GPT模型与Transformer进行对比

gpt2与gpt的模型结构差别不大，但是采用了更大的数据集进行实验。
gpt采用的训练方法分为两步，第一步利用没有标签的文本数据集训练语言模型，第二步是根据具体的下游任务，例如QA，文本分类等对模型进行微调。
预训练：和传统的语言模型一样通过上文预测下一个单词
例如给定一个句子[u1,u2,…un]，GPT在预测单词ui的时候只会利用[u1,u2,…u(i-1)]的信息，而BERT会利用[u1,u2,…,u(i-1),u(i+1),…un]的信息
模型效果：GPT因为采用了传统语言模型所以更加适合用于自然语言生成类的任务(NLG)，因为这些任务是根据当前信息生成下一刻的信息，而BERT更是和用于自然语言理解任务(NLU)。
模型结构：GPT采用了Transformer的Decoder，而BERT采用了Transformer中的Encoder。GPT使用Decoder中的Mask Multi-Head Attention结构，在使用[u1,u2,…u(i-1)]预测单词ui的时候，会将ui之后的单词Mask掉。
2.原装的Transformer Decoder和GPT Decoder内容进行对比
GPT使用句子序列预测下一个单词，因此要采用Mask Multi-Head Attention对单词的下文遮挡，防止信息泄漏。例如给定一个句子包含4个单词[A,B,C,D]，GPT需要利用A预测B，利用[A,B]预测C，利用[A,B,C]预测D，而预测B的时候，需要将[B,C,D]Mask起来。
Mask是在Self-Attention进行Softmax之前进行的，具体做法是将Mask的位置用一个无穷小的数替换-inf，然后再softmax，具体的操作如下所示。
可以看到，经过Mask和Softmax之后，当GPT根据单词A预测单词B时，只能使用单词A的信息，根据[A,B]预测单词C时只能利用单词A,B的信息，这样就能防止信息泄漏。
下图是GPT整体模型图，其中包含了12个Decoder。
GPT训练过程
GPT训练过程分为两个部分：无监督预训练语言模型和有监督的下游任务
预训练语言模型
3.1 预训练语言模型
给定句子U=[u1,u2,…un],GPT训练语言模型需要最大化下面的似然函数
可以看到GPT是一个单向的模型，GPT的输入用h0表示，h0的计算公式如下。
其中$W_P$是单词的position Embedding,$W_e$是单词的word embedding。用voc表示词汇表的大小，pos表示最长句子的长度，dim表示Embedding的维度，则$W_p$是一个posdim的矩阵，$W_e$是一个vocdim的矩阵。
得到输入$h_0$之后，需要将$h_0$依次传入GPT的所有Transformer Decoder里，最终得到$h_t$。
3.2 下游任务fine-tuning
GPT经过预训来之后，会针对具体的下游任务对模型进行微调，微调的过程采用的是有监督学习，训练样本包括单词序列$[x1,x2...xm]$和类标y。GPT微调的过程中根据单词序列[x1,x2,…xm]预测类标y。
$w_y$表示预测输出的参数，微调时候需要最大化以下函数
GPT在微调的时候也考虑预训练的损失函数，所以最终需要优化的函数为:
4.GPT总结
GPT预训练时利用上文预测下一个单词，BERT是根据上下文预测单词，因此在很多NLU任务上，GPT效果都比BERT要差。但是GPT更加适合用于文本生成的任务，因为文本生成通常都是基于当前已有的信息，生成下一个信息。