這篇文章主要探討了ChatGPT的工作原理。ChatGPT是基于OpenAI開發(fā)的GPT-4架構(gòu)的大型語言模型。首先，文章介紹了GPT的基本概念，即生成預測性網(wǎng)絡模型。GPT模型利用大量的文本數(shù)據(jù)進行訓練，從而學會在各種情境中生成連貫的文本。

接著，文章詳細闡述了訓練過程，分為預訓練和微調(diào)兩個階段。在預訓練階段，模型學習理解文本數(shù)據(jù)，包括詞匯、語法、事實等；在微調(diào)階段，模型使用具有限制性任務的數(shù)據(jù)集來調(diào)整，以獲得更準確的輸出。作者還提到了訓練數(shù)據(jù)的來源，強調(diào)了在大量網(wǎng)絡文本數(shù)據(jù)中獲取知識的重要性。

在解釋輸出生成時，文章提到了一個關鍵技術：集束搜索（Beam Search）。這是一種啟發(fā)式搜索策略，用于選擇最優(yōu)文本序列。此外，作者強調(diào)了解決生成內(nèi)容問題的策略，包括設置過濾器和調(diào)整溫度參數(shù)。

最后，文章討論了ChatGPT的局限性，例如處理輸入數(shù)據(jù)時可能會產(chǎn)生偏見，或無法回答一些問題。盡管如此，作者指出ChatGPT是一個強大的工具，能夠在各種任務中提供有價值的幫助。

像ChatGPT這樣的大型語言模型實際上是如何工作的？嗯，它們既非常簡單又極其復雜。

你可以將模型視為根據(jù)某些輸入計算輸出概率的工具。在語言模型中，這意味著給定一系列單詞，它們會計算出序列中下一個單詞的概率，就像高級自動完成一樣。

要理解這些概率的來源，我們需要談論一些叫做神經(jīng)網(wǎng)絡的東西。這是一個類似網(wǎng)絡的結(jié)構(gòu)，數(shù)字被輸入到一側(cè)，概率被輸出到另一側(cè)。它們比你想象的要簡單。

想象一下，我們想要訓練一臺計算機來解決在3x3像素顯示器上識別符號的簡單問題。我們需要像這樣的神經(jīng)網(wǎng)絡：

• 一個輸入層
• 兩個隱藏層
• 一個輸出層。

我們的輸入層由9個稱為神經(jīng)元的節(jié)點組成，每個像素一個。每個神經(jīng)元將保存從1（白色）到-1（黑色）的數(shù)字。我們的輸出層由4個神經(jīng)元組成，每個神經(jīng)元代表可能的符號之一。它們的值最終將是0到1之間的概率。

在這些之間，我們有一些神經(jīng)元的排列，稱為**“隱藏”層**。對于我們簡單的用例，我們只需要兩個。每個神經(jīng)元都通過一個權(quán)重與相鄰層中的神經(jīng)元相連，該權(quán)重的值可以在-1和1之間。

當一個值從輸入神經(jīng)元傳遞到下一層時，它會乘以權(quán)重。然后，該神經(jīng)元簡單地將其接收到的所有值相加，將該值壓縮在-1和1之間，并將其傳遞給下一層中的每個神經(jīng)元。

最后一個隱藏層中的神經(jīng)元執(zhí)行相同的操作，但將值壓縮在0和1之間，并將其傳遞到輸出層。輸出層中的每個神經(jīng)元都保存一個概率，最高的數(shù)字是最可能的結(jié)果。

當我們訓練這個網(wǎng)絡時，我們向它提供一個我們知道答案的圖像，并計算答案與網(wǎng)絡計算的概率之間的差異。然后我們調(diào)整權(quán)重以接近預期結(jié)果。但是我們?nèi)绾沃廊绾握{(diào)整權(quán)重呢？

我們使用稱為梯度下降和反向傳播的巧妙數(shù)學技術來確定每個權(quán)重的哪個值會給我們最低的誤差。我們不斷重復這個過程，直到我們對模型的準確性感到滿意。

這被稱為前饋神經(jīng)網(wǎng)絡 - 但這種簡單的結(jié)構(gòu)不足以解決自然語言處理的問題。相反，LLM傾向于使用一種稱為Transformer的結(jié)構(gòu)，它具有一些關鍵概念，可以釋放出很多潛力。

首先，讓我們談談單詞。我們可以將單詞分解為 token ，這些 token 可以是單詞、子單詞、字符或符號，而不是將每個單詞作為輸入。請注意，它們甚至包括空格。

就像我們的模型中將像素值表示為0到1之間的數(shù)字一樣，這些token也需要表示為數(shù)字。我們可以為每個標記分配一個唯一的數(shù)字并稱之為一天，但還有另一種表示它們的方式，可以添加更多上下文。

我們可以將每個 token 存儲在一個多維向量中，指示它與其他標記的關系。為簡單起見，想象一下在二維平面上繪制單詞位置。我們希望具有相似含義的單詞彼此靠近。這被稱為 embedding 嵌入。

embedding 有助于創(chuàng)建相似單詞之間的關系，但它們也捕捉類比。例如，單詞“dog”和“puppy”之間的距離應該與“cat”和“kitten”之間的距離相同。我們還可以為整個句子創(chuàng)建 embedding 。

transformer 的第一部分是將我們的輸入單詞編碼為這些 embedding。然后將這些嵌入饋送到下一個過程，稱為 attention ，它為 embedding 添加了更多的上下文。attention 在自然語言處理中非常重要。

Embedding 難以捕捉具有多重含義的單詞?？紤] bank 這個詞的兩個含義。人類根據(jù)句子的上下文推斷出正確的含義。Money 和 River 在每個句子中都是與 bank相關的重要上下文。

attention 的過程會回顧整個句子，尋找提供詞匯背景的單詞。然后重新調(diào)整 embedding 權(quán)重，使得單詞“river”或“money”在語義上更接近于“word bank”。

這個 attention 過程會多次發(fā)生，以捕捉句子在多個維度上的上下文。在所有這些過程之后，上下文 embedding 最終被傳遞到神經(jīng)網(wǎng)絡中，就像我們之前提到的簡單神經(jīng)網(wǎng)絡一樣，產(chǎn)生概率。

這是一個大大簡化了的LLM（像ChatGPT這樣的語言模型）工作原理的版本。為了簡潔起見，本文省略或略過了很多內(nèi)容。

編輯中可能存在的bug沒法實時知道，事后為了解決這些bug,花了大量的時間進行l(wèi)og 調(diào)試，這邊順便給大家推薦一個好用的BUG監(jiān)控工具 Fundebug。

以上就是深入探究ChatGPT的工作原理的詳細內(nèi)容，更多關于ChatGPT工作原理的資料請關注腳本之家其它相關文章！

最新評論