论文题目: Improving Language Understanding by Generative Pre-Training
论文地址: https://www.cs.ubc.ca/~amuham01/LING530/papers/radford2018improving.pdf
论文发表于: OpenAI 2018
论文所属单位: OpenAI
论文大体内容：
本文主要提出了GPT（Generative Pre-Training）模型，通过大模型pre-train + 子任务fine-tune的方式，在NLU系列任务中取得收益。
Motivation
相对Word2Vec通读全文的方式，本文的GPT模型另辟蹊径，采用通过上文预测下文的方式，更符合人的方式。
Contribution
①使用半监督学习的方法（大模型pre-train + 子任务fine-tune）进行NLU任务；
②在12个task中的9个，取得state-of-art的成绩；
GPT的参数量是1.17亿个参数；
1. GPT的主体思想是无监督学习NN大模型，然后监督学习对具体任务进行fine-tune；
2. 与Word2Vec不一样的点，这里大模型pre-train用的是前k个word预测当前word，不会使用后面的word；
3. 无监督学习pre-train大模型，这里使用了12层的transformer，优化Loss如下：
4. 监督学习fine-tune，优化Loss如下：
5. 整体Loss使用上面2部分Loss直接线性相加，其中λ=0.5；
6. 本文发现使用pre-train大模型作为supervise learning的辅助，能够提升泛化性和加速收敛；
7. 整体的模型架构图如下，激活函数用了GELU[2]：
实验
8. Dataset
9. 实验结果
参考资料
[1] https://gluebenchmark.com/leaderboard
[2] GELU https://paperswithcode.com/method/gelu
以上均为个人见解，因本人水平有限，如发现有所错漏，敬请指出，谢谢！
