GPT : Improving Language Understanding by Generative Pre-Training

版权声明：本文为博主原创文章，遵循 CC 4.0 by-sa 版权协议，转载请附上原文出处链接和本声明。

                 本文链接：[https://blog.csdn.net/qq\_27717921/article/details/99670843](https://blog.csdn.net/qq_27717921/article/details/99670843) 

前言

在之前的博客中讲过预训练的好处，并且预训练可以以多种方式参与到后续的下游任务中，这里就不再赘述。在这篇论文中，探索出了一种对自然语言理解任务的半监督方法，融合了无监督的预训练(pre-training)和有监督的微调(fine-tuning)过程。本文提出了一种通用表示，能够在范围广泛的任务中稍加修改、适应就能快速进行transfer.整个过程分成两个阶段。

阶段一：在无标签的海量数据中训练语言模型，学习神经网络模型的参数。

阶段二：应用阶段一训练完成模型参数用相关标签数据训练target task。

文本分类这篇论文采用了3层的单向LSTM，无attention,带有少量dropout 参数，而本文的模型结构采用了Transformer,在多个任务中，比如机器翻译， 文档生成和句法分析都表现更好。选择这个模型相对与rnn网络能更好地解决长依赖的问题，在跨多样任务迁移模型时能够高效适用。在迁移过程中，这篇论文基于traversal-style将结构化文本处理为单一连续词条序列，这样的处理使得fine-tune对pre-trained model做小改动就可以兼容多种不同任务。

并且经实验验证，本文所采用的方法在12种nlp任务中有9种任务的效果都有显著提高。

框架

Unsupervised pre-training

给定无标签语料

，我们采用标准语言模型去极大化下式：

k是基于语境窗口的大小，条件概率P表示在参数

下采用神经网络建模的可能性。训练参数可以通过梯度下降获得。

在本文的实验中，我们采用了多层的Transformer decoder来建立语言模型，模型采用多头自注意力

是上下文窗口的token 序列，n是层的个数，We是词项量矩阵，Wp是位置嵌入矩阵。

Supervised fine-tuning

基于公式1训练的模型，本文将训练获得的参数应用于有监督的目标任务。假定有带标签的数据集C，包含的每个实例是词序列，如

，带有标签y，首先作为输入通过已经预训练好的pre-trained model获得最终transformer block's activation

,然后输入带有Wy的线性输出层来预测y

在处理输入序列时，可以针对不同任务进行拼接来进行fine-tuning, 如下图：

从上图可以看出，对于不同的任务有不同的处理方式。

实验

有效因子分析