Transformer发展 之 GPT系列模型结构
我按照Transformer的发展路线来学习入门
Transformer–BERT—GPT—DETR—ViT—Swin ViT / DeiT
上一篇写了Transformer，听了李宏毅和李沐老师的课一下子就懂了，今天学习GPT-123
核心思想：
GPT和BERT的区别
还在于目标函数的选取，GPT预测未来，BERT预测中间（完形填空）
GPT核心思想
：无标签文本数据预训练+有标签数据微调
GPT-2核心思想
：只用无标签数据进行预训练，让模型自己学会解决多任务问题
GPT-3核心思想
：不进行梯度更新或者微调，仅使用个别示例与模型进行文本交互，使用参数量更大的模型，大力出奇迹！！！
GPT
简单总结一下：
paper
：Improving Language Understanding by Generative Pre-Training
问题背景
：
无标签的文本很多，但是针对特定任务的有标签文本数据很稀少，导致针对特定任务来训练一个准确的模型很有挑战。
解决方法
：
在无标签数据上训练一个语言模型，在下游具体任务上用有标签数据进行微调
核心思想
：预训练+微调
主要步骤
：采用两段式训练。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），有点类似于迁移学习
模型主要架构
：
1.无监督预训练：
假设输入一个无标签文本U，里面向量为u1…un，GPT使用一个语言模型来极大化这个似然函数，这个语言模型是12层的Transformer中Decoder部分堆叠在一起，这个似然函数（第一个式子）就是在这个语言模型下预测第i个词出现的概率，每次拿K(K为滑动窗口)个连续的词来预测K个词后面那个词的概率，然后选取概率最高的，就是下一个词最可能出现的。后面几个式子相当于Transformer的Decoder数学表达式，具体不懂看Transformer
2.微调：
当预训练后，作者将预训练好的参数直接迁移到下游任务中来。下游任务数据集表示为C，其中数据集中的每一个数据含有一系列的token：x1…xm，标签为y。将这些数据送到预训练好参数的transformer decoder中，将得到的结果用softmax进行分类，得到最后的结果。
作者发现，在做微调时，加入了两个损失函数，一个是预训练时的损失函数L1，一个是分类的损失函数L2。
3.具体任务：
在下游任务输入时，此处还加入了开始符，结束符，间隔符。
模型结构
：
是12层的Transformer-Decoder，并只保留了masked self-attention，这样做是为了保证只保留了masked self-attention，预测第k个词时，只能看见k-1个词的内容。
另外，作者在position encoding上做了调整，使用了可学习的位置编码，不同于transformer的三角函数位置编码
GPT-2
简单总结一下：
paper
：Language Models are Unsupervised Multitask Learners
问题背景
：
使用预训练+微调的方式虽然能解决带标签文本稀少的问题，但是在针对具体任务时，仍然是需要重新训练，泛化性比较差，不能广泛应用。
解决方法
：
与GPT-1不同，GPT-2彻底放弃微调阶段，仅通过大规模多领域的数据预训练，让模型在Zero-shot Learning的设置下自己学会解决多任务的问题语言模型.
核心思想
：在做到下游任务的时候，会用一个叫做zero-shot的设定，zero-shot是说，在做到下游任务的时候，不需要下游任务的任何标注信息，那么也不需要去重新训练已经预训练好的模型。这样子的好处是我只要训练好一个模型，在任何地方都可以用，实现从已知领域到未知领域的迁移学习。
模型主要架构
：
在输入方面：
为了实现zero-shot，下游任务的输入就不能像GPT那样在构造输入时加入开始、中间和结束的特殊字符，这些是模型在预训练时没有见过的，而是应该和预训练模型看到的文本一样，更像一个自然语言。
并且可以把输入构造成，翻译prompt+英语+法语；或问答prompt+文档+问题+答案，可以把前面不同的prompt当做是特殊分割符。
模型Demo
：
GPT2的文本生成能力很强大，有兴趣可以通过这个工具来体验一下
AllenAI GPT-2 Explorer（https://gpt2.apps.allenai.org/?text=Joel%20is）
GPT-3
简单总结一下：
paper
：Language Models are Unsupervised Multitask Learners
问题背景
：
1.每个子任务需要用相关的数据集做微调，因此相关数据集需要标注，否则很难取得不错的效果，而标注数据的成本又是很高的。
2.作者认为虽然fine tuning效果很好，但是还是需要很多标签数据，而且会导致模型学到一些虚假的特征，造成过拟合，使模型泛化性能变差。
解决方法
：
与GPT-1，GPT-2不同，GPT3在应用时不进行梯度更新或者微调，仅使用任务说明和个别示例与模型进行文本交互，并且使用更大的模型，大力出奇迹。
模型主要架构
：
明确地定义了用于评估 GPT-3 的不同设定，包括 zero-shot、one-shot 和 few-shot。
GPT提出了一种in-context learning的方法，就是给出任务的描述和一些参考案例的情况下，模型能根据当前任务描述、参数案例明白到当前的语境，即使在下游任务和预训练的数据分布不一致情况下，模型也能表现很好。注意的是，GPT并没有利用实例进行Fine-tune，而是让案例作为一种输入的指导，帮助模型更好的完成任务。
模型主要和GPT-2相同，区别在于 GPT-3 在 transformer 的各层上都使用了交替密集和局部带状稀疏的注意力模式，类似于 Sparse Transformer。
few-shot
在inference time，只给模型某个特定任务的说明和一些示例，但不进行权重更新
one-shot
在inference time，只给模型某个特定任务的说明和一个示例，不进行权重更新
zero-shot
在inference time，只给模型某个特定任务的说明，不给示例，不进行权重更新
最后，GPT系列的局限性也是前面提到的，只能往前看，不能双向学习。