最新最全GPT-3模型网络结构详细解析
最近，GPT3很火，现在有很多讲GPT-3的文章，比如讲解它可以做什么， 思考它的带来的影响， 可视化其工作方式。看了这些文章并不足以详细了解GPT-3模型，仍然需要认真研究相关论文和博客。
因此，本文主要目标：帮助其他人对GPT-3体系结构有一个尽可能详细的了解。
原始模型
首先，原始的Transformer和GPT模型的网络结构如下图所示：
上图详细描述了GPT-3网络结构基础，要深入学习其网络结构，仍需进一步深入研究。
输入与输出
在了解其他内容之前，我们需要知道：GPT的输入和输出是什么？
输入是N个单词（也称为Token）的序列。输出是对最有可能在输入序列末尾放置的单词的预测。
所有基于GPT模型的应用，如对话，故事和示例生成，都是通过这种简单的输入输出方案实现的：给它一个输入序列–得到下一个单词。比如：
并非所有英雄都穿 -> 斗篷
当然，我们经常想得到一个以上的多个单词，但这不是问题：得到下一个单词后，将其添加到序列中，得到下一个单词。比如：
并非所有英雄都披着斗篷 -> 但
并非所有英雄都披着斗篷 ，但-> 全部
并非所有英雄都披着斗篷，但全部 -> 恶棍
并非所有英雄都披着斗篷，但全部恶棍 -> 做
重复所需的次数，最终得到需要的长文本。
实际上，确切地说，以上说法有两点需要纠正。
1.输入序列实际上固定在2048个字（对于GPT-3）以内。仍然可以将短序列作为输入：只需用“空”值填充所有额外位置。
2. GPT输出不仅是一个预测（概率），而是一系列预测（长度2048）（每个可能单词的概率）。序列中每个“next”位置都是一个预测。但是在生成文本时，通常只查看序列中最后一个单词的预测。
如上图所示。顺序输入，顺序输出。
编码
但是请稍等，GPT实际上无法理解单词。作为一种机器学习算法，它可以对数字向量进行运算。那么我们如何将单词变成向量呢？
第一步是将所有单词收集在一起构成词汇表，这使我们能够为每个单词赋予一个值（id）。Aardvark是0，aaron是1，依此类推。（GPT的词汇表包含50257个单词）。
最终，我们可以将每个单词转换为大小为50257的单点编码矢量，其中仅索引i处的维（单词的值）为1，所有其他维度均为0。
当然，我们对序列中的每个单词都执行此操作，
结果是一个2048 x 50257的1和0矩阵。
注意：为了提高效率，GPT-3实际上使用字节级（byte-level）字节对编码（BPE）进行Token化。这意味着词汇表中的“单词”不是完整的单词，而是经常在文本中出现的字符组（对于字节级BPE，字节）。使用GPT-3字节级BPE Token生成器，将“Not all heroes wears capes”分成Token输入“ Not”，“ all”，“ heroes”，“ wear”，“ cap”，“ es”，其ID为3673、477、10281，词汇中的5806、1451和274。 （https://huggingface.co/transformers/tokenizer_summary.html）详细介绍了bpe原理，以及github实现，也可以自己尝试。
向量化
50257对于矢量来说相当大，并且大部分都用零填充。那是很多浪费的空间。
为了解决这个问题，模型学习了一个embedding函数：一个神经网络，该神经网络采用50257长度的1和0的向量，并输出n长度的数字的向量。在这里，模型试图将单词含义的信息存储（或投影）到较小的空间中。
例如，如果embedding维数为2，就好比将每个单词存储在2D空间中的特定坐标处。
另一种直观的思考方式是，每个维度都是虚构的属性，例如“softness”或“ shmlorbness”，并且为每个属性赋予一个值，我们就可以准确知道哪个词是什么意思。
当然，embedding尺寸通常大于2：GPT使用12288尺寸。
在实践中，每个单词one-hot表示都与学习的embedding网络权重相乘，最终得到12288维embedding向量。
用算术术语来说，我们将2048 x 50257序列编码矩阵与50257 x 12288 embedding权重矩阵（已学习）相乘，最后得到2048 x 12288序列embedding矩阵。
从现在开始，将绘制二维矩阵，将其作为小小的块，并在其旁边标注尺寸。如果适用，将矩阵行分开以明确表示每一行对应于序列中的一个单词。
还要注意，由于矩阵乘法计算法则限制，所以将embedding函数（又称embedding权重矩阵）分别应用于每个单词编码（即序列编码矩阵中的行）。换句话说，结果与将每个单词编码向量分别传递给embedding函数并在最后将所有结果串联在一起是相同的。这意味着什么：此过程最终，没有信息流过整个序列，也没有关于Token的绝对或相对位置的信息。
位置信息编码（Positional Encoding）
为了对当前Token在序列中的位置进行编码，作者采用了Token的位置（标量i，在[0-2047]中），并将其传递给12288个正弦函数，每个函数的频率都不同。
其实，为何如此有效的确切原因尚不完全清楚。作者将其解释为产生许多相对位置编码，这对于模型很有用。对于其他可能的模型来分析此选择：考虑通常将信号表示为周期性样本之和的方式（请参见傅立叶变换或SIREN网络体系结构），或者语言自然呈现各种长度的循环的可能性（例如诗歌） 。
对于每个Token，结果是12288个数字向量。与embedding一样，将这些向量组合成具有2048行的单个矩阵，其中每一行是序列中Token的12288列位置编码。
最后，可以简单地将具有与序列embedding矩阵相同形状的该序列位置编码矩阵添加到该矩阵中。
注意力机制（基础版本）
简而言之，Attention的目的是：对于序列中的每个输出，预测输入标记对输出影响程度。在这里，想象一个由3个Token组成的序列，每个Token都由512个值的embedding表示。
该模型学习3个线性投影，所有这些投影都应用于序列embedding。换句话说，学习了3个权重矩阵，这些矩阵将我们的序列embedding转换为3个单独的3x64矩阵，每个矩阵分别用于不同的任务。
前两个矩阵（“queries”和“keys”）相乘（QK T），得出3x3矩阵。该矩阵（通过softmax归一化）表示每个Token相对于其他Token的重要性。
注意：此（QK T）是GPT作用于输入序列的唯一操作。这也是矩阵行交互的唯一操作。
第三个矩阵（“值”）与该重要性矩阵相乘，从而为每个Token生成所有其他Token值的混合（按其各自Token的重要性加权）。
例如，如果重要性矩阵只有一个和零（每个Token只有一个重要的其他Token），则结果就像在值矩阵中选择基于哪个Token最重要的行。
其实，这至少有助于理解注意力的计算过程，而不是凭直觉来理解。
多头注意力机制
现在，在作者提出的GPT模型中，他们使用了多头注意力。所有这些意味着，上述过程被重复了很多次（GPT-3中为96x），每个过程都有不同的可学习的query，key，value投影权重。
每个attention head的结果（单个2048 x 128矩阵）被串联在一起，产生2048 x 12288矩阵，然后将其乘以线性投影（不会改变矩阵形状），以达到良好的效果。
注意：本文提到GPT-3使用稀疏注意力，这使得计算效率更高。老实说，我没有花时间确切地了解它是如何实现的。
前馈
前馈部分是一个具有1个隐藏层的传统的多层感知器。进行输入，与学习的权重相乘，添加学习的偏差，再次进行，以获得结果。
此处，输入和输出形状都相同（2048 x 12288），但是隐藏层的大小为4 * 12288。
需要明确的是：我也将此操作绘制为一个圆，但是与体系结构中其他学习的投影（embedding，query/key/value投影）不同，此“圆”实际上由两个投影组成（学习加权矩阵乘以输入）连续添加学习偏见，最后经过ReLU激活。
Add和Norm
在“多头注意力”和“前馈”模块之后，该模块的输入将添加到其输出中，并对结果进行归一化。这在深度学习模型中很常见（自ResNet起）。
注意：在我的任何草图中都没有反映出以下事实：自GPT-2起，“layer归一化已移至每个子模块的输入，类似于激活前的残留网络，并且在最终层之后添加了附加的层归一化自我注意模块”
解码
通过所有96层GPT-3的注意力/神经网络机制后，输入数据已处理为2048 x 12288矩阵。对于该序列中的2048个输出位置中的每一个，该矩阵都应包含一个12288个向量的信息，其中应显示哪个单词。但是我们如何提取这些信息？
如果你还记得“embedding”部分，我们学习了一种映射，该映射将给定（一个字的单次编码）的单词转换为12288个向量的embedding。事实证明，我们可以反转此映射以将输出的12288向量矢量embedding转换回50257字编码。这个想法是，如果我们花所有的精力学习从单词到数字的良好映射，那么我们不妨重新实用它！
当然，这样做不会像开始时那样给我们零和一的东西，但这是一件好事：在快速softmax之后，我们可以将结果值视为每个单词的概率。
此外，GPT论文还提到了参数top-k，该参数将输出中要采样的可能单词的数量限制为k个最可能的预测单词。例如，当top-k参数为1时，我们总是选择最可能的单词。
整体架构
整个网络结构：一些矩阵乘法，一些代数，而且也拥有最先进的自然语言处理能力。我已将所有零件绘制到一个原理图中，单击以查看完整版本。
