GPT面试知识点

news2024/10/6 20:29:47

0.GPT的模型结构

GPT是一个基于Transformer的生成式预训练模型。使用Transformer中的解码器部分

它由一系列的模块化的Transformer Blocks组成。每一个Block包含一个多头自注意力机制(Multi-Head Self-Attention mechanism)以及一个位置前馈网络(position-wise feedforward network)。所有的Block都共享同样的架构，但并不共享权重。

每一个Block的输入首先会通过多头自注意力机制进行处理。自注意力机制允许模型在生成当前词元(token)时考虑到输入序列中的所有其他词元，并为这些词元分配不同的注意力权重。

处理后的输出接着会经过一个前馈神经网络，这是一个逐位置(position-wise)操作，也就是说，它会独立地处理序列中的每一个位置的信息。

除了这些主要的部分，每一个Block还包含残差连接(residual connections)和层归一化(layer normalization)以提高训练稳定性和效果。

在GPT的训练过程中，模型会以自回归(auto-regressive)的方式处理输入的文本序列，即在生成每一个词元时，只考虑它前面的词元。然后，模型会尝试预测序列中下一个词元的概率分布。

总的来说，GPT模型的结构旨在充分利用输入序列中的全局信息，并通过自回归的方式生成文本。

1.什么是自回归语言模型

GPT系列模型（如GPT-3和GPT-4）就是典型的自回归语言模型

自回归语言模型（Autoregressive Language Model）是一种基于概率的自然语言处理（NLP）技术，其主要用途在于生成和解析文本。这种模型采用自回归的原理，即根据已知的历史数据来预测未来的值。在语言建模的背景下，这意味着模型会根据已观察到的单词序列来预测接下来的单词。

GPT系列模型（如GPT-3和GPT-4）就是自回归语言模型的经典例子。

2.比较GPT和BERT的不同

BERT（Bidirectional Encoder Representations from Transformers）和GPT（Generative Pretrained Transformer）都是自然语言处理中的前沿模型，但它们在建模语言时使用了不同的方法。

BERT采用了一种被称为“掩码语言模型”的方式，也就是通过随机屏蔽文本中的一部分单词，然后训练模型去预测这些被屏蔽的单词。BERT使用的是Transformer的编码器结构，并且是双向的，可以同时考虑上下文中前后的信息。

相比之下，GPT则采用了自回归的方式，也就是给定一系列的前文，预测后续的Token。GPT使用的是Transformer的解码器结构，只能从前往后预测，也就是说，它在预测某个单词时只考虑该单词前面的上下文。

两种模型使用的目标函数（损失函数）不同。GPT的目标函数相较BERT的目标函数更为复杂，因为它需要生成整个文本序列，而不仅仅是填充被遮挡的部分。另一方面，BERT的目标函数在某种程度上可以认为是有一个更高的“下限”，因为它的任务更简单——只需要预测遮挡的单词。然而，GPT的“上限”更高，因为它具有生成完整文本的能力。

BERT更擅长理解文本（因为它同时考虑了上下文的前后信息），而GPT则更擅长生成文本（因为它从前往后生成整个文本）。

3.使用GPT进行微调

GPT是可以根据不同下游任务进行微调

GPT2可以微调，也可以用类似prompt的方式进行Few-shot和Zero-shot 的推理

GPT3在处理子任务的时候不做任何梯度更新和微调，主要原因是模型过大，微调成本过高。主要使用下面的方法进行Few-shot，Zero-shot 的推理。

Zero-shot是指我们给模型提供一个包含任务信息的输入，然后让模型直接预测答案。

Few-shot是在零次学习的基础上给模型提供少量的示例来指导其理解任务。

4.GPT局限性

（下面这段话都是GPT自己生成的。。。）

虽然GPT（包括其后续版本如GPT-2、GPT-3等）在许多自然语言处理任务中表现出卓越的性能，但它们仍存在一些局限性：

过度生成： GPT模型有时可能会生成与输入不相关或者没有根据的内容。这是因为它们是在大量文本数据上训练的，它们的主要目标是生成看似语法正确、连贯的文本，而不一定是逻辑上严谨或事实上准确的内容。
缺乏常识和深度理解： 虽然GPT可以通过训练数据学习到大量的语言模式，但它并不真正理解语言的含义。这意味着它可能会做出一些明显违反常识的错误。同样，对于需要深度理解或专门知识的问题，GPT的表现可能不佳。
易于产生偏见： GPT模型在训练过程中可能会学习到数据中的偏见，包括性别、种族、宗教等各种形式的偏见。如果这些偏见在生成的内容中得到体现，可能会引发问题。
难以控制生成内容： 控制GPT模型生成的具体内容是一项挑战。虽然我们可以通过调整参数和使用特定的输入提示来影响输出，但这通常需要大量的试错和微调。
知识更新的问题： GPT模型在训练后的知识是固定的，它不能获取或理解训练数据后发生的事件或新的知识。
计算资源消耗大： 训练GPT这样的大型模型需要大量的计算资源，这在一定程度上限制了其可接受性和普及性。
安全性和滥用的问题： 高质量的文本生成能力可能被用于不良目的，如产生虚假新闻、恶意评论等。