文章目录
前言
《Language Models are Few-Shot Learners，2020》
前文提到GPT-2进一步提升了模型的zero shot能力，但是在一些任务中仍可能会“胡说”，GTP-3基于此提出了few shot，即预测时给出少量精确案例，提升模型的准确性，同时进一步增大模型。
一、GTP-3的改进
- Larger Model： GPT-3将Transformer堆叠的层数从48层增加到96层，每层有96个注意力头，隐层的维度从1600提升至12888，最大模型参数达到1750 亿（175B）。
- Larger Dataset：GPT-3 使用了多个数据集，其中最大的是 CommonCrawl，原始未处理的数据达到了 45TB，通过数据清洗工作（LR 分类、去重、加入 BERT、GPT、GPT-2 等数据集），最终得到的数据集大小为570G。
- 上下文大小 (context size) ：从GPT-2的1024提升到了2048。
- 注意力机制：引入了 Sparse Transformer 中的 sparse attention 模块（稀疏注意力）。
ps:
sparse attention 与传统 self-attention（称为 dense attention） 的区别在于：
- dense attention：每个 token 之间两两计算 attention，复杂度 O(n²)
- sparse attention：每个 token 只与其他 token 的一个子集计算 attention，复杂度 O(n*logn)
具体来说，sparse attention 除了相对距离不超过 k 以及相对距离为 k，2k，3k，… 的 token，其他所有 token 的注意力都设为 0，k=2的稀疏注意力如下图所示：
使用 sparse attention 的好处主要有以下两点：
- 减少注意力层的计算复杂度，节约显存和耗时，从而能够处理更长的输入序列；
- 具有“局部紧密相关和远程稀疏相关”的特性，对于距离较近的上下文关注更多，对于距离较远的上下文关注较少；
- few-shot：相比于finetune，可以提升模型表现，且无需大数据集和再训练，需要注意的是表现仍远小于SOTA微调技术，见下图。
二、GPT-3的表现
完形填空任务和完成任务：
问答（QA）任务：
问答（QA）任务和阅读理解（RC）任务：
翻译任务：
总结
虽然 GPT-3 取得了非常亮眼的效果，但仍存在一些问题：
- 当生成文本长度较长时会出现各种问题，比如重复生成一段话，前后矛盾，逻辑衔接不好等等；
- 模型和结构的局限性，对于某一些任务，比如填空类型的文本任务，使用单向的自回归语言模型确实存在一定的局限性，这时候如果同时考虑上文和下文的话，效果很可能会更好一些；
- 预训练语言模型的通病，在训练时，语料中所有的词都被同等看待，对于一些虚词或无意义的词同样需要花费很多计算量去学习，无法区分学习重点；
- 样本有效性或者利用率过低，训一个模型几乎要把整个互联网上的文本数据全都用起来，这与我们人类学习时所需要的成本存在非常大的差异，这方面也是未来人工智能研究的重点；
- 模型到底是在“学习”还是在“记忆”？
- 训练和使用成本都太大了；
- 不可解释性；
- 模型最终呈现的效果取决于训练数据，这会导致模型会出现各种各样的“偏见”；
