本科生 60 行代码教你手搓 GPT 大模型，技术介绍堪比教程 ...

ove兲使哋寶赑

机器之心报道
/ J# e& S( }/ y( {0 Y, q机器之心编辑部
( d3 C- i4 Q8 p- M0 yGPT 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。
5 d8 D9 C; b3 w) B6 h' I1 V- c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。
, m* v" D: T/ `% i; w1 ]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。
* y- m/ y. l4 N, g/ e# u4 x# o$ }) b
1 D# O: ?  d+ H0 X+ U
. x* e& f4 f: [# j/ ]5 a) s. u
6 I# o" W' h, ]1 e; h  s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。


) i, c0 M: X1 Z9 q
代码地址：
2 P( X5 B. V6 _* F' ?7 x9 p3 bhttps://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。



8 p1 m- _. W! c& E9 R2 c, r3 I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。


( j- Q3 E% ^2 i$ [' _# ^' E
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。
! R# Q0 Q0 n- g! H& l项目介绍
设置
! g( Y7 R8 M, Q! m* N这一章节主要介绍了如何设置编码器、超参数以及参数。
8 D2 M9 p) }% R, C3 S2 ^( Q

0 I3 l" U  F% }! u( k
你要做的，首先是克隆代码库：

7 c% h# x" L4 m8 Z: N
) M2 \# ~0 Z: A
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：
! r* L4 [/ ~2 N" }encoder.py：包含 OpenAI BPE Tokenizer 的代码，直接取自 gpt-2 repo；
' ?/ R% {) w# d  E0 p& Z% Wgpt2.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：
1 I, K% c) G' A, z  s, N% V, Y. j
/ z, b: y3 Q, T: K4 z6 U  [$ u: H
' W# F2 s1 U( p
; E& t: d$ K3 m' _- B然后将下列代码复制到 gpt2.py 中：
8 v4 h' K  O% R* }8 M- S


上述代码包含 4 个主要部分：
7 F4 G! X, g/ f/ a+ Bgpt2 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"。
* w; p. v% l# xmain 函数包含有 encode、hparams、params 参数，执行下列代码：
1 Z' n2 T  u7 D6 z, p; S3 Q  _: K


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：
: }: x, H) v' {+ H2 _
; D% ^+ r6 u0 ~7 M

) k- u: Z1 O4 c* T实际的 token 长这个样子：
: F" Z/ f6 a; V+ Y. ?9 J/ c, w/ Q" y


+ W. a# W# p6 a% E- {0 J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 all， 代表一个空格），有时是单词的一部分（例如 capes 被拆分为 cap 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。接下来介绍基础神经网络，这一部分就更加基础了，主要包括 GELU、Softmax 函数以及 Layer Normalization 和 Linear。
! k# r9 U! i- ]/ {% w/ a7 o


每一小部分都有代码示例，例如在 Linear 部分，作者展示了标准矩阵乘法 + 偏置：

0 j7 E$ U+ c" q, z, Y9 w

; G3 \- c, H5 `+ Y线性层从一个向量空间投影到另一个向量空间的代码如下：



; z3 {9 f/ X+ e/ |: @# B; `GPT 架构
5 |, S1 L. [. M# L6 ?; ~这部分介绍 GPT 自身架构。

# a# T& f$ I) c" w( c0 U
& l$ K0 r0 s- }3 i4 \/ `
Transformer 架构如下：
8 h# E# I* c7 @7 Q7 c; V


Transformer 仅使用解码器堆栈（图的右侧部分）：

$ D" p# |4 A9 N2 O

需要注意，由于摆脱了编码器，中间的交叉注意力层也被删除了。
在高层次上，GPT 体系架构有以下三个部分：
文本 + 位置嵌入；
" \+ J; v/ |( a0 lTransformer 解码器堆栈；
投影到词汇表。
) ]/ f; W5 s% J: I代码就像下面这样：
5 t* X" |) S; C5 @$ |

- x1 `9 B$ V* `* `, R5 T' s# ?
代码部分截图
. D& d8 `6 n% u8 y: Z接下来更详细地分解以上三个部分中的每一个部分，这里也不再赘述。
) F% o! b9 J* {$ l以上就是作者对 GPT 的实现，接下来就是将它们组合在一起并运行代码，得到 gpt2.py。它的全部内容只有 120 行代码（如果删除注释和空格，则为 60 行）。
作者通过以下方式测试结果：

2 ~, i/ B4 _6 `! z. C

输出结果如下：
2 G2 P0 E: `" u7 s) \
3 W' o# o  F/ |4 R, _
, k, o5 o, U' ~( j1 ~
& {* V; p/ x' \3 I) d正如作者说的：这次实验成功了。
本文只是跟着作者的思路大概介绍了整体流程，想要了解更多内容的小伙伴，可以参考原文链接。
原文链接：https://jaykmody.com/blog/gpt-from-scratch/#basic-layers
全面学习 ChatGPT，机器之心准备了 89 篇文章合集
* d6 Y  C( H$ Y! ^: h这是一份全面、系统且高质量的 ChatGPT 文章合集，我们筛选出来了 89 篇相关文章，设计了阅读框架与学习路径，大家可以根据自己的需求进行浏览与研读。合集内容包括：
ChatGPT 及 OpenAI 大事件时间轴
) b7 Q; q: l0 Z7 E6 }0 P概念 · 真正搞懂 ChatGPT：共 3 篇文章
4 Y% d9 z. Q4 n, s  d! k7 r研究 · GPT 家族更迭：共 16 篇文章
2 {8 \- w( Z: i+ F$ i$ `, K八年 · OpenAI 的历史与现在：共 13 篇文章
干货 · GPT 相关研究与技术：共 18 篇文章
" [' X% f" a/ K8 @1 Y观点 · 专家谈 ChatGPT：共 8 篇文章
行业 · 应用与探索：共 23 篇文章
" l& v7 T$ I9 s  _; s5 f# l行业 · 同类产品：共 8 篇文章
THE END
: q1 A7 ]) L) g8 ]! u投稿或寻求报道：content@jiqizhixin.com