ChatGPT背后的原理简析

　　ChatGPT 是 OpenAI 发布的最新语言模型，比其前身 GPT-3 有显著提升。与许多大型语言模型类似，ChatGPT 能以不同样式、不同目的生成文本，并且在准确度、叙述细节和上下文连贯性上具有更优的表现。它代表了 OpenAI 最新一代的大型语言模型，并且在设计上非常注重交互性。

　　从官网介绍可以看到，ChatGPT与InstructGPT是同源的模型。

　　chatGPT是一种基于转移学 习的大型语言模型，它使用GPT-2 （Generative PretrainedTransformer2）模型的技术，并进行了进一步的训练和优化。

　　GPT-2模型是一种基于注意力机制的神经网络模型，它能够处理序列建横问题，如自然语言处理中的语言建模和机器翻译。它使用了一种叫做transformer的架构， 它能够通过自注意力机制来学习语言的结构和语义。GPT-2模型预先训练了一个大型语料库上，以便在实际应用中能够更好地表现。

　　chatGPT是在GPT-2模型的基础上进一步训练和优化而得到的。 它使用了更多的语料库，并且进行了专门的训练来提高在对话系统中的表现。这使得chatGPT能够在对话中白然地回应用户的输入，并且能够生成流畅、连贯、通顺的文本。

　　那么接下来我们来看下什么是InstructGPT。从字面上来看，顾名思义，它就是指令式的GPT，“which is trained to follow an instruction in a prompt and provide a detailed response”。接下来我们来看下InstructGPT论文中的主要原理：

　　InstructGPT整体训练流程

　　从该图可以看出，InstructGPT是基于GPT-3模型训练出来的，具体步骤如下：

　　步骤1.）从GPT-3的输入语句数据集中采样部分输入，基于这些输入，采用人工标注完成希望得到输出结果与行为，然后利用这些标注数据进行GPT-3有监督的训练。该模型即作为指令式GPT的冷启动模型。

　　步骤2.）在采样的输入语句中，进行前向推理获得多个模型输出结果，通过人工标注进行这些输出结果的排序打标。最终这些标注数据用来训练reward反馈模型。

　　步骤3.）采样新的输入语句，policy策略网络生成输出结果，然后通过reward反馈模型计算反馈，该反馈回过头来作用于policy策略网络。以此反复，这里就是标准的reinforcement learning强化学习的训练框架了。

　　所以总结起来ChatGPT（对话GPT）其实就是InstructGPT（指令式GPT）的同源模型，然后指令式GPT就是基于GPT-3，先通过人工标注方式训练出强化学习的冷启动模型与reward反馈模型，最后通过强化学习的方式学习出对话友好型的ChatGPT模型。

　　InstructGPT的训练实际上是分为三个阶段的，第一阶段就是我们上文所述，利用人工标注的数据微调GPT3；第二阶段，需要训练一个评价模型即Reward Model，该模型需学习人类对于模型回复的评价方式，对于给定的上文与生成回复给出分数；第三阶段，利用训练好的Reward Model作为反馈信号，去指导GPT进一步进行微调，将目标设定为Reward分数最大化，从而使模型产生更加符合人类偏好的回复。

　　文章综合CSDN、赛尔实验室、 IT架构师联盟