基于ChatGPT用AI实现自然对话

1.概述

2.内容

在当今快速发展的人工智能领域，自然语言处理（Natural Language Processing, NLP）技术是研究的重要方向之一。NLP技术的目标是帮助计算机更好地理解和处理人类语言，从而实现人机交互、自然语言搜索、文本摘要、语音识别等应用场景。

2.1 原理分析

ChatGPT是由OpenAI推出的一种基于Transformer的预训练语言模型。在自然语言处理中，预训练语言模型通常是指使用无标签文本数据训练的模型，目的是为了提高下游任务（如文本分类、命名实体识别、情感分析）的性能。ChatGPT是预训练语言模型的一种，它采用了单向的Transformer模型，通过大规模的文本数据预训练模型，再在具体任务上进行微调，从而实现高质量的文本生成和自然对话。

2.1.1 Transformer模型

ChatGPT模型采用了单向的Transformer模型，Transformer模型是一种基于注意力机制的编码-解码框架，由Google在2017年提出。它是目前自然语言处理中应用最广泛的模型之一，已经被证明在多种任务上取得了比较好的性能。

在Transformer模型中，输入的序列首先经过Embedding层，将每个词映射为一个向量表示。然后输入到多层Transformer Encoder中，每一层包括多头注意力机制和前向传播网络。在多头注意力机制中，模型会计算出每个位置与其他位置的关联程度，从而得到一个权重向量，将这个权重向量应用到输入上，就得到了每个位置的加权表示。接下来，模型会将每个位置的加权表示与原始输入进行残差连接和Layer Normalization，从而得到更好的表达。

2.1.2 预训练

ChatGPT模型的预训练使用的是大规模的无标签文本数据，例如维基百科、网页文本等，这些数据可以包含数十亿甚至数百亿的单词。预训练的目的是让模型学习到文本的语言规律和语义信息，从而提高模型的泛化能力。预训练使用的是语言建模任务，即在给定部分文本的情况下，模型预测下一个词是什么。预测的损失函数采用交叉熵损失函数，通过反向传播和随机梯度下降算法更新模型参数。

2.1.3 微调

2.2 ChatGPT

ChatGPT是一款通用的自然语言生成模型，即GPT翻译成中文就是生成型预训练变换模型。这个模型被互联网巨大的语料库训练之后，它就可以根据你输入的文字内容，来生成对应的文字回答。也就是常见的聊天问答模式，比如：

从体验的反馈来看，ChatGPT对比其他的聊天机器人，主要在这样几个方面上进步明显：

其次，是非常强的上下文衔接能力，你不仅能够问他一个问题，而且还可以通过不断追加提问的方式，让它不断的改进回答内容，最终达到用户想要的理想效果。
然后，是对知识和逻辑的理解能力，当你遇到某个问题，它不仅只是给一个完整的回答，同时，你对这个问题的各种细节追问，它都能回答出来。

https://openai.com/research/instruction-following

https://openai.com/blog/chatgpt

InstructGPT对比上一代GPT3:

其次，InstructGPT在回答问题的真实程度上，也会更加可靠，当两个模型同时被问到他们完全不知道的内容时，InstructGPT只有21%的情况会编造结果，而GPT3就高了，多达到了41%。这里，我们可以发现，即便是最厉害的模型它也有五分之一的概率会胡说八道；
除此之外，InstructGPT在产生有毒回答的概率上也减小了25%。

3.如何做到这些提升的呢

我们要看清楚ChatGPT，为什么可以做到如此出色的效果。就需要我们把视角稍微拉远一点，看一看这款模型，近几年的发展历史。
ChapGPT是OpenAI的另一款模型，它是InstructGPT的兄弟模型，也就是基于InstructGPT做了一些调整，而InstructGPT的上一代是GPT3，再往上一个版本是GPT2，再往上是GPT，那再往前就是Google的那一篇关于transformer的著名论文（https://arxiv.org/pdf/1706.03762.pdf），这里需要提一下的是，同样是基于transformer结构的，还有Google自家的BERT架构，以及对应的分支。
所以，我们能够得到这样一个分支图。

这里，本人能力有限，没法对每一篇论文分析总结。但是，想提到一些自己在学习的过程中感觉比较有趣的决定和突破。
首先，同样是transformer架构上分支出来的，BERT和GPT的一大不同，来自于他们transformer具体结构的区别，BERT使用的是transformer的encoder组件，而encoder的组件在计算某个位置时，会关注他左右两侧的信息，也就是文章的上下文。而GPT使用的是transformer decoder组件，decoder组件在计算某个位置时，只关注它左侧的信息，也就是文章的上文。

我们如果用一个通俗的比喻就是，BERT在结构上对上下文的理解会更强，更适合嵌入式的表达，也就是完型填空式的任务。而GPT在结构上更适合只有上文，完全不知道下文的任务，而聊天恰好就是这样的场景。
另一个有趣的突破，来自模型量级上的提升。

OpenAI没有追求模型在特定类型任务上的表现，而是不断的增加模型的泛化能力。同时，GPT3的训练费用，也到达了惊人的1200万美元。

所以，这个反馈模型，就像是被抽象出来的人类意志。可以用来激励GPT3的训练，那整个训练方法，就被叫做基于人类反馈的强化学习。至此简易版的InstructGPT的前世今生就介绍完了。我们来回顾一下OpenAI一直在追求的几个特点：

然后，是通用模型，OpenAI一直避免在早期架构和训练阶段，就针对某个特定的行业做调优，这也让GPT3有着很强的通用能力
最后，是巨量数据和巨量参数，从信息论的角度来看，这就像深层的语言模型，涵盖的人类生活中，会涉及的几乎所有的自然语言和编程语言，当然，这也就极大的提高了个人或者小公司参与的门槛。

这一能力，其实在GPT3时代就已经具备了，具体做法是这样的，语言模型生成回答的方式，其实是基于一个个的token，这里的token，可以粗略的理解为一个个单词。所以ChatGPT给你生成一句话的回答，其实是从第一个词开始，重复把你的问题以及当前生成的所有内容，再作为下一次的输入，再生成下一个token，直到生成完整的回答。

4.实战演练

1.准备数据集

我们可以使用Cornell电影对话数据集来作为ChatGPT模型的训练数据集。Cornell电影对话数据集包含了超过220,579条对话记录，每条记录都有一个问题和一个回答。我们可以将问题和回答组合在一起，形成聊天机器人的训练样本。

2.数据预处理

以下是对电影对话数据集进行预处理的代码：

from transformers import AutoTokenizer tokenizer = AutoTokenizer.from_pretrained('distilgpt2' pad_token_id = tokenizer.pad_token_id max_length = 512 def preprocess_data(filename: with open(filename, 'r', encoding='iso-8859-1' as f: lines = f.readlines( conversations = [] conversation = [] for line in lines: line = line.strip( if line.startswith('M ': conversation.append(line[2:] elif line.startswith('E ': conversation.append(line[2:] if len(conversation > 1: conversations.append(conversation conversation = [] questions = [] answers = [] for conversation in conversations: for i in range(len(conversation - 1: questions.append(conversation[i] answers.append(conversation[i+1] inputs = tokenizer(questions, answers, truncation=True, padding=True, max_length=max_length return inputs, pad_token_id inputs, pad_token_id = preprocess_data('movie_conversations.txt'

在上述代码中，我们使用了AutoTokenizer来初始化tokenizer，并指定了最大的序列长度为512。同时，我们也定义了padding token的id，并使用preprocess_data函数来对Cornell电影对话数据集进行预处理。在预处理过程中，我们将每个问题和回答组合在一起，使用tokenizer将文本转换为tokens，并将tokens转换为数字表示。我们还设置了padding和truncation等参数，以使得所有输入序列长度相同。

3.训练模型

以下是使用GPT2LMHeadModel训练ChatGPT模型的代码：

from transformers import GPT2LMHeadModel, Trainer, TrainingArguments model = GPT2LMHeadModel.from_pretrained('distilgpt2' model.resize_token_embeddings(len(tokenizer training_args = TrainingArguments( output_dir='./results', num_train_epochs=3, per_device_train_batch_size=4, save_total_limit=2, save_steps=1000, logging_steps=500, evaluation_strategy='steps', eval_steps=1000, load_best_model_at_end=True, trainer = Trainer( model=model, args=training_args, train_dataset=inputs['input_ids'], data_collator=lambda data: {'input_ids': torch.stack(data}, trainer.train(

在上述代码中，我们首先使用GPT2LMHeadModel来初始化ChatGPT模型，并调整Embedding层的大小以适应我们的tokenizer。接下来，我们定义了TrainingArguments来配置训练参数。其中包括了训练的轮数、每批次的大小、模型保存路径等信息。最后，我们使用Trainer类来训练模型。在这里，我们将输入数据传递给train_dataset参数，并使用一个data_collator函数将输入数据打包成一个批次。

4.生成文本

以下是使用ChatGPT模型生成文本的代码：

from transformers import pipeline generator = pipeline('text-generation', model=model, tokenizer=tokenizer def generate_text(prompt: outputs = generator(prompt, max_length=1024, do_sample=True, temperature=0.7 generated_text = outputs[0]['generated_text'] return generated_text generated_text = generate_text('Hello, how are you?' print(generated_text

在上述代码中，我们首先使用pipeline函数来初始化一个文本生成器，其中指定了ChatGPT模型和tokenizer。接下来，我们定义了generate_text函数来使用生成器生成文本。在这里，我们传入一个prompt字符串作为生成的起始点，并使用max_length参数来指定生成文本的最大长度，使用do_sample和temperature参数来控制文本的随机性和流畅度。

5.总结

因为，GPT3 API里面单次交互最多支持4000多个token(https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them

因此，我猜测ChatGPT的上下文大概也是4000个token左右。

编程笔记 » 基于ChatGPT用AI实现自然对话