GPT-1 - 技术栈

GPT 系列是 OpenAI 的一系列预训练模型，GPT 的全称是 Generative Pre-Trained Transformer，顾名思义，GPT 的目标是通过 Transformer，使用预训练技术得到通用的语言模型。目前已经公布论文的有 GPT-1、GPT-2、GPT-3。

最近非常火的 ChatGPT 也是 GPT 系列模型，主要基于 GPT-3.5 进行微调。OpenAI 团队在 GPT3.5 基础上，使用人类反馈强化学习 (RLHF) 训练。首先使用了人类标注师撰写约1.2w-1.5w条问答数据，并用其作为基础数据预训练。随后让预训练好的模型（SFT）针对新问题列表生成若干条回答，并让人类标注师对这些回答进行排序。这些回答的排名内容将以配对比较的方式生成一个新的奖励模型（RM）。最后让奖励模型在更大的数据集上重新训练SFT，并将最后两个步骤反复迭代以获得最终的模型。

在介绍 GPT-1 之前，我们先让 ChatGPT 帮我们回答下 GPT 系列模型的基础信息，如下图所示。

前言

GPT-1 是 OpenAI 在论文 Improving Language Understanding by Generative Pre-Training 中提出的生成式预训练语言模型。该模型的核心思想：通过二段式的训练，第一个阶段是利用语言模型进行预训练（无监督形式），第二阶段通过 Fine-tuning 的模式解决下游任务（监督模式下）。GPT-1 可以很好地完成若干下游任务，包括文本分类、文本蕴含、语义相似度、问答。在多个下游任务中，微调后的 GPT-1 系列模型的性能均超过了当时针对特定任务训练的 SOTA 模型。

**备注：**文本蕴含（Textual entailment）是指两个文本片段有指向关系。给定一个前提文本，根据这个前提去推断假说文本与前提文本的关系，一般分为蕴含关系（entailment）和矛盾关系（contradiction），蕴含关系表示从前提文本中可以推断出假说文本；矛盾关系即前提文本与假说文本矛盾。

1. GPT-1 模型结构

GPT-1模型结构

从上图可以看出，GPT-1 只使用了 Transformer 的 Decoder 结构，而且只是用了 Mask Multi-Head Attention。

Transformer 结构提出是用于机器翻译任务，机器翻译是一个序列到序列的任务，因此 Transformer 设计了Encoder 用于提取源端语言的语义特征，而用 Decoder 提取目标端语言的语义特征，并生成相对应的译文。GPT-1 目标是服务于单序列文本的生成式任务，所以舍弃了关于 Encoder 部分以及包括 Decoder 的 Encoder-Dcoder Attention 层（也就是 Decoder中的 Multi-Head Atteion）。

GPT-1 保留了 Decoder 的Masked Multi-Attention 层和 Feed Forward 层，并扩大了网络的规模。将层数扩展到12层，GPT-1 还将Attention 的维数扩大到768（原来为512），将 Attention 的头数增加到12层（原来为8层），将 Feed Forward 层的隐层维数增加到3072（原来为2048），总参数达到1.5亿。

将预训练和 Fine-tuning 结合起来，GPT-1 的结构可以用下面的图表示：

图2：GPT-1 结构（包含预训练与 Fine-tuning）

图中最下层 E 表示输入句子单词的 Embedding，中间的 Trm 表示 GPT 的单层 Transformer，最上层的 T 表示预测输出。

除了上面提到的，GPT-1 的 Transformer 结构还有哪些差异？

Q1：GPT-1 采用的是单向的语言模型？

A1：在 GPT 中采用了 Masked Multi-Head Attention，而 Masked Multi-Head Attention 只利用上文对当前位置的值预测，所以 GPT-1 被认为是单向的语言模型。

Q2：GPT-1 中 Position Encoding 的操作有何不同？

A2：在 Transformer 中，由于 Self-Attention 无法捕获文本的位置信息，因此需要对输入的词 Embedding 加入Position Encoding，在 Transformer 中采用了 sin 和 cos 的计算方法，而在 GPT-1 中，不再使用正弦和余弦的位置编码，而是采用与词向量相似的随机初始化，并在训练中进行更新。

从图1的最右侧可以看到，GPT-1 的训练包含两阶段，第一阶段是 GPT-1 模型的预训练过程，得到文本的语义向量；第二阶段是在具体任务上 Fine-tuning，以解决具体的下游任务。

2. 第一阶段：无监督预训练

对于 GPT-1 模型的预训练，同样采用标准语言模型，即通过上文预测当前的词，目标函数表示如下：

其中k是窗口大小。

GPT-1 使用了12个 Transformer 模块，这里的 Transformer 模块是图1经过变体后的结构，只包含 Decoder 中的Mask Multi-Head Attention 以及后面的 Feed Forward，表示如下：

其中是当前单词u的上文单词向量（比如 $3222, 439, 150, 7345, 3222, 439, 6514, 7945$ ，其中数字3222是词在此表中的索引），是词向量矩阵 （词的 Embedding 矩阵），是 position embedding， n是 Transformer 层数。