大模型的自我监督

大家好啊，我是董董灿。

之前有小伙伴私信我，想了解下大模型比如 chatGPT 是如何进行训练的。

和他们聊了一下，发现有一个点一直困惑着大家，那就是：大模型的训练是无监督学习还是有监督学习？在大模型训练过程中，数据的标签是什么？如何计算损失然后进行反向传播的呢？

今天就和大家简单来聊一下这个问题。

1、是有监督还是无监督

事实上，很多自然语言处理（NLP）的模型，尤其是上文提到的大语言模型（如GPT系列），都是通过无监督学习或自监督学习的方式进行训练的。

也就是说它们不需要人工标注的标签来进行训练。

试想一下，训练 GPT 的数据样本大多来自于互联网，如果需要对这些数据进行标注的话，会花费大量的人力，并且很多长文本是没有办法或者很难去标注的。

因此这类模型的训练采用的基本是自监督学习的模式。

自监督学习可以认为是无监督学习的一种特殊方式。

模型通过从输入数据本身生成的伪标签来进行训练，这些伪标签不是由人工标注的，而是由模型根据一定的规则自动生成的。

常见的自监督学习任务模型有以下两种。

第一种是掩码语言模型（Masked Language Model, MLM），这是 BERT 等模型使用的一种训练方法。

它将其中一部分输入词进行随机掩码（替换为一个特殊的掩码符号），模型的任务就是是预测这些被掩码的词。

这样，模型就能学习到词与上下文之间的关系，有点类似于让模型不断进行完形填空的意思。

第二种是因果语言模型（Causal Language Model, CLM），这是 GPT 系列模型使用的一种训练方法。

在这种训练模式下，模型被训练来预测给定前文的下一个词，这样，模型就能学习到文本的顺序结构和语言的生成过程。

说到这你可能还不完全清楚，看下面的例子就明白了。

2、GPT 的训练过程

以因果语言模型的训练为例，假设给模型的输入数据是：The quick brown fox jumps over the lazy" 这句话。

当然实际训练时，输入给模型的数据还会经过 Tokenization、词嵌入和位置编码这些步骤，但是我们这里先绕过，不影响理解。

在 GPT 等模型的训练时，如果给定上述句子作为模型的输入，是希望模型可以预测出下一个词是什么，这是模型的任务。

因此，每给定一个单词(Token)，模型都要预测下一个词，然后将预测出来的词加上原来已有的词作为新的输入，继续预测下一个词，如此反复迭代。

将训练过程写出伪代码是如下形式。

# 假设:# - input_tokens 是输入序列# - target_tokens 是目标序列# - transformer_model 是一个Transformer模型# - optimizer 是用于优化模型参数的优化器# - loss_function 是损失函数，例如交叉熵损失
for epoch in range(num_epochs):  # 迭代多个训练周期  for input_tokens, target_tokens in data_loader:    # 1. 模型输入    # 将输入token转换为嵌入向量，进行词嵌入和位置编码    input_embeddings = embedding_layer(input_tokens)    position_embeddings = get_position_embeddings(input_embeddings)     transformer_input = input_embeddings + position_embeddings
    # 2. Transformer模型    # 通过Transformer模型得到输出    transformer_output = transformer_model(transformer_input)  
    # 3. 模型输出和损失计算    # 将Transformer输出转换为logits    logits = output_layer(transformer_output)    loss = loss_function(logits, target_tokens)  # 计算损失
    # 4. 梯度下降和反向传播    optimizer.zero_grad()  # 清除之前的梯度    loss.backward()  # 反向传播，计算梯度    optimizer.step()  # 更新模型参数

上面的 input_tokens 就可以认为是输入的一句话。

可以看到在计算损失的时候，比较的是模型的输出和 target_tokens 的损失。

模型的输出我们好理解，就是模型预测的下一个词，那么target_tokens 是什么呢？

上面说到自监督学习的时候，说到一句话：“自监督学习中的伪标签是模型通过一定的规则生成的”。

target_tokens 就是伪标签，因为模型需要预测下一个词，因此“一定的规则”就是对输入 token 往后移一位来实现的，如下所示。

input_tokens 是原始句子中的单词序列，而 target_tokens 是这个序列向右移动一个位置的结果。

在训练过程中，模型会试图根据 input_tokens 中的每个词来预测 target_tokens 中的下一个词。

例如，给定输入 "The"，模型应该预测输出 "quick"；然后将 "The" 和 "quick "合成新的输入 "The quick" 给模型，模型应该预测出 "brown"，以此类推。

这样经过大量甚至是海量的文本数据的自监督学习，模型就可以学到很多自然语言的结构和句式了。

大语言模型也就训练完成了。

当然上面的过程说的很粗糙，仅仅是想让大家先搞清楚自监督学习这个概念，以及实际模型训练时，模型是如何自我监督的。

关于 token 的详细理解，可以参考这篇文章：5分钟了解什么是 token。