从原理到实现教你做出一个ChatGPT应用

▼最近直播超级多，预约保你有收获

今晚直播：《从原理到实现教你做出一个 ChatGPT 应用》

 —1—

ChatGPT 技术架构剖析

ChatGPT 作为大语言模型（Large Language Model）暴力出奇迹的典型代表，你知道它的技术架构是怎么实现的吗？

从总体架构来看，ChatGPT 技术架构分为三个组成部分：第一部分是离线（Offline）预训练（PreTraining）、第二部分是离线微调（Fine Tuning）、第三部分是在线推理（Retrieval）。

离线训练的第一和第二部分，采用了 Decode Only 的 Transformer 架构（如下图），通过海量的数据工程、模型训练、模型验证等重要环节，完成 LLM 大模型参数权重的确定。

比如：GPT 3，使用了 45 TB（数据清洗后剩余 570 GB）的训练数据，花费了 140万美金，长达 7个月时间，训练确定了 1750 亿参数的权重。

ChatGPT 在 GPT 3 预训练的基础上，引入了人类反馈强化学习（RLHF）模块，进一步增强 ChatGPT 的综合能力。

第三部分在线推理，基于用户输入的 Prompt 逐字（token）预测下一个字，直到预测到结束符 EOS（End Of Sentence）。在线推理工程架构（如下图）尤其重要，决定了推理速度、可用性、稳定性。 

 —2—

ChatGPT 是如何生成下一个字的？

第一、ChatGPT 在预训练时候会确定 token 词表的大小（具体确定算法可以采用 BPE），比如：52000 个 tokens。

第二、对用户输入的 Prompt 提示词进行 tokenizer 分词，然后通过 Embedding Model 进行向量化，给到 ChatGPT。

第三、ChatGPT 通过 Transformer 神经网络架构进行预测下一个字（token），具体是预测和词表中的每个字的概率大小（如下图）。

第四、持续第三部分过程，直到预测的输出为 EOS，返回给用户作为本次会话的回复。

—3—

纯干货 ChatGPT 技术实战今晚直播

为了帮助同学们掌握好 ChatGPT 技术架构和应用案例实战，今晚20点，我会开一场直播和同学们深度聊聊 GPT 核心技术演进剖析、如何离线预训练+微调一个 ChatGPT、ChatGPT 在线工程架构设计与实现，请同学点击下方按钮预约直播，咱们今晚20点不见不散哦~~

近期直播：《从原理到实现教你做出一个 ChatGPT 应用》

END