产品网站建设公司,自己怎么做网站卖车,北京旅游型网站建设,建筑建设工程信息服务平台欢迎来到人工智能的未来#xff1a;生成式人工智能#xff01;您是否想知道机器如何学习理解人类语言并做出相应的反应#xff1f;让我们来看看ChatGPT ——OpenAI 开发的革命性语言模型。凭借其突破性的 GPT-3.5 架构#xff0c;ChatGPT 席卷了世界#xff0c;改变了我们… 欢迎来到人工智能的未来生成式人工智能您是否想知道机器如何学习理解人类语言并做出相应的反应让我们来看看ChatGPT ——OpenAI 开发的革命性语言模型。凭借其突破性的 GPT-3.5 架构ChatGPT 席卷了世界改变了我们与机器通信的方式并为人机交互开辟了无限可能。随着 ChatGPT 的竞争对手 Google BARD 最近推出由 PaLM 2 提供支持这场竞赛已经正式开始。在本文中我们将深入探讨 ChatGPT 的内部工作原理、它是如何工作的、涉及哪些不同步骤例如预训练和 RLHF以及探索它如何理解和生成类似人类的文本具有非凡的准确性。
探索 ChatGPT 的内部运作方式并探索它如何以极高的准确性理解和生成类似人类的文本。准备好对 ChatGPT 背后的尖端技术感到惊讶并发现这种强大的语言模型的无限潜力。
本文的主要目标是 -
讨论 ChatGPT 模型训练涉及的步骤。了解使用人类反馈强化学习 (RLHF) 的优势。了解人类如何参与改进 ChatGPT 等模型。
ChatGPT 训练概述
ChatGPT 是一种针对对话进行优化的大型语言模型(LLM)。它使用人类反馈强化学习 (RLHF) 构建在 GPT 3.5 之上。它接受了大量互联网数据的训练。
构建 ChatGPT 主要涉及 3 个步骤 -
预培训法学硕士LLMSFT的监督微调根据人类反馈进行强化学习 (RLHF)
第一步是在无监督数据上预训练 LLM (GPT 3.5)以预测句子中的下一个单词。这使得法学硕士能够学习文本的表示和各种细微差别。 预培训法学硕士 语言模型是预测序列中下一个单词的统计模型。大型语言模型是经过数十亿单词训练的深度学习模型。训练数据来自多个网站如 Reddit、StackOverflow、Wikipedia、Books、ArXiv、Github 等。 我们可以看到上图并了解数据集的侧面和参数的数量。LLM 的预训练计算成本很高因为它需要大量的硬件和庞大的数据集。在预训练结束时我们将获得一个 LLM可以在提示时预测句子中的下一个单词。例如如果我们提示一个句子“玫瑰是红色的并且”它可能会回复“紫罗兰是蓝色的”。下图描述了 GPT-3 在预训练结束时可以做什么 我们可以看到该模型正在尝试完成句子而不是回答它。但我们需要知道答案而不是下一句话。实现这一目标的下一步可能是什么让我们在下一节中看到这一点。 LLM 的监督微调 那么我们如何让LLM回答问题而不是预测下一个单词呢模型的监督微调将帮助我们解决这个问题。我们可以告诉模型对给定提示的期望响应并对其进行微调。为此我们可以创建一个包含多种类型问题的数据集来询问对话模型。人工贴标者可以提供适当的响应使模型理解预期的输出。这个由成对的提示和响应组成的数据集称为演示数据。现在让我们看看演示数据中的提示示例数据集及其响应。 根据人类反馈进行强化学习 (RLHF) 现在我们将了解 RLHF。在了解RLHF之前我们先来看看使用RLHF的好处。 为什么选择RLHF 经过监督微调后我们的模型应该针对给定的提示给出适当的响应对吧很不幸的是不行我们的模型可能仍然无法正确回答我们提出的每个问题。它可能仍然无法评估哪个响应是好的哪个响应不是。它可能必须过度拟合演示数据。让我们看看如果它过度拟合数据会发生什么。 我没有给它任何链接、文章或句子来总结。但它只是总结了一些东西就给了我这是我始料未及的。 可能出现的另一问题是其毒性。尽管答案可能是正确的但在伦理和道德上可能并不正确。例如请看下面的图片您可能以前见过。当询问下载电影的网站时它首先回答说这是不道德的但在下一个提示中我们可以轻松地操纵它如图所示。 好的现在转到 ChatGPT 并尝试相同的示例。它给了你同样的结果吗 为什么我们没有得到相同的答案他们重新训练了整个网络吗可能不会RLHF 可能有一个小的微调。您可以参考这个美丽的要点了解更多原因。 奖励模式 RLHF 的第一步是训练奖励模型。该模型应该能够将提示的响应作为输入并输出一个标量值来描述响应的好坏。为了让机器了解什么是好的响应我们可以要求注释者用奖励来注释响应吗一旦我们这样做奖励不同注释者的反应可能会存在偏差。因此模型可能无法学习如何奖励响应。相反注释者可以对模型的响应进行排名这将在很大程度上减少注释中的偏差。下图显示了来自 Anthropic 的 hh-rlhf 数据集的给定提示的选定响应和拒绝响应。 该模型尝试根据这些数据区分好的响应和坏的响应。 使用 RL 的奖励模型微调 LLM 现在我们用近端策略近似PPO对法学硕士进行微调。在这种方法中我们获得初始语言模型和微调迭代的当前迭代生成的响应的奖励。我们将当前语言模型与初始语言模型进行比较以便语言模型不会偏离正确答案太多同时生成整洁、干净且可读的输出。KL 散度用于比较两个模型然后微调 LLM。 模型评估 在每个步骤结束时都会使用不同数量的参数不断评估模型。您可以在下图中看到这些方法及其各自的分数 我们可以在上图中比较不同阶段的法学硕士与不同模型大小的表现。正如您所看到的每个训练阶段后结果都有显着增加。 我们可以用人工智能 RLAIF 来替代 RLHF 中的人类。这显着降低了标签成本并且有可能比 RLHF 表现更好。让我们在下一篇文章中讨论这个问题。 结论 在本文中我们了解了如何训练 ChatGPT 等会话式 LLM。我们看到了训练 ChatGPT 的三个阶段以及基于人类反馈的强化学习如何帮助模型提高其性能。我们也了解每个步骤的重要性没有这些步骤法学硕士将是不准确的。 经常问的问题 Q1. ChatGPT 如何获取其数据 答ChatGPT 从 Reddit、StackOverflow、Wikipedia、Books、ArXiv、Github 等多个网站获取数据。它使用这些数据来学习模式、语法和事实。 Q2。如何使用 ChatGPT 赚钱 A. ChatGPT本身并不提供直接的赚钱方式。然而个人或组织可以利用 ChatGPT 的功能来开发可以产生收入的应用程序或服务例如博客、虚拟助理、客户支持机器人或内容生成工具。 Q3。ChatGPT 实际上是如何工作的 答ChatGPT 是一种针对对话而优化的大型语言模型。它接受提示作为输入并返回响应/答案。它使用GPT 3.5和人类反馈强化学习RLHF作为核心工作原理。 Q4。ChatGPT 使用什么算法 答ChatGPT 在幕后使用深度学习和强化学习。它分三个阶段开发预训练大型语言模型GPT 3.5、监督微调、人类反馈强化学习RLHF。
