正文

怎么讓gpt寫論文（gpt2論文）

發(fā)布時間：2023-03-13 06:05:49 稿源：創(chuàng)意嶺閱讀： 107 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于怎么讓gpt寫論文的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

ChatGPT國內(nèi)免費在線使用，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com

本文目錄:

1、GPT 原理解析
2、冠遠萬能主板管溫多大的
3、BERT - 論文解讀
4、chatgpt論文有字數(shù)要求嗎

怎么讓gpt寫論文（gpt2論文）

一、GPT 原理解析

GPT（Generative Pre-Training）是一個典型的兩階段式模型：無監(jiān)督預訓練+監(jiān)督下游任務微調(diào)。而在 NLP 任務中，上游的無監(jiān)督預訓練任務多半采用語言模型來實現(xiàn)，下游的監(jiān)督任務直接對上游的模型進行簡單改造即可使用。

GPT 為了能夠有效的抓取文本中的語義信息，使用了單向的 Transformer Decoder 模塊構(gòu)建標準的語言模型，再使用預訓練得到的網(wǎng)絡架構(gòu)與參數(shù)進行下游監(jiān)督任務的微調(diào)，取得了不錯的效果。

論文： Improving Language Understanding by Generative Pre-Training

對于語料，GPT 構(gòu)建標準的語言模型：

文章中使用 Transformer Decoder 模塊加上前饋神經(jīng)網(wǎng)絡，最后使用 softmax 輸出目標詞的分布：

對于通過第一階段的預訓練得到的語言模型，對于特定的任務進行 fine-tuning。

對于一個監(jiān)督數(shù)據(jù)集，其中的數(shù)據(jù)為一個序列和一個標簽。將序列輸入預訓練模型后得到輸出向量為，接著使用一個線性層來預測標簽：

需極大化的似然函數(shù)為：

另外，作者發(fā)現(xiàn)，使用語言模型來輔助監(jiān)督學習的任務進行微調(diào)，有兩個好處：

所以，最終下游使用的監(jiān)督模型目標函數(shù)為：

GPT 使用兩階段式模型的另外一個好處是，作者期望通過第一階段的預訓練語言模型，學習到盡可能多的自然語言信息，且對于大多數(shù)下游任務，只需要簡單的修改輸入而不需要修改模型架構(gòu)即可完成微調(diào)。對于 NLP 中的幾種主流任務，GPT 分別做了如下的變換策略：

模型還包括一些細節(jié)：

論文： Language Models are Unsupervised Multitask Learners

GPT-2 是 GPT 的直接升級版，效果驚人。相比之下，GPT-2 有如下幾點改進：

二、冠遠萬能主板管溫多大的

冠遠萬能主板的管溫一般在50-60度之間，但是也可以根據(jù)您的使用環(huán)境和配置來調(diào)整，最高可以達到85度，但是建議您盡量將管溫保持在50-60度之間，以免影響主板的使用壽命。此外，您還可以通過添加散熱器或者更換散熱器來降低主板的管溫，以保證主板的正常使用。

三、BERT - 論文解讀

BERT:【 Pre-training of Deep Bidirectional Transformers for

Language Understanding】

○ 將預訓練語言模型應用在下游任務中，一般有兩種策略：

作者認為影響當前預訓練語言模型的 瓶頸是——“模型是單向的” 。如 GPT 選擇從左到右的架構(gòu)，這使得每個 token 只能注意到它前面的 token，這對 sentence 級的任務影響還是次要的，但對于 token 級的任務來說影響就很巨大。例如問答任務，從兩個方向結(jié)合上下文是至關重要的。

BERT 通過使用受完形填空任務啟發(fā)的 Mask Language Model （MLM）緩解了先前模型的單向性約束問題。MLM 隨機 mask 掉一些輸入文本中的 token，然后根據(jù)剩下的上下文預測 masked 的 token。除了 Mask Language Model，作者還提出了 Next Sequence Predict 任務，來聯(lián)合訓練文本對表示。

論文中BERT的改進如下：

預訓練前的一般語言表征有著悠久歷史，本節(jié)我們簡要回顧一下最廣泛使用的方法。

2.1 基于特征的無監(jiān)督方法 ：

幾十年來，學習廣泛適用的詞匯表征一直是一個活躍的研究領域，包括非神經(jīng)系統(tǒng)、神經(jīng)系統(tǒng)方法。預訓練的詞嵌入是現(xiàn)代NLP系統(tǒng)的一個組成部分，與從頭學習的嵌入相比，它提供了顯著的改進（Turian等人，2010）。為了預先訓練單詞嵌入向量，已經(jīng)使用了從左到右的語言建模目標（Mnih和Hinton，2009），以及在左右上下文中區(qū)分正確單詞和錯誤單詞的目標（Mikolov等人，2013）。

這些方法已被推廣到更粗糙的粒度，例如句子嵌入（Kiros等人，2015；Logeswaran和Lee，2018）或段落嵌入（Le和Mikolov，2014）。為了訓練句子表征，之前的工作已經(jīng)使用了目標對候選下一個句子進行排序（Jernite等人，2017；Logeswaran和Lee，2018），根據(jù)前一個句子的表征從左到右生成下一個句子單詞（Kiros等人，2015），或去噪自動編碼器衍生的目標（Hill等人，2016）。

ELMo 及其前身（Peters等人，20172018a）從不同的維度概括了傳統(tǒng)的單詞嵌入研究。它們通過從左到右和從右到左的語言模型中提取上下文敏感的特征。每個標記的上下文表示是從左到右和從右到左表示的 串聯(lián) 。在將上下文單詞嵌入與現(xiàn)有任務特定架構(gòu)相結(jié)合時，ELMo推進了幾個主要NLP基準（Peters等人，2018a）的最新技術，包括問答（Rajpurkar等人，2016年）、情感分析（Socher等人，2013年）和命名實體識別（Tjong Kim-Sang和De Meulder，2003年）。Melamud等人（2016年）提出通過一項任務來學習語境表征，即使用 LSTM 從左右語境中預測單個單詞。與ELMo類似，他們的模型是基于特征的，而不是深度雙向的。Fedus等人（2018）表明，完形填空任務可以用來提高文本生成模型的 穩(wěn)健性 。

2.2 無監(jiān)督微調(diào)方法：

與 基于特征feature-based 的方法一樣，第一種方法只在未標記文本中預先訓練單詞嵌入?yún)?shù)的情況下才朝這個方向工作。最近，產(chǎn)生上下文標記表示的句子或文檔編碼器已經(jīng)從未標記的文本和文本中預訓練出來針對受監(jiān)督的下游任務進行了 微調(diào)fine-tuned 。

這些方法的 優(yōu)點是 ，很少有參數(shù)需要從頭學習。至少部分由于這一優(yōu)勢，OpenAI GPT在GLUE基準測試的許多句子級任務上取得了之前的最新成果。從左到右的語言建模和自動編碼器目標已用于此類模型的預訓練。

注解：BERT的整體預訓練和微調(diào)程序。除了輸出層之外，在預訓練和微調(diào)中使用相同的體系結(jié)構(gòu)。相同的預訓練模型參數(shù)用于初始化不同下游任務的模型。在微調(diào)過程中，所有參數(shù)都會微調(diào)。

2.3 基于監(jiān)督數(shù)據(jù)的遷移學習：

也有研究表明，在大數(shù)據(jù)集的監(jiān)督任務中，如自然語言推理和機器翻譯可以有效地進行轉(zhuǎn)換。計算機視覺研究也證明了 從大型預訓練模型中進行遷移學習的重要性 ，其中一個有效的方法是對使用ImageNet預訓練模型進行微調(diào)。

本節(jié)將介紹BERT及其詳細實現(xiàn)。在我們的框架中有兩個步驟：預訓練和微調(diào)。

BERT的一個顯著特點是其跨不同任務的統(tǒng)一體系結(jié)構(gòu) 。預訓練的體系結(jié)構(gòu)和最終的下游體系結(jié)構(gòu)之間的差異最小。

BERT 的模型架構(gòu)是 一種多層的雙向 transformer encoder ，BERT 在實現(xiàn)上與 transformer encoder 幾乎完全相同。

定義：transformer block 的個數(shù)為 L ; hidden 大小為 H; self-attentions head 的個數(shù)為 A. 作者主要展示了兩種規(guī)模的 BERT 模型：

在這項工作中，我們將層數(shù)（即Transformer blocks）表示為L，隱藏大小表示為H，自我注意頭的數(shù)量表示為A。我們主要報告兩種型號的結(jié)果：

為了進行比較，選擇BERT-base與OpenAI GPT具有相同的模型大小。然而，關鍵的是， BERT Transformer使用雙向自注意力機制self-attention ，而 GPT Transformer使用受限自注意力機制constrained self-attention ，其中每個標記只能關注其左側(cè)的上下文。

為了使 BERT 能處理大量不同的下游任務，作者將模型的輸入設計成可以輸入單個句子或句子對，這兩種輸入被建模成同一個 token 序列。作者使用了有 30000 個 token 的 vocabulary 詞嵌入。

3.1 Pre-training BERT :

我們不使用傳統(tǒng)的從左到右或從右到左的語言模型來預訓練BERT。相反，我們使用本節(jié)所述的兩個無監(jiān)督任務對BERT進行預訓練。這一步如圖1的左半部分所示。

Task #1: Masked LM

標準的語言模型只能實現(xiàn)從左到右或從右到左的訓練，不能實現(xiàn)真正的雙向訓練，這是因為雙向的條件是每個單詞能直接“看到自己”，并且模型可以在多層上下文中輕松的預測出目標詞。

為了能夠?qū)崿F(xiàn)雙向的深度預訓練，作者選擇 隨機 mask 掉一些比例的 token ，然后預測這些被 masked 的 token，在這種設置下，被 masked 的 token 的隱向量表示被輸出到詞匯表的 softmax 上，這就與標準語言模型設置相同。作者將 這個過程稱為“Masked LM”，也被稱為“完形填空” 。

○ Masked LM 預訓練任務的缺點 ：

在于由于 [MASK] 標記不會出現(xiàn)在微調(diào)階段，這就造成了預訓練和微調(diào)階段的不一致。為了解決該問題，作者提出了 一種折中的方案 ：

○ BERT 的 mask策略：

Task #2: Next Sentence Prediction (NSP)

很多下游任務都是基于對兩句話之間的關系的理解，語言模型不能直接捕獲這種信息。為了訓練模型理解這種句間關系，作者 設計了 next sentence prediction 的二分類任務 。具體來說，就是選擇兩個句子作為一個訓練樣本，有 50% 的概率是下一句關系，有 50% 的概率是隨機選擇的句子對， 預測將 [CLS] 的最終隱狀態(tài) C 輸入 sigmoid 實現(xiàn) 。

○ Pre-training data ：

作者選用了BooksCorpus (800M words) 和 English Wikipedia (2,500M words) 作為預訓練的語料庫，作者只選取了 Wikipedia 中的文本段落，忽略了表格、標題等。為了獲取長的連續(xù)文本序列，作者選用了 BIllion Word Benchmark 這樣的文檔級語料庫，而非打亂的句子級語料庫。

3.2 Fine-tuning BERT ：

因為 transformer 中的 self-attention 機制適用于很多下游任務，所以可以直接對模型進行微調(diào)。對于涉及文本對的任務，一般的做法是獨立 encode 文本對，然后再應用雙向的 cross attention 進行交互。Bert 使用 self-attention 機制統(tǒng)一了這兩個階段，該機制直接能夠?qū)崿F(xiàn)兩個串聯(lián)句子的交叉編碼。

對于不同的任務，只需要簡單地將特定于該任務的輸入輸出插入到 Bert 中，然后進行 end2end 的fine-tuning。

與預訓練相比，微調(diào)相對便宜。從完全相同的預訓練模型開始，本文中的所有結(jié)果最多可以在單個云TPU上復制1小時，或在GPU上復制幾個小時。

在本節(jié)中，我們將介紹11個NLP任務的BERT微調(diào)結(jié)果。

4.1 GLUE：

GLUE (General Language Understanding Evaluation) 是多個 NLP 任務的集合。作者設置 batch size 為 32；訓練 3 個 epochs；在驗證集上從（5e-5, 4e-5, 3e-5, 2e-5）中選擇最優(yōu)的學習率。結(jié)果如下：

結(jié)果見表1。 BERT-base和BERT-large在所有任務上都比所有系統(tǒng)表現(xiàn)出色，與現(xiàn)有技術相比，平均準確率分別提高了4.5%和7.0% 。請注意，除了注意掩蔽，BERT-base和OpenAI GPT在模型架構(gòu)方面幾乎相同。

對于最大和最廣泛報道的GLUE任務MNLI，BERT獲得了4.6%的絕對準確率提高。在官方的GLUE排行榜10中，BERT-lagle獲得80.5分，而OpenAI GPT在撰寫本文之日獲得72.8分。我們發(fā)現(xiàn)BERT-large在所有任務中都顯著優(yōu)于BERT-base，尤其是那些訓練數(shù)據(jù)很少的任務。

4.2 SQuAD v1.1 :

斯坦福問答數(shù)據(jù)集（SQuAD v1.1）收集了10萬對眾包問答對。給出一個問題和一段維基百科中包含答案的文章，任務是預測文章中的答案文本。

如圖1所示，在問答任務中，我們將輸入的問題和段落表示為單個壓縮序列，問題使用A嵌入，段落使用B嵌入。在微調(diào)過程，我們只引入一個起始向量S和一個端向量E。單詞i作為答案范圍開始的概率計算為Ti和S之間的點積，然后是段落中所有單詞的softmax：

答案范圍結(jié)束時使用類似公式。候選人從位置 i 到位置 j 的得分定義為：S·Ti + E·Tj ,最大得分跨度為 j≥ i 被用作預測。訓練目標是正確起始位置和結(jié)束位置的對數(shù)概率之和。我們微調(diào)了3個階段，學習率為5e-5，批量大小為32。

表2顯示了頂級排行榜條目以及頂級發(fā)布系統(tǒng)的結(jié)果。SQuAD排行榜的前幾名沒有最新的公共系統(tǒng)描述，并且允許在訓練系統(tǒng)時使用任何公共數(shù)據(jù)。因此，在我們的系統(tǒng)中使用適度的數(shù)據(jù)擴充，首先在TriviaQA上進行微調(diào)，然后再對團隊進行微調(diào)。

我們表現(xiàn)最好的系統(tǒng)在ensembling方面的表現(xiàn)優(yōu)于排名第一的系統(tǒng)，在ensembling方面的表現(xiàn)優(yōu)于排名第一的系統(tǒng)+1.5 F1，在單一系統(tǒng)方面的表現(xiàn)優(yōu)于排名第一的系統(tǒng)+1.3 F1得分。事實上，我們的單BERT模型在F1成績方面優(yōu)于頂級合奏系統(tǒng)。如果沒有TriviaQA微調(diào)數(shù)據(jù)，我們只會損失0.1-0.4 F1，仍然遠遠超過所有現(xiàn)有系統(tǒng)。

其他實驗：略

在本節(jié)中，我們對BERT的許多方面進行了消融實驗，以便更好地了解它們的相對重要性。其他消融研究見附錄C。

5.1 預訓練任務的效果 ：

○ 進行了如下消融測試：

○ 結(jié)果如下：

5.2 模型大小的影響 ：

○ 結(jié)果如下：

作者證明了 ：如果模型經(jīng)過充分的預訓練，即使模型尺寸擴展到很大，也能極大改進訓練數(shù)據(jù)規(guī)模較小的下游任務。

5.3 將 Bert 應用于 Feature-based 的方法 ：

○ feature-based 的方法是從預訓練模型中提取固定的特征，不對具體任務進行微調(diào) 。

○ 這樣的方法也有一定的優(yōu)點 ：

作者進行了如下實驗：在 CoNLL-2003 數(shù)據(jù)集上完成 NER 任務，不使用 CRF 輸出，而是從一到多個層中提取出激活值，輸入到 2 層 768 維的 BiLSTM 中，再直接分類。結(jié)果如下：

結(jié)果說明：無論是否進行微調(diào)，Bert 模型都是有效的。

個人認為 Bert 的意義在于：

由于語言模型的遷移學習，最近的經(jīng)驗改進表明，豐富的、無監(jiān)督的預訓練是許多語言理解系統(tǒng)的一個組成部分。特別是，這些結(jié)果使得即使是低資源任務也能從深層單向體系結(jié)構(gòu)中受益。我們的主要貢獻是將這些發(fā)現(xiàn)進一步推廣到深層雙向體系結(jié)構(gòu)中，使相同的預訓練模型能夠成功地處理廣泛的NLP任務。

四、chatgpt論文有字數(shù)要求嗎

不存在字數(shù)要求，但是一般來說，論文的字數(shù)越多越好，最好在5000字以上，以便論述足夠的內(nèi)容。

以上就是關于怎么讓gpt寫論文相關問題的回答。希望能幫到你，如有更多相關問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。