GPT模型总结【模型结构及计算过程_详细说明】(gpt详解)

推荐整理分享GPT模型总结【模型结构及计算过程_详细说明】(gpt详解)，希望有所帮助，仅作参考，欢迎阅读内容。

文章相关热门搜索词:gpt3 模型大小,gpt2模型大小,gpt3 模型大小,gpd模型,gpt3模型结构,gpt-2模型,gpt 模型,gpt 模型,内容如对您有帮助，希望把文章链接给更多的朋友！

GPT模型：生成式预训练模型（Generative Pre-Training）

无监督的预训练 有监督的下游任务精调

核心结构：中间部分主要由12个Transformer Decoder的block堆叠而成

下面这张图更直观地反映了模型的整体结构：

GPT 使用 Transformer的 Decoder 结构，并对 Transformer Decoder 进行了一些改动，原本的 Decoder 包含了两个 Multi-Head Attention 结构，GPT 只保留了 Mask Multi-Head Attention，如下图所示。 （很多资料上说类似于decoder结构，因为采用了decoder的mask机制，不过抛开这一点，其实感觉和encoder会更像，所以实现时有时反而是调encoder实现 莫烦Python GPT实现代码）

对比原有transformer的结构

预训练阶段为文本预测，即根据已有的历史词预测当前时刻的词，7-2,7-3,7-4三个式子对应之前的GPT结构图，输出P(x)为输出，每个词被预测到的概率，再利用7-1式，计算最大似然函数，据此构造损失函数，即可以对该语言模型进行优化。

下游任务与上游任务损失的线性组合

一个具体的GPT实例代码： 可以看到GPT模型的forward函数中，首先进行Embedding操作，然后经过12层transformer的block中进行运算，然后分别经过两个线性变换得到最终计算值（一个用于文本预测，一个用于任务分类器），代码与最开始展示的模型结构图保持一致。 参考：莫烦Python GPT实现代码 下面我们着重关注计算步骤2, 3

查表操作 Embedding层就是以one hot为输入、中间层节点为字向量维数的全连接层。而这个全连接层的参数，就是一个“字向量表”。 one hot型的矩阵相乘，就像是相当于查表，于是它直接用查表作为操作，而不写成矩阵再运算，这大大降低了运算量。再次强调，降低了运算量不是因为词向量的出现，而是因为把one hot型的矩阵运算简化为了查表操作。

每个decoder层包含两个子层

输入: q, k, v, mask 计算注意力：Linear(矩阵乘法)→Scaled Dot-Product Attention→Concat(多个注意力的结果, reshape )→Linear(矩阵乘法)

残差连接和归一化操作：Dropout操作→残差连接→层归一化操作

下面这段内容介绍了计算注意力的整体过程：

将输入的q,k,v进行变换

主要就是进行attention的计算以及mask的操作 Mask操作：masked_fill_(mask, value) 掩码操作，用value填充tensor中与mask中值为1位置相对应的元素。mask的形状必须与要填充的tensor形状一致。（这里采用-inf填充，从而softmax之后变成0，相当于看不见后面的词） transformer中的mask操作

mask后可视化矩阵： 直观理解是每个词只能看到它之前的词（因为目的就是要预测未来的词嘛，要是看到了就不用预测了）

综合多个注意力头的结果，实际上是对矩阵做变换：permute，reshape操作，降维。（如下图红框中所示）

整个mask多头注意力层的代码： 注意到：上述代码中后面几行是对注意力结果进行残差连接和归一化操作 下说明这一过程：

批量归一化是不同训练数据之间对单个神经元的归一化，层归一化是单个训练数据对某一层所有神经元之间的归一化。 输入归一化、批量归一化(BN)与层归一化(LN)

代码展示：

多层block的输出结果放到两个线性层中进行变换，比较简单，不做赘述。

1.参考论文：Radford et al. 《Improving Language Undersatnding by Generative Pre-Training"》 2.参考书籍：《自然语言处理 基于预训练模型的方法》车万翔,郭江,崔一鸣 3.本文中代码来源：莫烦Python GPT实现代码 4.其它参考链接（博文中已提到部分）： word embedding计算过程剖析 Transformer的矩阵维度分析和Mask详解