首先声明喔，我是没有任何人工智能基础的小白，不会涉及算法和底层原理。
我依照我自己的简易理解，总结出了ChatGPT是怎么训练得到的，非计算机专业的同学也应该能看懂。看完后训练自己的min-ChatGPT应该没问题
希望大牛如果看到这篇文章后，就当图一乐。
文章目录
- ChatGPT名词解释（这里看看就行）
- ChatGPT是怎么训练得到的？
- InstructGTP训练流程
- Step1 以监督学习的方式对GPT3进行微调，得到监督学习模型
- Step2 训练出一个奖赏模型
- Step3 训练得到基于PPO算法的强化学习模型
- 总结
- 最后说一下我对ChatGPT的理解
ChatGPT名词解释（这里看看就行）
ChatGPT=GPT+人类反馈强化学习
GPT是Generative Pre-trained Transformer（生成预训练变换模型）
- Generative：生成的意思，因为这是个能生成文本的模型。
- Pre-trained：预训练的意思，这里代表无监督学习，是没有明确目的的训练方式，你无法提前知道结果是什么，生成文本比较发散。
- Transformer：变换的意思，代表是模型训练是网络架构，网络里面的各个参数不断变换嘛。
人类反馈强化学习是什么呢？
可以这样理解，模型的训练结果很大程度依赖人类的反馈，人类对其生成的结果进行打分。对打分的结果重新输入的模型中，来对模型进行调整。得分高相当于告诉它：”多生成这样的结果！“。得分低的相当于告诉它：”不要生成这样的结果！“。
ChatGPT是怎么训练得到的？
首先看一下ChatGPT发展时段：
从GPT1到GPT3这个过程，GPT的三个模型几乎都是相同架构，只是有非常非常少量的改动。但一代比一代更大,，也更烧钱.。所以我对GPT系列的特点就是: 钞能力, 大就完事了。 其影响力和花费的成本是成正比的。
| 模型 | 发布时间 | 参数量 | 预训练数据量 |
|---|---|---|---|
| GPT-1 | 2018年6月 | 1.17亿 | 约5GB |
| GPT-2 | 2019年2月 | 15亿 | 40G |
| GPT-3 | 2020年5月 | 1750亿 | 45TB |
从InstructGPT到ChatGPT没有很大的改动，ChatGPT采用的是InstructGPT的架构，本质上是一样的，只不过采用的训练的数据更多和人类聊天相关，所以变成了"ChatGPT"。
所以，最主要是看InstructGPT怎么通过GPT3来的。
InstructGTP训练流程
我参考了OpenAI发表关于InstructGPT论文：https://arxiv.org/pdf/2203.02155.pdf，分为如下的三步。
理论上讲，只要看懂了训练步骤的这三部分，就可以训练得到我们自己的 ChatGPT
通俗化后如下…，下面我会详细解释每一步。
Step1 以监督学习的方式对GPT3进行微调，得到监督学习模型
首先收集人们在对话中更感兴趣的问题，形成一个问题库，然后不断从数据库中提取一个问题（称为prompt），给到现实生活中的人，让它来做出回答。原论文图片里面的例子是给6岁的儿童解释强化学习，让人工回答完后将问题和回答一起放入到GPT-3.5中进行监督学习，来得到一个生成模型。
每次往模型中输入一个文本，它就是按照训练的数据，给我们输出一个文本。
补充：问题库的来源：
GPT3面世后，OpenAI提供了api，可集成到自己的项目中，用户使用的时候直接采用 prompt的方法做0样本或小样本的预测
下面的代码就是调用OpenAI提供的api，使用的同时，OpenAI会收集prompt数据，研究人员从这些问题（prompt）中采样一部分，人工对这些问题（prompt）做回答，得到的结果称为demonstration即有标签数据，再用这些demonstration继续微调GPT3
import openai
openai.api_key="**********************"
response = openai.Completion.create(model="text-davinci-003",prompt=prompt,temperature=0,max_tokens=100,top_p=1,frequency_penalty=0.0,presence_penalty=0.0,
)
message = response.choices[0].text
print(message)
毫无疑问，第一步通过大量监督学习的方式其实是比较困难的，它消耗很多的资源。很难找到足够多的人来回答问题很多不同领域的问题，并且有些回答不好评价它的好坏。因此有了接下来的两步。
Step2 训练出一个奖赏模型
奖赏模型的训练方式，针对同一个问题，让第一步得到监督学习模型给出四个答案。让现实中的人对这四个回答进行排序，对这个排序来进行训练奖赏模型。
虽然我造不出冰箱，但我可以评价一个冰箱的好坏。意思是说，我没有办法像监督学习这样的方式，告诉你冰箱是怎么造的，但是我是冰箱实际上的使用者，我是可以评估冰箱是好还是坏的。就像我没有办法向6岁儿童解释深度学习，但是我可以对生成回答判断是好是坏，就能很轻易的对它们进行排序。
很显然，排序的成本是比直接回答的成本更低的。
补充：为什么需要奖赏模型？
我们需要不断对生成的结果进行排序，来得到人们最满意的回答。人能够对生成的结果进行满意度排序，那我们也希望有模型来对结果排序。
Step3 训练得到基于PPO算法的强化学习模型
PPO算法不用管，只用知道这是人工智能领域一个很厉害的强化学习的算法就行了。深入不讨论。
首先我们还是从数据集里面取出一条问题（prompt），然后放入到强化学习模型里面，得到了一条输出文本。我们对输出的文本进行打分，把打分的结果反馈到强化学习模型中。
这个强化学习模型是基于第一步得到的监督模型得到的，打分的话，是用到第二部得到的奖励模型。
总结
InstructGPT比GPT3有哪些方面的改进？
- InstructGPT使用的训练数据，是人们更加经常使用到的，比如：日常的对话，常见的数学、物理知识等等。因此我们使用ChatGPT才能更像对话。
- 引入了强化学习
ChatGPT这次能破圈引起全球讨论，原因是采用了对话形式，让每个普通人都能感受到人工智能技术的强大
最后说一下我对ChatGPT的理解
-
ChatGPT的出现并不是说OpenAI有多厉害，他们用的技术并不都是原创的技术，甚至很多模型都是行业内开源的，但是他们巧妙地把这些模型融合到了一起。更为关键的是，ChatGPT将模型参数扩大到了1750亿，模型框架没有改变，但是参数有了十倍、百倍的增长，最终量变引发了质变
-
ChatGPT更准确的定位是个人助手
它在办公场景里很好用，比如写大纲、写报告、写文章，还有做题，甚至写代码，就算是编程的初学者也能在其帮助下写出高质量的代码。现在，ChatGPT已经具备了一定的逻辑推理能力，未来，在客服、营销、医疗等诸多场景下，只要是重复性的人脑劳动都有可能被ChatGPT取代
参考：
何小枝：https://www.zhihu.com/people/who-u
周总：https://mp.weixin.qq.com/s/h2IOP3XDJ_RicqiV4l00GQ
