GPT2 模型训练

GPT2 预训练模型 基座

专门供给别人使用的。

对中文分词是一个字一个字分，是Bert的分类方法

好处：灵活。

词库可以适应任何文章。

坏处：训练的难度更大。需要增加数据量

中文分词如果按词组分词

好处：需要的数据量小，训练难度小

坏处：灵活性差

GTP2模型结构

vocab 字典：21128

位置编码：1024

out_feature=21128

文章生成，必须要给个开头。

有开头 后面100个空格，21128个概率，按概率大小往后填字 

do_sample=false, 每次结果都一样，取概率最大的一个输出；

do_sample=true, 每次结果都不一样，取概率比较大的Top k的随机一个；

文章生成，对白话文，古文，现代诗文，没有什么格式要求，让模型生成没什么问题，但对于对联或者古诗词，对格式有要求，生成的效果会不太行。这种格式，不是通过AI 做的，而是通过算法去纠正和优化。

GPT-2的核心是生成自然语言文本，而非分类。虽然可以通过技术手段扩展其用途，但它的本质是生成模型。如果需要分类任务，通常会选择像BERT、RoBERTa等更适配的架构，或在GPT-2基础上添加分类层进行微调。

如何使用GPT2 作为文本生成的训练，要比BERT模型训练要容易的多。

文本生成评估指标：

客观评价指标：相似度

主观评价指标：人为评判

开源的大的数据集：用于标注打分

这跟BERT分类模型不一样，BERT模型是通过精度来看指标。

BERT训练基本上是后面的增量微调（输出层）。前面的BERT只做特征提取。只要理解文本含义就可以。

GPT2 白话文，需要训练古诗词需要全量微调。

BERT模型的模型参数保存，一般根据验证集得分来保存模型。

GPT2生成模型不会验证集的得分来保存模型，因为不够全面。所以一般是保存模型参数的后面几轮（最后一轮），要么每一轮都保存。

训练过程中，学习率LR减小，可以让模型足够稳定。

loss一般在1.5左右就比较好了。具体还要看损失函数。

BERT模型用的是transformer的编码器（特征提取）， GPT模型是transformer（特征生成/还原）的解码器。 翻译模型同时使用了transformer的编解码结构。

Q：训练准确率上去了，每轮后的验证准确率上不去

1.验证集和测试集也要做样本均化处理，不然评估精度不太对。

2.验证集和测试集也要做样本已做均化处理，那就是训练还不够。

Epoch是指整个训练数据集被神经网络完整地遍历一次的过程；

Batch是每一轮每次训练多少数据。