来自:无数据不智能
目前关于chatGPT的资料过于零散,没有详尽所有知识点、系统概述的文章,因此,笔者作了这篇总结性文章。
训练过程总览
理清演化路径
预训练(pretrain)
GPT-3概述
GPT 3模型的理念
GPT-3如何学习
数据集
指令微调 (Instruction Fine-Tuning,IFT)
有监督微调 (Supervised Fine-tuning, SFT)
人类反馈强化学习 (Reinforcement Learning From Human Feedback,RLHF)
其他方法
思维链 (Chain-of-thought,CoT)
与chatGPT类似的工作
引用
进NLP群—>加入NLP交流群(备注nips/emnlp/nlpcc进入对应投稿群)
训练过程总览
OpenAI 使用了 175B参数的大型语言模型(LM) 和 6B参数的奖励模型(RM)。除预训练之外,训练过程分为三步:
收集NLP各种任务的数据集,加上任务描述和提示组装成新的数据集,并使用这些数据微调预训练的大型语言模型。包括指令微调和有监督微调。
从上述数据集中采样,使用大型语言模型生成多个响应,手动对这些响应进行排名,并训练奖励模型 (RM) 以适应人类偏好。
基于第一阶段的有监督微调模型和第二阶段的奖励模型,使用强化学习算法进一步训练大型语言模型。
理清演化路径
GPT-3.5 参数量仍然为175B,总体进化树如下:
预训练(pretrain)
GPT-3概述
GPT-3是一种自回归模型,仅使用解码器,训练目标也是预测下一个单词(没有判断下一句任务)。
最大的GPT-3模型有175B参数,是BERT模型大470倍(0.375B)
GPT 3模型的理念
不需要接新的模型结构:如bert用于NER任务一般接LSTM+CRF
不需要微调
一个模型解决NLP多种任务
NLP任务都可以用生成模型解决
和人类一样,只需要看极少数量的样例就能学会
GPT-3如何学习
零样本学习:提供任务描述、提示
单样本学习:提供任务描述、一个样例、提示
少样本学习:提供任务描述、几个样例、提示
数据集
BERT-large:BooksCorpus 800M words、 English Wikipedia 2.5Bwords
GPT:WebText2, BooksCorpus、Wikipedia超过 5GB。
GPT-2:WebText2, BooksCorpus、Wikipedia总量达到了40GB。
GPT-3:**WebText2, BooksCorpus、Wikipedia、Common Crawl **等数据集45TB数据。
指令微调 (Instruction Fine-Tuning,IFT)
收集NLP各种任务的数据集,加上任务描述和提示组装成新的数据集。chatGPT使用到的数据集如下:
相关的一些论文:
Unnatural Instructions (Honovich 等, '22): /abs/2212.09689
Super-natural instructions (Wang 等, '22): /abs/2204.07705
Self-Instruct (Wang 等, '22): /abs/2212.10560
T0 (Sanh 等, '22): /abs/2110.08207
Natural instructions 数据集 (Mishra 等, '22): /abs/2104.08773
FLAN LM (Wei 等, '22): /abs/2109.01652
OPT-IML (Iyer 等, '22): /abs/2212.1
有监督微调 (Supervised Fine-tuning, SFT)
此步骤未为了防止遇到敏感话题时,回复【不知道】这种无意义的回答,以加入一些人工标注数据,增加回复安全性,百级别的数据集即可完成。
相关的一些论文:
Google 的 LaMDA:附录 A /abs/2201.08239
DeepMind 的 Sparrow: Sparrow :附录 F /abs/2209.14375
人类反馈强化学习 (Reinforcement Learning From Human Feedback,RLHF)
描述:
策略 (policy) :一个接受提示并返回一系列文本 (或文本的概率分布) 的 LM。
行动空间 (action space) :LM 的词表对应的所有词元 (一般在 50k 数量级) ,
观察空间 (observation space) 是可能的输入词元序列,也比较大 (词汇量 ^ 输入标记的数量) 。
奖励函数是偏好模型和策略转变约束 (Policy shift constraint) 的结合。
此过程分为两步:
聚合问答数据并训练一个奖励模型 (Reward Model,RM)
用强化学习 (RL) 方式微调 LM
开源数据集:
Anthropic/hh-rlhf · Datasets at Hugging Face
OpenAI 使用的是用户提交的反馈。
其他方法
这部分简单介绍一下和chatGPT使用的微调并列的一些方法
思维链 (Chain-of-thought,CoT)
如下图所示使用一些带有逐步推理的数据集进行微调
橙色是任务描述,粉色是问题和答案,蓝色是推理过程
思维链提示 (Wei 等, '22): /abs/2201.11903
与chatGPT类似的工作
Meta 的 BlenderBot: /abs/2208.03188
Google 的 LaMDA: /abs/2201.08239
DeepMind 的 Sparrow: /abs/2209.14375
Anthropic 的 Assistant: /abs/2204.05862
引用
TRANSFORMER MODELS: AN INTRODUCTION AND CATALOG
WebGPT: Browser-assisted question-answering with human feedback
Training language models to follow instructions with human feedback
https://mp./s/b0AI01-pUnXVWPPXix-hew
/blog/chatgpt/
https://mp./s/eYmssaPFODjC7xwh1jHydQ
https://mp./s/mXViN_GB9VC1WrXP1Q1iug
https://mp./s/y9Jy9AyAyTCgCOKyMgTo3w
/p/595891945
https://www.hpc-ai.tech/blog/colossal-ai-chatgpt
https://yaofu.notion.site/GPT-3-5-360081d91ec245f29029d37b54573756
/pdf/1706.03762.pdf
/pdf/.14165.pdf
/pdf/1810.04805.pdf
进NLP群—>加入NLP交流群(备注nips/emnlp/nlpcc进入对应投稿群)
加入星球,你将获得:
1.每日更新3-5篇最新最优质的的论文速读
2.最新入门和进阶学习资料
4.每日1-3个NLP、搜广推、CV等AI岗位招聘信息