机器学习李宏毅学习笔记39

最新推荐文章于 2024-06-13 12:16:07 发布

log^3me

最新推荐文章于 2024-06-13 12:16:07 发布

阅读量524

点赞数

文章标签：机器学习学习笔记

本文链接：https://blog.csdn.net/weixin_46722934/article/details/131984723

版权

文章目录

前言
一、大模型的发展趋势
二、KNN LM
总结

前言

大模型+大资料
大模型的顿悟时刻

一、大模型的发展趋势

在这里插入图片描述
随数据量增加，模型可以从量变达到质变，从某一刻开始突然学会东西。

当成为大模型时，分数会从0,0突然变成100，完成“顿悟”.

横轴表示分布中产生答案的概率（信心分数），纵轴表示答案正确的概率。可以发现小模型的信心分数跟答案正确的概率关系不大；而对于大模型，信心分数越高，答案正确的概率越大。当模型够大时，才具有calibration的能力。

现在大模型的发展趋势是，不一定要更大的模型，再算力没有跟上之前，也许需要的是更多的训练资料。
在这里插入图片描述
经过微调的小模型是有可能比大模型的效果好的。一个小模型做人类老师的supervised learning，在做更多reinforce learning是可以比大模型好的。如果小模型可以做人类老师给的回馈和reinforce learning是可以比大模型相当的。
Gpt相较于其他大模型成功的原因，可能是这个线上的api，人类不断去玩这个模型，这样openAI知道人类面对一个大型语言模型时会问什么问题。

二、KNN LM

一般的语言模型，实际上就是做一个分类的问题，把下一个字预测出来。
在这里插入图片描述
经过transformer，输出一个向量h，根据h做一个分类问题，得到一个概率分布，根据这个分布sample出答案。

在这里插入图片描述
KNN LM训练时，先把所有训练资料的前半句都输入模型，这样会得到一堆representation，还有这些representations应该对应的正确的词汇是什么。计算这两者的相似度（距离），选出距离比较小的k个向量，将这k个向量对应的字找出来，把这几个字转换成一个概率分布，将相同的字合并概率，得出最终的一个概率分布。

在这里插入图片描述
单用KNN LM可能是不够的，还是要用一般的语言模型得到的概率和KNN LM得到的概率做加权平均得到最终的结果。

这样做的好处时，如果模型碰到一些生僻的词汇，它不会把那些生僻词汇当做一个类别。另一个好处是，训练资料可以比一般的语言模型的资料更为巨大，因为放在training contexts里面的资料不一定只是你的训练资料，可以把所有能找到的资料都放进去。

总结

学习视频来源：
1.
https://www.bilibili.com/video/BV1TD4y137mP?p=29&vd_source=3a369b537e1d34ff9ba8f8ab23afedec
2.
https://www.bilibili.com/video/BV1TD4y137mP?p=30&vd_source=3a369b537e1d34ff9ba8f8ab23afedec
3.
https://www.bilibili.com/video/BV1TD4y137mP?p=31&vd_source=3a369b537e1d34ff9ba8f8ab23afedec