论文地址 ：Improving Language Understanding by Generative Pre-Training
概述
现实世界中包含了大量的文本语料数据，然而，绝大多数语料都是无标签的。
为了充分利用这些无标签语料库，GPT1.0提出直接利用这些未标记的语料来进行生成式预训练 ，然后对每个特定任务进行判别式微调（在标注数据上），从而显著提升在这些任务上的性能。
文中涉及的主要NLP任务包括：
-
Textual Entailment：文本蕴含，即给定一个前提文本（premise），根据这个前提文本去推断假说文本（hypothesis）与前提文本之间的关系，关系包括蕴含和矛盾两种。蕴含关系指能从前提文本推断出假说文本，而矛盾关系则指前提文本与假锁文本相矛盾。
-
Question Answer：理解用户提出的问题并从文本或知识库中找到准确的答案。
-
Semantic Similarity Assessment：计算文本之间的相似度。
-
Document Classification：文本分类任务。
下面将对GPT-1的框架进行详细的介绍。
GPT框架
GPT-1遵循了Transformer架构，但模型仅基于Transformer的解码器构建。
模型的训练流程分为两个阶段：预训练和微调。
无监督预训练
给定无监督token语料库 U = { u 1 , ... , u n } \mathcal{U}=\left\{u_1, \ldots, u_n\right\} U={u1,...,un}，模型使用标准的语言建模目标来最大化如下似然函数：
L 1 ( U ) = ∑ i log P ( u i ∣ u i − k , ... , u i − 1 ; Θ ) L_1(\mathcal{U})=\sum_i \log P\left(u_i \mid u_{i-k}, \ldots, u_{i-1} ; \Theta\right) L1(U)=i∑logP(ui∣ui−k,...,ui−1;Θ)
其中 k k k表示上下文窗口大小，条件概率 P P P通过具有参数 Θ \Theta Θ的神经网络来建模。
想了解最大似然估计的可以参考这篇文章：一文搞懂极大似然估计
在本文中，神经网络采用的是多层Transformer编码器，该模型对输入的上下文词馈送到神经网络中，然后通过线性层生成目标词的输出分布：
h 0 = U W e + W p h l = transformer_block ( h l − 1 ) ∀ i ∈ [ 1 , n ] P ( u ) = softmax ( h n W e T ) \begin{aligned} h_0 & =U W_e+W_p \\ h_l & =\operatorname{transformer\_ block}\left(h_{l-1}\right) \forall i \in[1, n] \\ P(u) & =\operatorname{softmax}\left(h_n W_e^T\right) \end{aligned} h0hlP(u)=UWe+Wp=transformer_block(hl−1)∀i∈[1,n]=softmax(hnWeT)
其中 U = ( u − k , ... , u − 1 ) U=\left(u_{-k}, \ldots, u_{-1}\right) U=(u−k,...,u−1)表示词的上下文向量， n n n是层数， W e W_e We是词嵌入矩阵， W p W_p Wp是位置嵌入矩阵，两者都是可学习的。
有监督微调
在完成预训练后，GPT-1根据有监督的目标任务对预训练模型的参数进行调整。
假设存在带标签的数据集 C \mathcal{C} C，其中每个实例由一个输入词序列 ( x 1 , ... , x m ) (x^1, \ldots, x^m) (x1,...,xm)和相应的标签 y y y组成。将输入传入预训练模型来获取输入表示 h l m h_l^m hlm，然后将其输入一个额外的线性输出层预测 y y y， W y W_y Wy表示该层的可学习参数：
P ( y ∣ x 1 , ... , x m ) = softmax ( h l m W y ) P\left(y \mid x^1, \ldots, x^m\right)=\operatorname{softmax}\left(h_l^m W_y\right) P(y∣x1,...,xm)=softmax(hlmWy)
在学习的过程中需要最大化如下目标：
L 2 ( C ) = ∑ ( x , y ) log P ( y ∣ x 1 , ... , x m ) L_2(\mathcal{C})=\sum_{(x, y)} \log P\left(y \mid x^1, \ldots, x^m\right) L2(C)=(x,y)∑logP(y∣x1,...,xm)
值得注意的是，作者发现将语言建模作为微调的辅助目标有助于学习，因为这可以改善有监督模型的泛化能力和加速收敛 。于是，可以得到如下的优化目标：
L 3 ( C ) = L 2 ( C ) + λ ∗ L 1 ( C ) L_3(\mathcal{C})=L_2(\mathcal{C})+\lambda * L_1(\mathcal{C}) L3(C)=L2(C)+λ∗L1(C)
其中 λ \lambda λ为权重。
可以看出，在微调的过程中，唯一需要学习的参数为 W y W_y Wy，这极大地降低了模型的训练成本，同时也能获取到足够好的效果。
特定任务的输入转换
由于NLP任务的广泛性，各类任务的输入差异显著。像文本分类之类的任务可以像上面描述的那样对模型进行微调，而对于像问答和文本蕴含之类的任务，则需要对输入进行修改，才能适配预训练模型进行有效微调。
下图中对GPT-1中的输入转换提供了一个可视化说明。所有转换都包括添加随机初始化的开始和结束标记 ( < s > , < e > ) (<s>,<e>) (<s>,<e>)。
Textual entailment
对于蕴含任务，用分隔符将前提和假设连接起来，中间用分隔符()$标记。
Similarity
对于相似性任务，由于两个句子没有固有的顺序，因此需要修改输入序列以包含两种可能的句子顺序（句子之间同样包含分隔符）。两个拼接的序列都独立输入到预训练模型中获取序列表示，之后进行相加后输入被馈送到线性输出层。
Question Answering and Commonsense Reasoning
对于知识问答和因果推理，输入中包含一个上下文文档 z z z、一个问题 q q q和一组可能的答案 { a k } \{a_k\} {ak}。GPT-1将将文档上下文和问题与每个可能的答案连接起来，并在其间添加分隔符，即\[z;q;;a_k]$。每个凭借的序列同样都利用模型进行独立处理，然后通过Softmax层进行归一化，以产生可能答案的输出分布。
结语
以上便是本文的全部内容，若是觉得不错可以支持一下博主，你们的支持是博主更新的不竭动力。若是有任何问题也敬请批评指正。