一文搞懂GPT

128次阅读

这个不多说，网上一大堆。

GPT 的论文 (Improving Language Understanding by Generative Pre-Training) 关于 postional encoding 的内容如下：

We used learned position embeddings instead of the sinusoidal version proposed in the original work.

也就是说，GPT 用的是随机位置编码，而不是原 transformer 论文中用的正弦编码。

摘抄 GPT2 的 github 代码如下，可以看出构建模型时，位置编码是直接创建了一个标准差为 0.01 的随机矩阵。

 if params["precision"] == "bfloat16": wpe = tf.get_variable('wpe', [params["n_ctx"], params["n_embd"]],  initializer=tf.random_normal_initializer(stddev=0.01, dtype=tf.bfloat16), dtype=tf.bfloat16) wte = tf.get_variable('wte', [params["n_vocab"], params["n_embd"]],  initializer=tf.random_normal_initializer(stddev=0.02, dtype=tf.bfloat16), dtype=tf.bfloat16) else: wpe = tf.get_variable('wpe', [params["n_ctx"], params["n_embd"]],  initializer=tf.random_normal_initializer(stddev=0.01)) wte = tf.get_variable('wte', [params["n_vocab"], params["n_embd"]],  initializer=tf.random_normal_initializer(stddev=0.02)) past_length = 0 if past is None else tf.shape(past)[-2] wpe = dropout(wpe, params["embed_dropout"], train) wte = dropout(wte, params["embed_dropout"], train)

GPT 是一种大规模语言预训练模型，并且发展到 GPT3 时，发现了 NLP 预训练和训练的两个最关键技术，一个是 in context learning；一个是 chain of thought。

下面针对这两个分别进行分析，以及解析训练时如何体现这两点的。

下面讲一下 in context learning 的训练方式

in context learning 是一种大规模预训练方式。也即给定输入序列 START I1 I2 … In，让 GPT 去预测输出 I1 I2 I3,…,In,END。也即是 START token 位的输出结果是 I1，I1 token 为额输出结果 I2，依次类推。

GPT 巧妙的是这种 in context learning 完全可以进行 token 级别的并行！一般人想的是，先输入 START I1，去预测 I2，然后反向传播训练；然后输入 START I1 I2，去预测 I3，然后反向传播训练等等。这种训练方式类似 RNN，实在太低效了，训练时间和 seq 的长度线性相关。但是 GPT 用了 casual mask self attention，I1 不会用到 I2 I3 的信息，因此可以直接输入 START I1 I2 … In，然后预测 I1 I2 … IN END。因为训练的时候每个 token 都没有用到后面的 token，因此不会影响解码。

最后讲一下 chain of thought 的训练方式

很显然 chain of thought 并不是用于大规模预训练的，他是一种针对特定任务的标注方式。也即是给每个任务标注出推理过程和结果。然后对 GPT 给定任务输入，去预测推理过程和结果，最终返回结果。因此需要构造一个数据集，然后去微调。

根据之前的推导发现，生成第 n +1 个 token 时，完全不需要对前 n - 1 个 token 再次运行推理，因为前 n - 1 个 token 完全没有用到第 n 个 token 的信息。因此只需要对第 n 个 token 进行推理，与前 n - 1 个 token 的中间结果进行 cross attention。因此推理速度非常快，但是需要保存所有的中间激活结果。查看了 hugging face 的 GPT2 实现，是否使用历史 token 的中间结果，由变量 use_cache 决定。也即是实现中确实利用了这个来进行推理加速。训练时则设置 use_cache 为 false。

其实从这个角度来看 GPT 其实就是 RNN，只不过 GPT 的状态量是之前的所有计算结果，而 RNN 会把之前的所有状态量压缩到一个固定 size 的状态量，且因为这个压缩过程，导致 RNN 无法并行训练。

理论上来说，GPT 对 casual mask 限制得太死了。在生成第 n +1 个 token 时，第 0 个 token 明显可以看到且用到第 1 到 n 个 token 的信息。但是 GPT 限制死了即便这种情况第 0 个 token 也不能用到第 1 到 n 个 token 的信息。好处在于，训练的时候，n 个 token 可以完全并行训练；推理的时候，生成第 n +1 个 token 时，前 n 个 token 没必要再次计算。

最近看了不少 efficient transformer 的论文。也自己尝试推导了一下一些线性的 attention 公式。虽然推导到最后发现，得到的公式是一种低秩方法。而且从自己的推导过程中发现，所有的低秩方法很可能都是将 QUERY 或者某次 QUERY 到的所有 KEY 固定到一个常数个数。这是个人猜测，但很可能有个证明方法证明确实是如此。

总而言之在这个过程中，发现很有可能所有降低 transformer 复杂度的尝试都是徒劳。这涉及到计算复杂度，而且个人认为将来学术界用可计算理论，计算复杂度理论和形式语言理论研究 transformer 和 GPT 必定成为潮流。下面以 GPT 为例说明为什么这样的操作是徒劳的。注意下面的都是个人思考，不保证正确。

很有可能证明如下的定理：

这个停机判断并非是 GPT 解码的停机判断，单纯是针对输入编码的 GPT 网络停机判断。

一种可以初步证明这个推断的问题是：

给定输入 $x_1,x_2,…,x_n$ ，判断所有 $x_j – x_i|$ 是否小于某一常数 $\alpha$ ，如果是，输出 1 ，否则输出 0。