本科生60行代码教你手搓GPT大模型，技术介绍堪比教程
机器之心 2023-02-26 12:37 发表于北京
机器之心报道
机器之心编辑部
GPT 模型实现起来有时也很简单。
当前，大型语言模型（LLM）被认为是人工智能突破的方向。人们正在尝试用它们做各种复杂的事情，比如问答、创作、数学推理以及编写代码等。近段时间 ChatGPT 持续的爆火是最好的例证。
然而，对于机器学习从业者来说，大模型的门槛很高：因为体量太大难以训练，很长时间里这个方向一直被大公司垄断。不过最近，简化 GPT 模型的方法越来越多了。1 月中旬，前特斯拉 AI 高级总监 Andrej Karpathy（现已回归 OpenAI）就发布了从零开始构建 GPT 模型的完整教程。不过训练出的 GPT 和 OpenAI 的 GPT-3 比较，两者规模差距达 1 万 - 100 万倍。
近日，加拿大麦克马斯特大学的一位软件工程本科生 Jay Mody 在导入 NumPy 库下，仅用 60 行代码就从头实现了一个 GPT 模型，并将其命名为 PicoGPT。不仅如此，他还将经过训练的 GPT-2 模型权重加载到自己的实现中，并生成了一些文本。下面为 60 行代码展示。
不过要做到这些，你需要熟悉 Python 和 NumPy，还要有一些训练神经网络的基本经验。作者表示，这篇博客旨在对 GPT 进行简单易懂的完整介绍。因此，作者只使用已经训练的模型权重来实现前向传递代码。
代码地址：https://github.com/jaymody/picoGPT/blob/29e78cc52b58ed2c1c483ffea2eb46ff6bdec785/gpt2_pico.py#L3-L58
对于此项研究，Andrej Karpathy 给出了四个字：虽迟但到。想当初，Karpathy 构建的 minGPT 和 nanoGPT 还要 300 行代码。
值得一提的是，这篇教程不是完全零门槛的。为了让读者明白，作者首先介绍了什么是 GPT、它的输入、输出如何等其他内容，介绍得都非常详细。
至于 GPT 到底能干什么，作者给出了几个示例，它能写电子邮件、总结一本书、给你 instagram 标题的想法、向 5 岁的孩子解释黑洞、用 SQL 编写代码等。
通过仔细阅读这部分内容后，你能大致了解 GPT 的一些基础知识。有了这些背景介绍，接下来就是如何设置了。
项目介绍
设置
这一章节主要介绍了如何设置编码器、超参数以及参数。
你要做的，首先是克隆代码库：
然后安装依赖项：
注意，如果你使用的是 M1 Macbook，在运行 pip install 之前，你需要在 requirements.txt 中将 tensorflow 更改为 tensorflow-macos。在这个项目下，文件包括 encoder.py、utils.py、gpt2.py、gpt2_pico.py：
- encoder.py：包含 OpenAI BPE Tokenizer 的代码，直接取自 gpt-2 repo；
- utils.py：包含下载和加载 GPT-2 模型权重、tokenizer 和超参数的代码；
- gpt2.py：包含 GPT 模型和生成代码，可以将其作为 python 脚本运行；
- gpt2_pico.py：与 gpt2.py 相同，但是代码行数更少。
其中 gpt2.py 需要从头开始实现，因此你要做的是先删除 gpt2.py 并重新创建一个空文件：
然后将下列代码复制到 gpt2.py 中：
上述代码包含 4 个主要部分：
- gpt2 函数是本次实现 GPT 的实际代码；
- generate 函数实现自回归解码算法；
- main 函数；
- fire.Fire (main) 将文件转换为 CLI 应用程序，以便最终可以运行代码：python gpt2.py "some prompt here"。
main 函数包含有 encode、hparams、params 参数，执行下列代码：
接着必要的模型以及 tokenizer 文件将被下载到 models/124M 文件。
设置完成之后，作者开始介绍编码器、超参数、参数的一些细节内容。就拿编码器来说，本文的编码器和 GPT-2 使用的 BPE tokenizer 一样。下面是该编码器编码和解码的一些文本示例：
实际的 token 长这个样子：
需要注意，有时 token 是单词（例如 Not），有时它们是单词但前面有一个空格（例如 Ġall，Ġ 代表一个空格），有时是单词的一部分（例如 capes 被拆分为 Ġcap 和 es)，有时它们是标点符号（例如 .）。
BPE 的一个好处是它可以对任意字符串进行编码，如果遇到词汇表中不存在的内容，它会将其分解为它能理解的子字符串：
更细节的内容不再赘述。
