本文主要是介绍[阅读笔记1][GPT-3]Language Models are Few-Shot Learners，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
首先讲一下GPT3这篇论文，文章标题是语言模型是小样本学习者，openai于2020年发表的。
这篇是在GPT2的基础上写的，由于GPT2还存在一些局限，这篇对之前的GPT2进行了一些完善。GPT2提出了多任务学习，也就是可以零样本地用在各个下游任务，不需要再进行微调了，这与Bert的思路差别很大。但是GPT2的结果没有特别出色，只是比部分有监督的模型高了一点，大概处在一个平均水平。
GPT3仍然沿用了2的思路，然后将模型扩大了一百倍，模型具有1750亿个参数。另外在处理任务时提供了少量带标签的样本供模型学习，不过这里并没有用这些样本微调模型，仅仅是作为prompt输入给模型。可以看到大模型和few-shot带来的提升都是巨大的。
以Bert为代表的预训练-微调范式存在一些问题，首先就是数据集，对于每个细分任务都需要带标注的数据集来微调，这个代价是很大的。第二点就是泛化性不好，因为只能应用于微调的那些任务。第三点是和人类进行类比，比如情感分析，人类不需要看完整个数据集，只需要看少量的几个例子就能学会。所以few-shot相比微调更符合人类行为。
接下来就是展示了一下GPT3使用的zero-shot、one-shot、few-shot与微调的区别。
左侧是微调的过程，右侧就是gpt3提出的方法，不需要进行梯度更新。
模型结构使用的类似GPT2，有一些改进，比如使用了稀疏transformer，类似于空洞卷积，这样模型能尽可能轻量一些。但即使这样，整个模型还是非常大的。
最后是模型的结果，左边的图可以看到模型越大损失越小，并且要想损失线性的下降需要模型规模指数级增大。右边的图是在lambada数据集上的结果，这里one-shot不如zero-shot结果，作者给出的解释是只给一个示例的话，模型还没有充分学习到这种交互方式，可能认为给的不是一个任务示例，而是一句普通的文本，从而干扰了正常的推理。
这篇关于[阅读笔记1][GPT-3]Language Models are Few-Shot Learners的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
