Bert与GPT的区别

Bert与GPT的区别

1. 网络结构上的区别

上图是Transformer的一个网络结构图，Bert的网络结构类似于Transformer的Encoder部分，而GPT类似于Transformer的Decoder部分。单从网络的组成部分的结构上来看，其最明显的在结构上的差异为Multi-Head-Attention和Masked Multi-Head-Attention。

为了解释清楚这两个的区别，先来看看self-attention

Self-Attention

Self-Attention的Input,它就是一串的Vector，我们用$a$来表示它，代表它有可能是前面已经做过一些处理,它是某个隐藏层的输出,输入一排a这个向量以后,Self-Attention要输出另外一排b这个向量。下面来看看如何输出$b^1{b}^2{b}^3{b}^4$

用最简单的点积方式来计算q为例子：

把$a^1$乘上$W^q$ 得到$q^1$，然后，把$a^1$乘上$W^k$,得到$k$这个Vector,把这个$q^1$,跟这个$k^2$相乘就得到α

这边用${\alpha }_{1,2}$来代表说,Query是1提供的,Key是2提供的时候,这个α这个关联性叫做Attention的分数。

接下来也要跟$a^3{a}^4$来计算

把$a_3$乘上$W^k$,得到另外一个Key也就是$k^3$,$a^4$乘上$W^k$得到$k^4$,然后再把$k^3$这个Key,跟$q^1$这个Query做Inner-Product,得到1跟3之间的关联性,得到1跟3的Attention,把$k^4$跟$q^1$做点积,得到${\alpha }_{1,4}$（1跟4之间的关联性）

计算出a1跟每一个向量的关联性以后,接下来这边会接入一个SoftMax

通过Soft-Max就得到${\alpha }^{\prime }$

• 首先把$a^1$到$a^4$这边每一个向量,乘上$W^v$得到新的向量,这边分别就是用$v^1{v}^2{v}^3{v}^4$来表示

• 接下来把这边的$v^1$到$v^4$,每一个向量都去乘上Attention的分数,都去乘上${\alpha }^{\prime }$

• 然后再把它加起来,得到$b^1$

$$b^1=\sum _i{\alpha }_{1,i}^{\prime }{v}^i$$

这就是Self-Attention的过程

Multi-Head-Attention

Self-attention 有一个进阶的版本,叫做 Multi-head Self-attention, 顾名思义，Multi-head Self-attention，相比较于Self-attention自然是使用了较多的head，需要用多少的 head,这个又是另外一个 超参数也是需要调的

为什么会需要比较多的 head 呢？

在做这个 Self-attention 的时候,我们就是用 q 去找相关的 k,但是相关这件事情有很多种不同的形式,有很多种不同的定义,所以也许我们不能只有一个 q,我们应该要有多个 q,不同的 q 负责不同种类的相关性。

其具体操作为(以一个两个head为例)：

• 先把 a 乘上一个矩阵得到 q
• 再把 q 乘上另外两个矩阵,分别得到 $q^1$ 跟 $q^2$,那这边还有 这边是用两个上标,i 代表的是位置,然后这个 1 跟 2 代表是,这个位置的第几个 q,所以这边有 $q^{i,1}$ 跟 $q^{i,2}$,代表说我们有两个 head

既然 q 有两个,那 k 也就要有两个,那 v 也就要有两个,从 q 得到 $q^1{q}^2$,从 k 得到 $k^1{k}^2$,从 v 得到 $v^1{v}^2$,那其实就是把 q 把 k 把 v,分别乘上两个矩阵,得到这个不同的 head。

• 所以 $q_{i,1}$ 就跟 $k^{i,1}$ 算 attention
• $q_{i,1}$ 就跟 $k^{j,1}$ 算 attention,也就是算这个点积,然后得到这个 attention 的分数
• 把 attention 的分数乘 $v^{i,1}$,把 attention 的分数乘 $v^{j,1}$
• 然后接下来就得到 $b^{i,1}$

这边只用了其中一个 head,对于另一个 head,也做一模一样的事情

所以 $q^2$ 只对 $k^2$ 做 attention,它们在做 weighted sum 的时候,只对 $v^2$ 做 weighted sum,然后就得到 $b^{i,2}$

如果有多个 head,有 8 个 head 有 16 个 head,那也是一样的操作,那这边是用两个 head 来当作例子

然后把 $b^{i,1}$ 跟 $b^{i,2}$,把它接起来,然后再通过一个 transform

也就是再乘上一个矩阵,然后得到 bi,然后再送到下一层去,那这个就是 Multi-head attention

Masked Multi-Head-Attention

使用mask的原因是因为在预测句子的时候，当前时刻是无法获取到未来时刻的信息的。也就是Multi-Head-Attention可以看到Input的整个句子，而Masked Multi-Head-Attention只能看到当前输入之前的内容，无法看到之后的内容

例如，在本例子中，输入的时候，不会看到后面的信息，输入台的时候，我们也没法看到“湾大学”的字样。这就是Masked Multi-Head-Attention和Multi-Head-Attention的主要区别。

2.预训练任务区别

在Bert与GPT的预训练任务的选取上，Bert与GPT所用的模型也存在着较大的差异。

Bert——Masking Input

在Bert的预训练任务中，Bert主要使用“填空题"的方式来完成预训练：

随机盖住一些输入的文字，被mask的部分是随机决定的，当我们输入一个句子时，其中的一些词会被随机mask。

mask的具体实现有两种方法。

• 第一种方法是，用一个特殊的符号替换句子中的一个词，我们用 "MASK "标记来表示这个特殊符号，可以把它看作一个新字，这个字完全是一个新词，它不在字典里，这意味着mask了原文。
• 另外一种方法，随机把某一个字换成另一个字。中文的 "湾"字被放在这里，然后可以选择另一个中文字来替换它，它可以变成 "一 "字，变成 "天 "字，变成 "大 "字，或者变成 "小 "字，我们只是用随机选择的某个字来替换它

两种方法都可以使用。使用哪种方法也是随机决定的。因此，当BERT进行训练时，向BERT输入一个句子，先随机决定哪一部分的汉字将被mask。

mask后，一样是输入一个序列，我们把BERT的相应输出看作是另一个序列，接下来，我们在输入序列中寻找mask部分的相应输出，然后，这个向量将通过一个Linear transform，输入向量将与一个矩阵相乘，然后做softmax，输出一个分布。。

这与我们在Seq2Seq模型中提到的使用transformer进行翻译时的输出分布相同。输出是一个很长的向量，包含我们想要处理的每个汉字，每一个字都对应到一个分数。

在训练过程中。我们知道被mask的字符是什么，而BERT不知道，我们可以用一个one-hot vector来表示这个字符，并使输出和one-hot vector之间的交叉熵损失最小。

BERT要做的是，预测什么被盖住。被掩盖的字符，属于 "湾"类。

在训练中，我们在BERT之后添加一个线性模型，并将它们一起训练，尝试去预测被覆盖的字符是什么。

GPT——Predict Next Token

GPT要做的任务是,预测接下来,会出现的token是什么

举例来说,假设训练资料里面,有一个句子是台湾大学,那GPT拿到这一笔训练资料的时候,选取BOS这个Token所对应的输出,作为Embedding的结果,用这个embedding去预测下一个应该出现的token是什么

那在这个句子里面,根据这笔训练资料,下一个应该出现的token是"台",要训练模型,根据第一个token,根据BOS给的embedding,那它要输出"台"这个token

这个部分,有一个embedding,这边用h来表示,然后通过一个Linear Transform,再通过一个softmax,得到一个概率分布,我们希望这个输出的概率分布,跟正确答案的交叉熵越小越好。

接下来要做的事情,就是以此类推了,输入BOS跟"台",它产生embedding,接下来它会预测,下一个出现的token是什么,以此类推来训练模型。

3.使用方法的区别

对于Bert和GPT，其本意是提供一个预训练模型，使得人们可以方便的将其运用于下流（downstream）任务当中去。当然，这两种模型最后使用的方法也是有一些区别的。

Bert的使用方法——以情感分类为例

只要给它一个句子，也就是你想用它来判断情绪的句子，然后把CLS标记放在这个句子的前面，扔到BERT中,这4个输入实际上对应着4个输出。然后，我们只看CLS的部分。CLS在这里输出一个向量，我们对它进行Linear transform，也就是将它乘以一个Linear transform的矩阵，然后进行Softmax，就可以得到情感分类的结果。

Bert的使用大多如此，用CLS对应的Output作为Embedding的结果，然后根据不同的任务进行对应的操作来fine-turing，从某方面而言，更像是利用深度学习对文本进行特征表示的过程。

GPT的使用方法

对于GPT使用，由于GPT的参数是Bert的4倍有余，使得去fine-turing一个模型需要更长，更大的训练时间。因此GPT提出了一个更加“疯狂”的使用方式，一种更接近于人类的使用方式。

没有进行梯度下降的"Few short leaning"，也就GPT论文所提到的“In-context learning”

举例来说假设要GPT这个模型做翻译

• 先打Translate English to French，这个句子代表问题的描述
• 然后给它几个范例
• 最后接下来给一个Cheese的词，让他翻译成法语。

“One-shot” Learning “Zero-shot” Learning

例如我们在考听力测验的时候,都只给一个例子而已,那GPT可不可以只看一个例子,就知道它要做翻译，这个叫One-shot Learning

还有更厉害的是Zero-shot Learning,直接给它一个叙述,说现在要做翻译了,来看GPT能不能够自己就看得懂,就自动知道说要来做翻译这件事情。

GPT在没有微调的情况下，这种使用方法虽然准确率不够高，但是随着GPT参数量的增加，在一定程度上仍然有着一定的准确率。

这就是GPT相比较于Bert更加独特的一种使用方式。