面试篇 - GPT-1（Generative Pre-Training 1）

GPT-1（Generative Pre-Training 1）

⭐模型结构

• Transformer only-decoder：GPT-1模型使用了一个12层的Transformer解码器。具体细节与标准的Transformer相同，但位置编码是可训练的。

• 注意力机制：

  • 原始Transformer的解码器包含两种注意力机制：交叉注意力（cross-attention，其中键和值来自编码器，查询来自解码器）和掩码多头自注意力（mask multi-head attention）。

  • GPT-1模型只使用了掩码多头自注意力。

图示说明

• 左侧图示：展示了Transformer的架构，包括12层的解码器、层归一化（Layer Norm）、前馈网络（Feed Forward）、掩码多头自注意力（Masked Multi Self Attention）以及文本和位置嵌入（Text & Position Embed）。

• 右侧图示：展示了不同任务的输入转换和训练目标。所有结构化的输入都被转换为标记序列，然后通过预训练模型处理，最后通过一个线性-softmax层进行分类。

不同任务的训练目标

1. 分类（Classification）

输入格式：Start Text Extract

• 解释：输入文本以“Start”标记开始，后面跟着要分类的文本，最后以“Extract”标记结束。

• 处理流程：

  1. 输入文本经过文本和位置嵌入（Text & Position Embed）。

  2. 嵌入后的文本输入到Transformer模型中进行处理。

  3. Transformer的输出经过一个线性层（Linear），输出分类结果。

2. 蕴含（Entailment）

输入格式：Start Premise Delim Hypothesis Extract

• 解释：输入包含两个部分，前提（Premise）和假设（Hypothesis），中间用分隔符（Delim）分开，以“Start”标记开始，最后以“Extract”标记结束。

• 处理流程：

  1. 输入文本经过文本和位置嵌入（Text & Position Embed）。

  2. 嵌入后的文本输入到Transformer模型中进行处理。

  3. Transformer的输出经过一个线性层（Linear），输出蕴含关系的分类结果（例如，前提是否蕴含假设）。

3. 相似性（Similarity）

输入格式：Start Text 1 Delim Text 2 Extract

• 解释：输入包含两个文本，中间用分隔符（Delim）分开，以“Start”标记开始，最后以“Extract”标记结束。

• 处理流程：

  1. 输入文本经过文本和位置嵌入（Text & Position Embed）。

  2. 嵌入后的文本输入到两个Transformer模型中进行处理（每个文本一个Transformer）。

  3. 两个Transformer的输出经过一个线性层（Linear），输出两个文本的相似性得分。

4. 多项选择（Multiple Choice）

输入格式：Start Context Delim Answer 1 Extract 等

• 解释：输入包含一个上下文（Context）和多个可能的答案（Answer），每个答案之间用分隔符（Delim）分开，以“Start”标记开始，最后以“Extract”标记结束。

• 处理流程：

  1. 输入文本经过文本和位置嵌入（Text & Position Embed）。

  2. 嵌入后的文本输入到Transformer模型中进行处理。

  3. Transformer的输出经过一个线性层（Linear），输出每个答案的选择概率。

训练范式

训练范式（Training Paradigm）是指在机器学习和深度学习中，用于训练模型的一系列方法和策略。它定义了模型如何从数据中学习以及如何优化其参数。不同的训练范式适用于不同的任务和数据类型，常见的训练范式包括：
详见上一篇文章

1. 监督学习（Supervised Learning）

2. 无监督学习（Unsupervised Learning）

3. 半监督学习（Semi-supervised Learning）

4. 自监督学习（Self-supervised Learning）

5. 强化学习（Reinforcement Learning）

6. 迁移学习（Transfer Learning）

7. 多任务学习（Multi-task Learning）
    

GPT-1模型的训练范式

• 自监督预训练 + 有监督微调：主要思想是无监督学习。

预训练的标准语言模型目标函数

• 目标函数：根据前面K个词预测下一个词。

• 

• 解释：这是一个自回归模型，给定前面的K个词，预测下一个词的概率。

微调的目标函数

• 目标函数：用的是完整的输入序列加标签，有监督目标函数加无监督目标函数，y是标签。

• 

• 解释：这是一个有监督学习目标函数，给定输入序列x，预测标签y的概率。同时加入无监督目标函数L1，以增加模型的泛化性和加速收敛。

输入形式创新

• 输入形式：通过在序列前后添加[Start]和[Extract]特殊标识符来表示开始和结束，序列之间添加必要的[Delim]标识符来表示分隔。

  • 解释：通过这种方式，可以处理不同的下游任务。例如，分类任务、蕴含任务、相似性任务和多项选择任务。