GPT系列概述

OPENAI做的东西

GPT系列概述_第1张图片

Openai老窝在爱荷华州,微软投资的数据中心

GPT系列概述_第2张图片

万物皆可GPT下咱们要失业了?

GPT系列概述_第3张图片

但是世界不仅仅是GPT

GPT其实也只是冰山一角,2022年每4天就有一个大型模型问世

GPT系列概述_第4张图片

GPT历史时刻

GPT系列概述_第5张图片

GPT-1

带回到2018年的NLP

GPT系列概述_第6张图片

所有下游任务都需要微调(再训练)

GPT系列概述_第7张图片

GPT-2

以不变应万变,需要注意的GPT-2中提示是不在训练中的

GPT系列概述_第8张图片

Temperature

温度的选择还是要根据实际情况来

温度越低,就希望以准确性为第一要务;

温度越高,就注重多样性选择,但准确性就降低了(对应GPT来说就有可能胡说八道了)

GPT系列概述_第9张图片

Top k与Top p

GPT系列概述_第10张图片

GPT-3

关键:让模型理解暗示的是什么东西

咱们面向百度编程,它面向人类编程

就是说GPT-3训练的数据包罗万象,上通天文下知地理

GPT系列概述_第11张图片

3种核心的下游任务方式

其实就是输入例子有几个,打个样

zero-shot

GPT系列概述_第12张图片

GPT系列概述_第13张图片

上面的回答我们是没有事先给出参考答案的。

one-shot

GPT系列概述_第14张图片

GPT系列概述_第15张图片

GPT回答是:打老板

few-shot

会给出多个例子

GPT系列概述_第16张图片

例1:

GPT系列概述_第17张图片

结果:

GPT系列概述_第18张图片

例2:

GPT系列概述_第19张图片

3种方式的对比

GPT系列概述_第20张图片

这三种方式都没有更新模型,相对来说肯定few的效果好一些;

但由于few-shot中模型是没有记住例子的能力的,所以每次提问的时候都需要给出这几个例子,但是问题就是API更贵了,输入序列长度更长了

网络结构

网络结构没啥特别的,就是transformer,但是3.2M的batch有点辣眼睛

GPT系列概述_第21张图片

CODEX

OpenAI Codex

GPT有点像多领域都涉及,但都不是涉及得很深;而现在很多模型都聚焦于自己擅长的领域,比如说CODEX,用于代码生成。

这其实在告诉我们一件事,GPT可以个性化设置。

Evaluating Large Language Models Trained on Code

用GPT-3模型重新训练(注意不是微调,而是输入数据换成github上爬的数据,都是代码的数据)

我总说面向GITHUB编程,GPT-3这回真把这个事干了

GPT系列概述_第22张图片

训练数据就是GITHUB,相当于把文档注释和代码结合到一起

输入注释或者文档,来预测代码如何实现,即要面向github编程了

你可能感兴趣的:(gpt,人工智能,transformer,深度学习)