【深度学习】常见模型-GPT（Generative Pre-trained Transformer，生成式预训练 Transformer）

🔹 GPT（Generative Pre-trained Transformer）

1️⃣ 什么是 GPT？

GPT（Generative Pre-trained Transformer，生成式预训练 Transformer）是由 OpenAI 开发的基于 Transformer 解码器（Decoder） 的 自回归（Autoregressive）语言模型。
它能够通过 大量无监督数据预训练，然后 微调（Fine-tuning） 以适应特定任务，如 文本生成、对话系统、代码生成等。

2️⃣ GPT 的关键特点

✅ 基于 Transformer 结构：使用 多层自注意力（Self-Attention） 机制建模文本序列。
✅ 单向（左到右）训练：不同于 BERT 的 双向编码，GPT 仅使用 前向信息 进行预测。
✅ 自回归（Autoregressive）生成：通过 逐步预测下一个词 来生成文本。
✅ 大规模预训练 + 任务微调：先在 海量数据上预训练，再微调以适应具体应用。

3️⃣ GPT 的架构

📌 GPT 采用 Transformer 解码器，其核心包括：

多头自注意力（Multi-Head Self-Attention）：学习上下文关系。
前馈神经网络（Feed-Forward Network, FFN）：增加模型非线性能力。
残差连接（Residual Connection）+ 层归一化（Layer Normalization）：稳定训练过程。
位置编码（Positional Encoding）：保留输入文本的顺序信息。

📌 GPT 主要版本

版本	参数量	主要特点
GPT-1 (2018)	1.17 亿	仅用于 NLP 任务
GPT-2 (2019)	15 亿 - 175 亿	更强大的文本生成能力
GPT-3 (2020)	1,750 亿	可用于翻译、对话、代码生成等
GPT-4 (2023)	兆级参数	多模态能力（支持图像+文本）

4️⃣ GPT 的训练方式

📌 GPT 采用两阶段训练：

预训练（Pre-training）
- 在大规模文本数据（如维基百科、书籍、新闻等）上训练，目标是 预测下一个词：
- 公式： $P(w_t | w_1, w_2, ..., w_{t-1})$
- 例如：输入：The cat sat on the 目标：预测 "mat"。
微调（Fine-tuning）
- 在特定任务（如问答、摘要、情感分析）上进行额外训练。
- 例如，GPT 微调后可用于 ChatGPT 进行对话。

5️⃣ GPT 代码示例

✅ 使用 Hugging Face 运行 GPT

from transformers import GPT2LMHeadModel, GPT2Tokenizer# 加载 GPT-2 预训练模型和分词器
model = GPT2LMHeadModel.from_pretrained("gpt2")
tokenizer = GPT2Tokenizer.from_pretrained("gpt2")# 输入文本
input_text = "Artificial Intelligence is transforming the world"  # 输入文本
inputs = tokenizer(input_text, return_tensors="pt")  # 输入文本转换为模型输入# 生成文本
output = model.generate(**inputs, max_length=50)  # 生成长度为50的文本
print(tokenizer.decode(output[0], skip_special_tokens=True))  # 输出文本

📌 输出示例：

Artificial Intelligence is transforming the world.The world is changing.The world is changing.The world is changing.The world is changing.The world is changing.The world is changing.

✅ GPT 进行问答

from transformers import pipeline# 加载 GPT-2 进行问答任务
qa_pipeline = pipeline("text-generation", model="gpt2")# 生成回答
response = qa_pipeline("What is the capital of France?", max_length=30)
print(response[0]["generated_text"])

📌 输出：

What is the capital of France? How has Greece been governed? In short, what is its future? We will see what the French leadership stands for

6️⃣ GPT vs BERT（区别对比）

模型	架构	训练方式	主要用途
GPT	Transformer Decoder	单向学习（左到右）	主要用于文本生成（如 ChatGPT）
BERT	Transformer Encoder	双向学习（MLM + NSP）	适用于 NLP 任务（分类、问答、NER）