gpt模型结构（GPT模型总结【模型结构及计算过程_详细说明】）

GPT模型

GPT模型：生成式预训练模型（Generative Pre-Training）

总体结构：

无监督的预训练

有监督的下游任务精调

核心结构：中间部分主要由12个Transformer Decoder的block堆叠而成

下面这张图更直观地反映了模型的整体结构：

模型描述

GPT 使用 Transformer的 Decoder 结构
  
  
  
  
  
  
  
，并对 Transformer Decoder 进行了一些改动  
  
  
  
  
  
  
 ，原本的 Decoder 包含了两个 Multi-Head Attention 结构
 


 


 


 


 


 


 


 ，GPT 只保留了 Mask Multi-Head Attention
 
 
 
 
 
 
 
，如下图所示
  
  
  
  
  
  
  
。

（很多资料上说类似于decoder结构   
   
   
   
   
   
   
 ，因为采用了decoder的mask机制
 

 

 

 

 

 

 

 ，不过抛开这一点

 

 

 

 

 

 

 
，其实感觉和encoder会更像               ，所以实现时有时反而是调encoder实现 莫烦Python GPT实现代码）

对比原有transformer的结构

阶段描述

预训练阶段：

预训练阶段为文本预测
 
 

 
 

 
 

 
 

 
 

 
 

 
 

 ，即根据已有的历史词预测当前时刻的词














，7-2,7-3,7-4三个式子对应之前的GPT结构图                      ，输出P(x)为输出 
 
 
 
 
 
 
 
 
 
 
 
 
 
 ，每个词被预测到的概率






















，再利用7-1式              ，计算最大似然函数  
 
  
 
  
 
  
 
  
 
  
 
  
 
  ，据此构造损失函数














，即可以对该语言模型进行优化  
  
  
  
  
  
  
 。

下游任务精调阶段

损失函数

下游任务与上游任务损失的线性组合

计算过程：

输入 Embedding 多层transformer的block 拿到两个输出端结果 计算损失 反向传播 更新参数

一个具体的GPT实例代码：

可以看到GPT模型的forward函数中
  
  
  
  
  
  
  
，首先进行Embedding操作  
  
  
  
  
  
  
 ，然后经过12层transformer的block中进行运算
 


 


 


 


 


 


 


 ，然后分别经过两个线性变换得到最终计算值（一个用于文本预测
 
 
 
 
 
 
 
，一个用于任务分类器）   
   
   
   
   
   
   
 ，代码与最开始展示的模型结构图保持一致
 


 


 


 


 


 


 


 。

参考：莫烦Python GPT实现代码

下面我们着重关注计算步骤2, 3

计算细节：

【Embedding层】：

查表操作

Embedding层就是以one hot为输入
  
  
  
  
  
  
  
、中间层节点为字向量维数的全连接层
 
 
 
 
 
 
 
。而这个全连接层的参数
 

 

 

 

 

 

 

 ，就是一个“字向量表               ”   
   
   
   
   
   
   
 。

one hot型的矩阵相乘

 

 

 

 

 

 

 
，就像是相当于查表               ，于是它直接用查表作为操作
 
 

 
 

 
 

 
 

 
 

 
 

 
 

 ，而不写成矩阵再运算














，这大大降低了运算量
 

 

 

 

 

 

 

 。再次强调                      ，降低了运算量不是因为词向量的出现 
 
 
 
 
 
 
 
 
 
 
 
 
 
 ，而是因为把one hot型的矩阵运算简化为了查表操作

 

 

 

 

 

 

 
。

【GPT中类似transformer的decoder层】：

每个decoder层包含两个子层

sublayer1: mask的多头注意力层 sublayer2: ffn (feed-forward network)前馈网络（多层感知机）

sublayer1：mask的多头注意力层

输入: q, k, v, mask

计算注意力：Linear(矩阵乘法)→Scaled Dot-Product Attention→Concat(多个注意力的结果, reshape )→Linear(矩阵乘法)

残差连接和归一化操作：Dropout操作→残差连接→层归一化操作

计算过程：

下面这段内容介绍了计算注意力的整体过程：

分解说明： Mask Multi-head Attention 1.矩阵乘法：

将输入的q,k,v进行变换

2.Scaled Dot-Product Attention

主要就是进行attention的计算以及mask的操作

Mask操作：masked_fill_(mask, value)

掩码操作






















，用value填充tensor中与mask中值为1位置相对应的元素               。mask的形状必须与要填充的tensor形状一致
 
 

 
 

 
 

 
 

 
 

 
 

 
 

 。（这里采用-inf填充              ，从而softmax之后变成0  
 
  
 
  
 
  
 
  
 
  
 
  
 
  ，相当于看不见后面的词）

transformer中的mask操作

mask后可视化矩阵：

直观理解是每个词只能看到它之前的词（因为目的就是要预测未来的词嘛














，要是看到了就不用预测了）

3.Concat操作：

综合多个注意力头的结果
  
  
  
  
  
  
  
，实际上是对矩阵做变换：permute  
  
  
  
  
  
  
 ，reshape操作
 


 


 


 


 


 


 


 ，降维














。（如下图红框中所示）

4.矩阵乘法：一个Linear层
 
 
 
 
 
 
 
，对注意力结果线性变换

整个mask多头注意力层的代码：

注意到：上述代码中后面几行是对注意力结果进行残差连接和归一化操作

下说明这一过程： 残差连接和归一化操作： 5.Dropout层 6.矩阵加法 7.层归一化

批量归一化是不同训练数据之间对单个神经元的归一化   
   
   
   
   
   
   
 ，层归一化是单个训练数据对某一层所有神经元之间的归一化                      。

输入归一化  
  
  
  
  
  
  
 、批量归一化(BN)与层归一化(LN)

代码展示：

sublayer2: ffn (feed-forward network)前馈网络

1.线性层（矩阵乘法） 2.relu函数激活 3.线性层（矩阵乘法） 4.Dropout操作 5.层归一化

【线性层】：

多层block的输出结果放到两个线性层中进行变换
 

 

 

 

 

 

 

 ，比较简单

 

 

 

 

 

 

 
，不做赘述 
 
 
 
 
 
 
 
 
 
 
 
 
 
 。

补充：注意力层流程图示

参考资料

1.参考论文：Radford et al. 《Improving Language Undersatnding by Generative Pre-Training"》

2.参考书籍：《自然语言处理 基于预训练模型的方法》车万翔,郭江,崔一鸣

3.本文中代码来源：莫烦Python GPT实现代码

4.其它参考链接（博文中已提到部分）：

word embedding计算过程剖析

Transformer的矩阵维度分析和Mask详解