gpt笔记

视频教学推荐阅读

• GPT-4chan: This is the worst AI ever
• GPT-3: Language Models are Few-Shot Learners (Paper Explained)

代码：

• gpt-4chan代码
• gpt-3论文

几种前沿NLP模型的对比

参考Gpt,gpt2,gpt3,bert,roberta,t5模型区别分析可知，几种模型系列都是由Transformer架构改编而来，但相互之间最大的区别是架构是否有编码器、解码器。

参考独家 | 解析Tansformer模型—理解GPT-3, BERT和T5背后的模型（附链接）RNN的弱点是不能并行化（是吗？我记得能按batch并行的），很难处理冗长的文本序列，容易以往距离较远的上下文，且有梯度爆炸/消失的缺点。但transformer可以并行化，因而有能力训练大模型、大数据集。

Transformer有以下特点：

1. 使用了位置编码，这使得网络结构不再需要使用RNN，从而能并行化训练。
2. 使用注意力机制。帮助模型了解不同语言的单词之间的关联程度。
3. 使用自注意力机制。帮助模型了解句子中单词根据其上下文拥有的具体含义。

GPT-3: Language Models are Few-Shot Learners (Paper Explained)读后感

GPT-3并没有使用特制的结构，它其实只是用了有大量参数的Transformer，加上了大量的训练数据即可。在指标表现上，模型参数越多、训练数据越多，训练效果也会越好。

在经过预训练后，GPT-3在不用fine-tune梯度更新的条件下，可以同时胜任zero-shot、one-shot、few-shot任务。在各种A->B的语言翻译任务中，无监督的GPT-3的指标能够对有监督训练模型的指标进行追赶。在语言理解问题中，few-shot BERT能够与基于fine-tune的模型不分上下（虽然仍然弱于SOTA）。

微调模型

阅读Guide to fine-tuning Text Generation models: GPT-2, GPT-Neo and T5，该文给出了代码片段，教学如何微调GPT-2和T2模型，使其用于情感分析任务。
项目的完整代码可见于Finetuning GPT-2 (for sentiment classification)、T5 finetuning，该代码基于hugginface实现的transformers提供的模型接口开发。