和在大量文本数据上的预训练，GPT-3 能够在不进行特定任务微调的情况下，通过提供适当的提示（prompts）来执行多种自然语言处理任务。这种能力被称为"零样本学习"或"少样本学习"，它使得 GPT-3 在很多应用中都非常灵活和强大。
有3种核心的下游任务方式：
- zero shot,完全不提供示例
- one shot，提供1个示例
- few shot，提供少量示例
当然，给的示例越多，效果越好
（1）准备数据
在准备用于训练或微调GPT3模型的数据集时，同样需要关注数据的规模和质量。GPT3作为一个大规模预训练语言模型，对数据的要求更为严格，以确保其能够充分理解和学习语言的复杂模式和上下文关系。
首先，数据集需要足够大，因为GPT3模型具有庞大的参数数量，需要大量的数据来充分训练和优化。通过收集大量的文本数据，可以帮助模型更好地学习和生成自然、连贯的语言。
其次，数据的清洁和质量判断也是关键步骤。由于GPT3对文本的理解和生成能力非常强大，因此任何错误或低质量的文本都可能对模型产生负面影响。在准备数据时，需要对爬取的网页或其他文本来源进行质量评估和清洗，以确保数据的准确性和可靠性。
针对网页数据的准备，可能需要利用自然语言处理和机器学习技术对网页进行分类和筛选。通过构建分类器来判断网页的质量和内容相关性，从而剔除重要性低或质量差的网页。这一步骤对于提高GPT3模型的性能至关重要。
此外，如果之前有过类似的训练数据或前几代版本的GPT模型数据，可以将这些数据与新收集的数据进行整合。通过结合历史数据，可以帮助GPT3模型更好地学习和理解语言的演变和变化。
最后，在数据准备完成后，就可以开始进行GPT3模型的训练或微调了。通过充分利用高质量、大规模的数据集，可以训练出更加准确、流畅的语言模型，为用户提供更好的语言生成和理解体验。
（2）evaluating Large Language Models Trained on Code
使用GPT-3在github的代码上信息重新训练，将GPT-3应用于代码生成领域。
4.chat gpt
(1)GPT系列的问题
GPT前三代版本的文本生成模型遇到的问题是，文本生成的内容可能无法满足人的需求。同时也面临一个困境，即GPT如何不仅仅是文本生成模型，具备人的逻辑？
(2)有监督学习
这时候，我们就需要有监督学习了，即使用有监督数据对具备强大特征表示的预训练模型进行微调。需要说明的是，有监督学习优先是学习敏感的话题的回答。
(3)强化模型
在有监督模型中，预测对就是对，错就是错，但是对于生成的文本来说，我们真的能够轻易的判断对错吗？
而强化学习只是对生成的文本进行评判，即评判生成文本的满意程度。
奖励模型
首先，使用人工标注得到的各种预测结果，然后使用标注数据进行训练。
此时，损失约束的是让得分预测高的和得分预测低的差异足够大。
需要说明的是，这里使用的gpt是经过蒸馏的6亿参数版本的GPT。
强化学习更新参数
首先，使用强化模型PPO更新模型参数，此时既要更新GPT的参数，又要更新奖励模型的参数。即使二者互相提升，互相促进。
损失函数如下：损失函数不仅考虑了预测结果，还考虑的模型的泛化能力
整体思想与一篇论文很相似：Learning to summarize from human feedback
多个维度效果都有提升
