文献阅读：Improving Language Understanding by Generative Pre-Training

文献阅读：Improving Language Understanding by Generative Pre-Training
- 1. 文章简介
- 2. 模型介绍
- 3. 实验考察
  - 1. 训练数据
  - 2. 实验结果
  - 3. 消解实验
- 4. 总结 & 思考

文献链接：https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf

1. 文章简介

这篇文章是OpenAI在18年发表的一篇古早文章了，在这篇文章里面，OpenAI第一次提出了GPT模型。

因此，这篇文章放到如今，其实已经完全没有新东西了，里面的东西基本也早就被用烂了，除了OpenAI自己在此基础上引申出的GPT2，GPT3，InstructGPT以及传闻中即将放出的GPT4之外，Google也放出过大规模的LM像是PaLM之类的。到如今，做NLP相关工作的，不知道这篇文章的大概反而是少数了吧，就算没完整地读过，估摸着也知道这文章具体是做了啥的。

但是现在既然工作中涉及到了GPT相关的内容，就打算趁此机会回来把整个GPT系列的模型完整的整理一下。

2. 模型介绍

模型方面，其实就是一个Transformer Decoder模型，不过说Decoder也有点不太对，毕竟相较于原版的Transformer Decoder，这里没有cross attention layer，算是一个单向的transformer encoder吧，具体结构以及数据构造方式可以参考下图：

这一版本的GPT模型走的还是相对较为传统的预训练 + finetune的范式，或者说，在当时，印象中这是最早的一批开始走自监督模型预训练的工作之一了。

3. 实验考察

1. 训练数据

首先，我们来看一下模型训练所使用的数据集。

在预训练的部分，模型使用BooksCorpus数据，而在finetune阶段，文中使用了如下数据集进行了考察：

2. 实验结果

下面，我们来看一下GPT模型在上述各类任务当中的效果：

NLI任务
QA任务
Sentence Similarity
分类任务

得到结果如下：

可以看到：

GPT在几乎全部的任务当中都获得了SOTA的结果。

3. 消解实验

除了上述基础实验之外，文中还做了一些进阶考察，具体包括：

考察了层数对模型效果的影响；
比较了Transformer与LSTM的效果；
考察了预训练模型在zero-shot下的效果；

具体如下两图所示：

可以看到：

随着层数的增加，模型效果确实是持续提升的；
Transformer模型（Fig2中右图实线）的效果是显著由于LSTM模型（Fig2中右图虚线）的；
GPT预训练模型如果不经过finetune事实上也是可以呈现出不错的结果的。

4. 总结 & 思考

综上，这篇文章提出了GPT模型，主要就是提出了自回归模型的预训练模型范式，并且发现：

基于Transformer的预训练LM的效果是优于LSTM的，且效果可以随着层数和参数量的增大而持续提升；
预训练后得到的LLM即使不经过finetune，其效果也是可以的。

基于这两点，后续OpenAI发布的GPT2,GPT3乃至传闻中即将发布的GPT4，基本上都是在上述基础上不断地优化，因此虽然这篇古早到现在已经没啥值得一提的新东西了，但是意义上来说真心是开创性的牛逼工作了……