[19.02] GPT-2

四十八層解碼器

Language models are unsupervised multitask learners

---

第一代的 GPT 疊了十二層 Transformer 解碼器。

OpenAI 覺得這樣不夠，於是他們疊了四十八層 Transformer 解碼器，這就是 GPT-2。

定義問題

作者認為現有的機器學習系統表現出色，但其實充滿問題。

在這篇文章中，簡要的說明了幾個方向：

脆弱性

• 機器學習系統在資料分佈和任務規範的輕微變化方面表現出脆弱性。
• 這些系統對於不同輸入的多樣性和變化缺乏穩定性，導致不穩定的行為。

狹隘專家的局限性

• 當前的機器學習系統更像是狹隘的專家，而不是通用型的系統，限制了其應用範圍。
• 這些系統依賴於為每個特定任務手動建立和標記訓練資料集，過程繁瑣且不具通用性。

泛化能力不足

• 單域資料集上單任務訓練的普遍存在導致了系統缺乏泛化能力。
• 為了實現穩健的系統，可能需要在更廣泛的領域和多任務上進行培訓和測量效能。

解決問題

這篇論文沒有提出新的模型架構，而是將現有的 GPT-1 模型進行了擴展。

模型設計

首先，將 LayerNorm 移到了每個子塊的輸入處，這與前啟動殘差網路類似。此外，作者在最後一個自注意力塊（self-attention block）之後添加了一個額外的層歸一化。

作者使用了一種修改過的初始化方法，考慮到模型深度增加時殘差路徑上的累積。在初始化時將殘差層的權重按 1/√N 的因子進行縮放，這裡 N 是殘差層的數量。

為了增強模型的能力，作者將詞彙表擴展到 50,257。上下文大小也從 512 增加到 1024 個 Tokens，並且使用更大的 Batch size 為 512。

提示

如果你有經驗，就會知道在這種設計下，Batch size 為 512 真的是個很大的數字。

多任務學習

一個通用系統應該能夠執行許多不同的任務。這意味著系統需要對 P(輸出|輸入，任務) 進行建模，而不僅僅是對單一任務的條件分佈 P(輸出|輸入) 進行建模。

在這裡，作者提出的實現方式為：將輸入和輸出全部指定為符號序列，並使用語言建模來訓練模型。例如，翻譯訓練範例可以表示為（翻譯為法文、英文文字、法文文字），而閱讀理解訓練範例可以表示為（回答問題、文件、問題、答案）。

總之，就是用文字說明，來區分不同的任務。

多樣化的資料

大多數先前的語言模型訓練工作集中在單一文本域，例如新聞文章、維基百科或小說書籍。作者提出的方法則鼓勵建立盡可能大和多樣化的資料集，以便涵蓋更多領域和上下文的自然語言演示。

為此，作者選擇了網頁抓取，特別是使用了 Common Crawl 資料集。

但是用了之後，發現 Common Crawl 存在嚴重的資料品質問題...

• 解決方案

  • 新的網頁抓取：為了提高資料品質，作者抓取來自 Reddit 平台的所有出站鏈接，這些鏈接至少「需要獲得了 3 個其他用戶的認同」，才會被認為是可以使用的乾淨資料。
  • 資料集 WebText：產生的資料集 WebText 包含這 4500 萬個連結的文字子集。WebText 初步版本不包括 2017 年 12 月之後創建的鏈接，經過重複數據刪除和啟發式清理後，包含略超過 800 萬個文件，共計 40 GB 文字。
  • 維基百科文件排除：從 WebText 中刪除了所有維基百科文件，避免訓練資料與測試評估任務重疊，從而使分析更加準確。

提示

這表示在 2017 年以前的資料才是沒有經過語言模型「污染」的真實人類語言。在這之後，人們很難判斷一篇文章或是一段文字到底是人寫的還是機器寫的。

這對之後的模型訓練產生很大的挑戰，因為當模型學習自己產生的資料時，任何錯誤或偏差都會被放大。隨著迭代次數增加，這些錯誤會累積，導致模型性能逐漸惡化，直到最終崩潰。

優化 BPE 編碼

位元組級 BPE 的優勢在於其靈活性和通用性，因為它可以將任何字元分解為位元組序列。然而，直接將 BPE 應用於位元組序列上，可能會因為 BPE 使用貪婪的頻率算法來構建詞彙，導致次優的合併結果。

為了解決這個問題，作者提出了一種改進的方法：在位元組序列中，阻止不同字元類別之間的合併，僅對空格作為例外。這樣可以顯著提高壓縮效率，同時僅在多個詞彙標記中添加最少的單字碎片。

提示

這可能像是拼拼圖。

普通的 BPE 就像是你先把一些經常出現的拼圖塊組合起來，比如天空的部分、草地的部分，然後把這些組合好的大塊放到一起拼。這樣做的好處是，你很快就能拼出一大片天空或一大片草地，效率很高。

不過，如果這個拼圖的圖案非常複雜，有很多種不同的圖案組合（相當於 Unicode 字元），你需要記住所有這些圖案的組合方式，這樣你的拼圖塊就會變得非常多，管理起來很麻煩。

位元組 BPE（Byte-Level BPE）

位元組 BPE 的方法就像是你不管這些圖案，只關注每一塊拼圖本身。你把每一塊拼圖分成更小的單位，可能是每一小片的顏色或形狀。這樣做的好處是，你只需要記住這些基本的單位，而不需要記住整個圖案的組合方式。你的拼圖塊數量大大減少，只需要管理 256 種基本單位，比起成千上萬種圖案組合簡單多了。

但這也有一個問題，如果你隨意地把這些小單位組合起來，你可能會發現拼圖變得更加零散，比如說你會把一部分天空和一部分草地混在一起，這樣你很難拼出完整的圖案。

為了解決這個問題，作者提出了一個改進的方法。他們決定在組合這些小單位時，避免把不同類型的圖案混合在一起，比如不把天空和草地的單位混在一起，這樣可以保證每一部分圖案更容易拼出來。同時，他們允許在圖案之間留一些空白，這樣可以保持每一部分圖案的完整性。

這樣一來，他們就能結合兩種方法的優點：既能有效地拼出大的圖案，又不需要記住過多的圖案組合方式。這種方法讓他們能夠更高效地完成拼圖遊戲，也更容易看到完整的圖案。

討論

模型尺寸

本論文提出了四個模型參數設計，進行了訓練和基準測試。

Zero-shot

作者首先檢視模型的零樣本性能，即模型在未見過的任務上的表現。

他們發現，GPT-2 在跨域和跨資料集的遷移能力上表現良好，在零樣本設置中提升了 8 個資料集中的 7 個資料集的現有技術水平。在 Penn Treebank 和 WikiText-2 等小型資料集上，有顯著的改進，這些資料集僅有 100 到 200 萬個訓練標記。

針對長期依賴性測量的資料集（如 LAMBADA 和兒童圖書測試）也取得了巨大的進步。

指標	含義	解讀方式
PPL	困惑度：衡量模型預測序列的效果，數值愈低表示模型越好。	分數愈低，表示模型對序列的預測越準確，即模型越好。
ACC	準確率：衡量模型預測正確的比例。	分數越高，表示模型預測正確的比例越高，即模型越準確。
BPB	每位元組位數：每個位元組在二進制表示中平均需要的位數。	分數愈低，表示模型壓縮和預測的效率越高，即模型越優秀。
BPC	每字元位數：每個字元在二進制表示中平均需要的位數。	分數愈低，表示模型壓縮和預測的效率越高，即模型越優秀。

各類實驗

作者在各種不同的任務上進行了實驗，包括語言建模、機器翻譯、問答、文本摘要、文本生成等。

我們就簡單彙整一份表格，讓你快速了解 GPT-2 在各個任務上的表現：

測試名稱	目的	測試方式	結果
兒童圖書測驗 (CBT)	檢查模型在不同類別單字上的表現。	預測完形填空測試中省略單字的正確選項。	普通名詞準確率 93.3%，命名實體準確率 89.1%。
LAMBADA	測試對遠端依賴關係的建模能力。	預測句子的最終單詞。	困惑度從 99.8 降至 8.6，準確率從 19% 提高到 52.66%；使用停用詞過濾器後準確度提高到 63.24%。
Winograd Schema 挑戰	測量解決文本歧義的能力。	解決模糊性問題。	在 273 個範例的小型資料集上表現良好。
閱讀理解（CoQA）	測試回答依賴對話歷史的問題能力。	使用對話問答資料集。	開發集上達到 55 F1 分數，接近或超過四分之三的基線系統性能。
摘要	測試總結能力。	通過 Top-k 隨機採樣生成摘要。	生成摘要質量類似於摘要，但細節有時混淆；在 ROUGE 指標上僅勉強優於隨機選擇的 3 個句子。
翻譯	測試翻譯能力。	使用英語=法語句子進行翻譯。	英法測試集上獲得 5 BLEU；法英測試集上獲得 11.5 BLEU，低於最佳無監督方法的 33.5 BLEU。
問答	測試為事實性問題產生正確答案的頻率。	植入範例問題答案對，評估回答準確性。	正確回答了 4.1% 的問題，比基線多 5.3 倍；在最有信心的 1% 問題上的準確度為 63.1%。

結論

本研究旨在探索無監督任務學習在自然語言處理（NLP）中的應用和潛力，特別是利用 GPT-2 模型在無需監督適應或修改的情況下直接執行各種 NLP 任務的能力。

GPT-2 告訴我們：當大型語言模型在足夠大且多樣化的資料集上進行訓練時，它們能夠在許多領域和資料集上表現良好，並且能夠在不需要顯式監督的情況下執行大量任務。

這些發現為未來 NLP 任務中的無監督學習和模型改進提供了新的視角和可能性。