简介

OpenAI在2018提出了GPT(Generative Pre-Training)模型，模型采用了Pre-training + Fine-tuning的训练模式，可用于分类、推理、问答、相似度等任务。

image.png

不同点

GPT就是是在transformer的基础上提出的，但是又稍有不同：

• 预训练时的不同
  不同点1： 只用Transformer的Encoder进行训练。
  不同点2： 将Transformer中Encoder的Self-Attention, 改为Masked-Attention。 什么意思呢？
  即不同于Self-Attention，一句话中的各种词之间相互attention。 而这里是 单向的Transformer,即句子中的每个词，都只能对包括自己在内的前面所有词进行Attention，后面的词被MASK调

  为什么使用单向Transformer？

  因为使用了Masked Self-Attention，则每个位置的词都不会“看见”后面的词，也就是预测的时候是看不见“答案”的，保证了模型的合理性，这也是为什么OpenAI采用了单向Transformer的原因。

• fun-tuning时的不同
  在接specific-task进行fun-tuning时，其损失为两个损失的和。如下图所示：
  

  image.png
  
  其中 L₂(C) 为fun-tuing的具体有标注的任务的损失。
  L₁(C) 为预训练任务的损失。具体表现在fun-tuing时将GPT最后一层Encoder输出按照预训练当时的方式计算损失。

特点

• Pre-Training的方式
• 单向Transformer模型
• Fine-Tuning与不同输入数据结构的变化， 因具体任务不同，fun-tuning结构不同，比如问答、相似度计算、分类、推理等，不同的任务不同的fun-tuning的输出层设计

算法流程

预训练

输入

一句话中每个词的Embeding向量

image.png

中间计算过程

就是一个单项Transformer，最后一层的输出为 h_l

image.png

损失计算

根据最后一层输出，接一个矩阵W，因生成1维，然后算softmax，得到每个词概率，概率最大化。得到损失L₁(C) 。 此处注P(u)计算时，使用了字典单词的Embedding向量W_e，这也是语言模型中常用的技巧。

image.png

给出Text1SEPText2,正常走transformer 仅保留masked self attention的decoder， 这样最后一层每个位置就能输出一个概率； 然后分别和对应的下一个词算损失。

Fun-tuning

运用少量的带标签数据对模型参数进行微调。

输入

将上一步中最后一个词的输出h_l，作为下游监督学习的输入。

损失计算

按照有监督的标签，进行损失计算得到L₂(C) 。

image.png

将 L₂(C）和 L₂(C）求和，即为做后的损失，如下图所示：

image.png

优点

• 有效的利用无监督数据对模型进行充分的训练，模型有很强的文本理解和分析能力，
• 迁移学习，在第二阶段目标任务上添加简单的输出层，就能达到很高的准确度。

缺点

单向Transformer，不能利用当前词后面词的语义。但是好像翻译场景不能利用，就是不知道后面词是什么？真的这样吗？？