内容整理自：https://www.bilibili.com/video/BV1AF411b7xQ?spm_id_from=333.999.0.0 大家有时间还是去看李沐大佬讲，才一个半小时，收获很多~~~

总结

GPT、GPT2、GPT3的共同点是其结构都基于Transformer的Decoder层。 区别在于： 模型一个比一个大，数据量一个比一个多。 GPT为常规语言模型 GPT2卖点指向zero-shot GPT3卖点指向Few-shot

GPT: Improving Language Understanding by Generative Pre-Training

论文：链接（使用通用的预训练模型来提升语言理解能力）

目前NLU（Natural Language Understanding）方向的局限性：有标签的数据相对较少，限制了模型性能的提升。

• 基本思想： 先在没有标签的数据集上训练预训练语言模型，再在子任务上微调（自监督学习）。与之前的任务（word2vec也是在没有标签的数据集上预训练语言模型）不同，微调时只需要改变模型输入的形式，而不需要对模型结构进行改变。模型结构选用的是12层的Transformer的decoder。

• 无监督的预训练过程 给定一个序列U = { u i , … , u n } U={u_i,…,u_n}U={u i ​ ,…,u n ​ }，使用一个标准的语言模型目标来最大化下面的似然函数：
  L 1 ( U ) = ∑ i l o g P ( u i ∣ u i − k , … , u i − 1 ; θ ) 其中，k为上下文窗口大小，θ 代表模型参数。即给定一个模型（GPT中指的是Transformer decoder），给定前k kk个词，预测当前词。

  💡 预训练阶段是没有Start，Delim，Extract这些这些特殊符号的，模型通过微调阶段学习这些特殊token。

• 有监督的微调阶段

有标签的数据集C CC上每个样本包含一个句子X = { x 1 , … , x m } X={x^1, …, x^m}X={x 1 ,…,x m }和对应的标签y。 最大化下列的目标函数： 在微调阶段引入预训练任务，效果更佳： 在微调阶段引入预训练任务，效果更佳： 其中， λ为可调节的超参数。

💡 GPT和BERT的区别：①GPT使用的Transformer的Decoder层（目标函数为标准的语言模型，每次只能看到当前词之前的词，需要用到Decoder中的Masked attention），BERT使用的Transformer的Encoder层（目标函数为带[Mask]的语言模型，通过上下文的词预测当前词，对应Encoder）； 💡 为什么GPT的性能比BERT差：①GPT预训练时的任务更难（BERT的base就是为了和GPT对比，参数设定几乎一样）；②BERT预训练用的数据集大小几乎是GPT的四倍；

GPT-2: Language Models are Unsupervised Multitask Learners

论文：链接（语言模型是无监督的多任务学习器） 相较于GPT的改进：更大的数据，更大的模型，将卖点指向zero-shot。 能做的task：阅读理解、翻译、总结、问答。

• 无监督的预训练阶段 同GPT
• zero-shot的下游任务 下游任务转向做zero-shot而放弃微调，相较于GPT，出现一个新的问题：样本输入的构建不能保持GPT的形态，因为模型没有机会学习Start，Delim，Extract这些特殊token。因此，GPT-2使用一种新的输入形态：增加文本提示，后来被称为prompt（不是GPT-2第一个提出，他使用的是18年被人提出的方案）。

  For example, a translation training example can be written as the sequence (translate to french, English text, french text). Likewise, a reading comprehension training example can be written as (answer the question, document, question, answer).

GPT-3: Language Models are Few-Shot Learners

论文：链接 GPT-3的可学习参数达到1750亿，是之前的非稀疏语言模型的10倍以上，并在few-shot的设置上测试它的性能。对于所有子任务，GPT-3不做任何的梯度更新或者是微调。GPT-3的模型和GPT-2一样。

• few-shot GPT-3是不做梯度更新的few-shot，即下图的左下。将一些有标签的样例放在预测文本的上下文。
• 数据集的生成 对抗学习（将GPT2数据集中的样本作为正例，CommonCrawl数据集中的样本作为负例，训练一个线性分类模型，然后对于CommonCrawl中的其他样本，去预测它属于正例还是负例，如果属于正例，则采纳他作为GPT3的数据集）+去重（lsh）

  lsh算法：主要用于大数据规模时，计算两两之间的相似度。基本思想：基于一个假设，如果两个文本在原有数据空间是相似的，那么他们分别经过哈希函数转换以后的他们也具有很高的相似度。

• 局限性
  1. 文本生成上的效果较弱。
  2. 结构和算法的局限性。只能看当前词之前的信息（decoder）；每个词都均匀地预测下一个词，没有哪一个词更重要。
  3. 只学习文本。未涉及其他模态
  4. 样本的有效性不够
  5. 无法解释