火遍全球的ChatGPT技术简介与主干网络代码

article/2024/9/7 19:20:52

如果说当下最火的AI技术和话题是什么，恐怕很难绕开ChatGPT。各大厂商都在表示未来要跟进ChatGPT技术，开发在自然语言处理智能系统，可见其影响力。本篇博客追个热度，来简单的介绍下ChatGPT到底是一项什么技术，究竟如何完成复杂的语言处理任务的。

ChatGPT到底是一项什么技术

如果想要了解ChatGPT是一项什么技术，不如直接问问他：

可以看到ChatGPT是一项基于Transformer模型实现的NLP软件。关于Transformer模型，我们已经在之前文章《注意力机制原理概述》介绍过。这里提到的LM技术，其实就是Transformer。

ChatGPT背后的Transformer架构

那么，ChatGPT的Transformer架构是什么样？我让chatgpt打印了他自己的主干网络代码，如下：

完整的代码分为四个模块：GPT框架，GPT层，多头注意力模块代码和位置编码。

GPT框架：

import torch
import torch.nn as nn
import torch.nn.functional as Fclass GPT(nn.Module):def init(self, vocab_size, embed_dim, n_layers, n_heads, dropout):super(GPT, self).init()self.vocab_size = vocab_sizeself.embed_dim = embed_dimself.n_layers = n_layersself.n_heads = n_headsself.dropout = dropout    self.embedding = nn.Embedding(vocab_size, embed_dim)self.pos_encoding = nn.Embedding(vocab_size, embed_dim)self.layers = nn.ModuleList([GPTLayer(embed_dim, n_heads, dropout) for _ in range(n_layers)])self.fc = nn.Linear(embed_dim, vocab_size)def forward(self, x):# Embeddingx = self.embedding(x)# Position Encodingx = self.pos_encoding(x)# GPT Layersfor layer in self.layers:x = layer(x)# Outputx = self.fc(x)return x

GPT层代码：

class GPTLayer(nn.Module):
def init(self, embed_dim, n_heads, dropout):super(GPTLayer, self).init()self.embed_dim = embed_dimself.n_heads = n_headsself.dropout = dropoutself.attention = MultiHeadAttention(embed_dim, n_heads, dropout)self.feed_forward = PositionwiseFeedForward(embed_dim, dropout)def forward(self, x):# Attentionx = self.attention(x)# Feed Forwardx = self.feed_forward(x)return x

多头注意力模块代码：

class MultiHeadAttention(nn.Module):
def init(self, embed_dim, n_heads, dropout):super(MultiHeadAttention, self).init()self.embed_dim = embed_dimself.n_heads = n_headsself.dropout = dropoutself.query_linear = nn.Linear(embed_dim, embed_dim)self.key_linear = nn.Linear(embed_dim, embed_dim)self.value_linear = nn.Linear(embed_dim, embed_dim)self.output_linear = nn.Linear(embed_dim, embed_dim)def forward(self, x):# Query, Key, Valuequery = self.query_linear(x)key = self.key_linear(x)value = self.value_linear(x)# Attentionscores = torch.matmul(query, key.transpose(-2, -1)) / math.sqrt(query.size(-1))scores = F.softmax(scores, dim=-1)scores = self.dropout(scores)# Outputoutput = torch.matmul(scores, value)output = self.output_linear(output)return output

位置编码：

class PositionwiseFeedForward(nn.Module):
def init(self, embed_dim, dropout):super(PositionwiseFeedForward, self).init()self.embed_dim = embed_dimself.dropout = dropoutself.fc1 = nn.Linear(embed_dim, embed_dim)self.fc2 = nn.Linear(embed_dim, embed_dim)def forward(self, x):# Feed Forwardx = self.fc1(x)x = F.relu(x)x = self.dropout(x)x = self.fc2(x)x = self.dropout(x)return x

GPT主体框架主要由GPT层叠加构成。GPT层也比较容易理解，基本就是由多头注意力处理模块构建的。按照注意力机制原理，多头注意力处理首先将输入按照查询、键、值做对应的线性变换，之后输入一个多分枝的注意力结构，建立一个具有关联关系的评分结果。按照评分结果，实现对查询的值预测，实现NLP任务。这个模型基本就是2017年Vaswani工作 [1] 的复现。这让我们真正理解了多头注意力的强大之处。

总结

chatgpt是一个有趣且有用的AI工具，对于泛NLP任务，具有目前最优秀的处理分析能力。我认为其在客户问答，信息查询，文字编辑等任务中，将产生深远的影响。其背后基于多头注意力机制的Transformer模型，已被验证在逻辑关系学习领域，具有惊人的技术优势。相信在该技术路线上，未来还会有更加优秀的工作被不断提出。