经典大语言模型解读(3)：参数量更大、泛化性能更强的生成式模型GPT-2

概述

在GPT-1的基础上，OpenAI提出了包含15亿参数（GPT-1参数量的10倍以上）的GPT-2模型。该模型在一个更大规模的文本数据集WebText上进行预训练。与GPT-1依赖特定任务上的有监督微调来提升性能不同，GPT-2具备更强的零样本（zero shot）学习能力，能在未专门微调的任务上表现出色。

Zero shot learning（零样本学习）：模型能够在没有见过特定类别训练数据的情况下识别新类别。

GPT-2框架

训练数据

大多数先前的工作都在单一文本领域上（新闻文章、维基百科等）训练语言模型。为此，本文构建了一个更大，更多样性的数据集WebText，该数据集中包含了超过800万个文档，总数据量达到了40GB。

输入表示

GPT-2采用Byte Pair Encoding（BPE）方式来对文本进行编码，BPE 是一种常用于压缩和处理自然语言的算法，它通过反复合并最频繁出现的字符对，将词汇分割为子词单元，以生成固定大小的词汇表。这种方法使模型可以处理常见词、罕见词，甚至是未见过的词。

关于BPE，维基百科给出了一个很好的示例。假定要编码的数据为：

aaabdaaabac

其中字节对aa出现的最频繁，因此它将被数据中未使用的字节替换，例如Z。替换结果如下：

ZabdZabac
Z=aa

之后可以看出ab出现的最频繁，采用同样的方式，用Y来替换它：

ZYdZYac
Y=ab
Z=aa

剩下的唯一字节对ac仅出现一次，编码可以在此处停止。或者，可以继续进行压缩编码，即将出现多次的ZY用X来替换：

XdXac
X=ZY
Y=ab
Z=aa

该数据无法通过字节对编码进一步压缩，压缩过程结束。在解压时，只需按相反顺序执行替换即可。

需要注意的是，GPT-2对BPE进行了改进。文中指出，BPE 包含了许多常见单词的不同版本，比如 dog，因为它们在很多变体中出现，如 dog、dog!、dog?。这导致了有限词汇槽和模型容量的次优分配。为了避免这种情况，GPT-2阻止 BPE 在任何字节序列中跨字符类别进行合并。但空格例外，这显著提高了压缩效率。

模型

GPT-2的架构仍然是基于Transformer解码器，但对Transformer进行了一些的修改：

• Layer Normalization被移动到每个子模块的输入，并在最后的自注意块之后添加额外的Layer Normalization。
• 在初始化时按 $1/\sqrt{N}$ 的比例缩放残差层的权重，其中 $N$ 为残差层的数量。
• 词汇扩展到$50,257$。
• 上下文长度从$512$增加到$1024$，这意味着GPT-2 能够处理更长的文本片段，从而在生成和理解长文本时表现更好。
• 使用了更大的批处理大小$512$。

在实验中设置了4中不同容量的模型版本，具体见下图，其中参数量最小的模型相当于GPT-1，第二小的模型相当于BERT的最大模型，参数量最大的模型被称之为GPT-2。

结语

GPT-2通过将参数数量提升一个数量级，采用字节对编码（BPE）技术进行文本编码，并在更广阔的数据集上进行预训练，同时在训练过程中将上下文长度增加了一倍。这些改进显著增强了GPT-2相对于其前身GPT-1的文本生成能力。
以上便是本文的全部内容，若是觉得不错可以支持一下博主，你们的支持是博主更新的不竭动力。若是有任何问题也敬请批评指正。