学习入门 chatgpt原理 一

学习文章：人人都能看懂的chatGpt原理课
笔记作为学习用，侵删

Chatph和自然语言处理

什么是ChatGpt

ChatGPT（Chat Generative Pre-training Transformer） 是一个 AI 模型，属于自然语言处理（ Natural Language Processing ， NLP ） 领域，NLP 是人工智能的一个分支。

NLP(自然语言处理)是指，让计算机来理解并正确地操作自然语言(人们日常生活中接触和使用的英语、汉语、德语等等)，完成人类指定的任务，比如关键词抽取，文本分类，机器翻译，对话系统(聊天机器人，也是chatgpt完成的工作)

ChatGPT 的建模形式

Chatgpt的工作形式：

多轮对话时，一般来讲模型仅会保留最近几轮对话的信息，此前的对话信息将被遗忘。
且Chatgpt在输出的时候，并不是直接一口气直接生成的，而是一个字一个字生成的，这种组逐字生成，即生成式，如

Chatgpt和NLP的发展历程

基于规则的NLP->基于统计的NLP->基于强化学习的NLP

• 基于规则的NLP：顾名思义就是人工编写规则，让计算机根据规则来解析和生成自然语言。但是缺点很明显：规则无穷无尽，且自然语言中，任何规则都无法覆盖需求，本质上也没有将自然语言处理的方式交给计算机，仍然是人在主导。比如早期的"人工智能"。
• 基于统计的NLP：利用机器学习算法，从大量的语料库中学习自然语言的规律特征(如chatGpt)。规则是隐形的，暗含在模型参数重，由模型根据训练得到，而基于规则的NLP，规则就是显性的，是人工编写的。但基于统计的也有缺点：黑盒不确定性，即规则是隐形的，暗含在参数中，比如gpt 有时候会给出云里雾里模糊的答案。
  预训练：
  在 ChatGPT 中，主要采用预训练（ Pre-training ） 技术来完成基于统计的 NLP 模型学习。
  它的重点在于，根据大规模原始语料学习一个语言模型，而这个模型并不直接学习如何解决具体的某种任务，而是学习从语法、词法、语用，到常识、知识等信息，把它们融汇在语言模型中。直观地讲，它更像是一个知识记忆器，而非运用知识解决实际问题。

基于强化学习的NLP

Chatgpt是基于统计的，然而他又利用新方法，带人工反馈的强化学习(Reinforcement Learning with Human Feedback，RLHF)，所谓强化学习，就是一种机器学习的方式，旨在让chatGpt(智能体，如NLP中的深度神经网络模型)通过与环境的交互来学习如何做出最优决策。

比如训练小狗，小狗就是chatGpt，通过听口令(环境)来做出对应的动作(学习目标)
一只小狗，当听到主人吹哨后，就会被奖励食物；而当主人不吹哨时，小狗只能挨饿。通过反复的进食、挨饿，小狗就能建立起相应的条件反射，实际上就是完成了一次强化学习。

在NLP领域，环境是人为构造出来的一种语言环境模型。

基于统计的方式，能让模型以最大自由度去拟合训练数据集，而强化学习，就是赋予模型更大的自由度，让模型能够自主学习，突破既定的数据集限制，chatGpt模型就是融合统计学习方法+强化学习方法，如

NLP 技术的发展脉络

基于规则，基于统计，基于强化学习这三种方式，并不仅仅是一种处理自然语言的手段，而是一种思想。一个解决某一个问题的模型，往往是融合了这三种解决思想的产物。

如果把计算机当作一个小孩，自然语言处理就像是人类来教育小孩子成长

基于规则：家长百分之百控制小孩子，强调手把手教。

基于统计：家长只告诉小孩子学习方法，而不教每一道题，让小孩子自己去学习，强调半引导，对于NLP，学习重心放在了神经网络模型上，但主动权仍有算法工程师执导。

基于强化学习：家长只给小孩制定目标，比如我要你考90分，然后就不管孩子如何学习，全靠孩子自学。小孩拥有极高的自由度和主动权，家长只对最终结果做出奖励和惩罚，不参与整个教育过程。对于NLP来说：整个过程的重心和主动权都在模型本身。

NLP 的发展一直以来都在逐渐向基于统计的方式靠拢，最终由基于强化学习的方式取得完全的胜利，胜利的标志，即 ChatGPT 的问世；

ChatGPT 的神经网络结构 Transformer

ChatGPT 是一个大型的神经网络，其内部结构是由若干层 Transformer 构成的，Transformer 是一种神经网络的结构。

Transformer 的核心是自注意力机制（Self-Attention），它可以帮助模型在处理输入的文字序列时，自动关注与当前位置字符相关的，其他位置字符，自注意力机制可以将输入序列中的每个位置当作一个向量，他们可以同时参与计算，从而实现高效的并行运算。也就是
Transformer 能够更好地捕捉句子中，跨越很长距离的词汇之间的关系，解决文本上下文的长依赖

总结

• NLP 领域的发展逐渐由人为编写规则、逻辑控制计算机程序，到完全交由网络模型去适应语言环境。
• ChatGPT 的工作流程是一个生成式的对话系统。
• ChatGPT 的训练过程包括语言模型的预训练，RLHF 带人工反馈的强化学习。
• ChatGPT 的模型结构采用以自注意力机制为核心的 Transformer。

从Gpt1.0到ChatGPT

若把 ChatGPT 比作一个健康聪明的青年人，那么早期的模型就是他的婴儿时期、青少年时期，GPT 的发展历程像是朝着模拟人类发展。

GPT 初代

GPT，Bert，ELMO模型，一起将 NLP 带进了大规模神经网络语言模型（Large Language Model, LLM）时代。它们正式标志着 NLP 领域开始全面拥抱预训练的方式。

GPT 的语言建模

GPT 初代所做的事就是从从大规模的文本语料中，将每一条文本随机地分成两部分，只保留上半部分，让模型学习下半部分学习到底该填写什么，这种学习方法让模型具备了在当时看来非常强的智能。所谓语言模型（Language Model，LM），就是从大量的数据中学习复杂的上下文联系

GPT-2

GPT-2 的论文名就叫做【Language Models are Unsupervised Multitask Learners】，语言模型是多任务学习者。
GPT-2 主要就是在 GPT 初代的基础上，又添加了多个任务，比如机器翻译、问答、文本摘要等等，扩增了数据集和模型参数，又训练了一番。
元学习（meta-learning），实际上就是语言模型的一脑多用。

GPT-3

大模型中的大模型

小样本（Few-Shot）学习

GPT3 的论文标题叫做【Language Models are Few-Shot Learners】，语言模型是小样本学习者
以往在训练 NLP 模型的时候，都需要用到大量的标注数据。可是标注数据的成本实在是太高了，这些都得人工手工一个个来标注完成！有没有什么不这么依赖大量标注的方式吗？

GPT3 就提出了小样本学习的概念，简单来讲，就是让模型学习语言时，不需要那么多的样例数据。
如

假设，我们训练一个可抽取文本中人名的模型，就需要标注千千万万个人名，比如“张雪华”、“刘星宇”等。千千万万个标注数据，就像是教了模型千千万万次同一个题目一样，这样才能掌握。

而人脑却不是这样，当被告知“山下惠子”是一个日本人名以后（仅仅被教学了一次），人脑马上就能理解，“中岛晴子”大概率也是一个日本人名，尽管人脑从来没听说过这个名字。

ChatGPT

ChatGPT 模型结构上和之前的几代都没有太大变化，主要变化的是训练策略变了。

强化学习

ChatGPT 将 NLP 带入了强化学习时代。

训练 ChatGPT 所需要的文本，主要来自于互联网，这是一个有限的集合，但是我们提出的问题，无穷无尽，有的在网上根本找不到。

对于传统的深度神经网络模型的训练思路，只能根据网上已有的数据做训练，学习的只是已有的数据本身。

而chatgpt的强化学习思路，则是模拟一个环境模型(Reward)。
chatgpt会根据一个问题给出一个答案，而环境模型则会给他打分。高分代表奖励，低分代表惩罚，不会给出标准答案。
而chatgpt接收到评价反馈后，可以根据这个数值做模型的进一步训练，朝着生成更加恰当答案的方向拟合。

由此，chatgpt 模型已经不再局限于已有的训练数据集，可以扩展至更大的范围，应对从未见过的问题。

总结

• 纵观 ChatGPT 模型的进化历史，可以看出，模型的发展脚步就是在朝着模拟人类的方式前进着
• 人类接收语言文字信息，输出语言文字，应用了编解码方式，ChatGPT 也利用了编解码的方式(编码解码)。
• 人类的大脑神经元数量是所有生物中最多的，ChatGPT 应用了超千亿的大规模参数模型(gpt3的模型参数量达1750亿)。
• 人类采用了对话的方式进行交流，ChatGPT 建模也采用了对话的方式(对话方式学习)。
• 人类的大脑具有多种多样的功能，ChatGPT 也融合了多任务，各种各样的NLP任务(gpt2 多任务学习)。
• 人类可以通过极少量的样例进行学习，ChatGPT 也可以完成小样本学习(gpt3 小样本学习，比如日本名中上惠子)。
• 人类可以在与实际环境的交互中学习知识，塑造语言，ChatGPT 也添加了强化学习，模拟与人类的交互(环境模型打分机制)。
• ChatGPT 的发展史，就是人工智能模拟人脑的历史。