NLP之LLMs：自然语言处理大模型时代各种吊炸天算法概述(Word2Vec→ELMO→Attention→Transformer→GPT/BERT系列)、ELMO/GPT/BERT模型关系梳理之详细攻略
导读
：在2017年，Transformer模型问世，其强大的拟合能力迅速应用于各种sequence-to-sequence任务。Transformer模型包括两部分，Encoder用于特征表示，Decoder用于文本生成。它们各司其职，合在一起可以取得很好的效果。2018年6月，OpenAI的GPT系列就对Transformer Decoder替换RNN作为语言模型的能力进行了探索，提出了GPT-1，当时它只是一个12层单向的Transformer，通过预训练+精调的方式进行训练；
但是，2018年10月，Google的BERT一出来，刷新了11项 NLP 任务的 SOTA，将GPT-1很快就踩在脚下。
接着，2019年2月，改进的GPT-2提出了meta-learning，把所有NLP任务的输入输出进行了整合，全部用文字来表示，其生成性能最强，但NLU领域仍不如BERT；
然后，2020年5月，GPT-3改进了BERT的两个缺点，1750亿的参数，使其性能变得吊炸天。
近期，2022年11月，ChatGPT的惊艳表现，标志着对话模型领域又向前跨出了一大步。
自此，大模型江湖厮杀仍在继续……
目录
NLP之LLMs：基于Transformer的三类基础架构及其代表性算法(BERT/RoBERTa/ALBERT/T5、GPT系列、XLNet/T-NLG)之详细攻略
NLP之NNLM：NNLM神经语言模型算法(词向量法的始祖)的简介、网络结构、案例应用、代码实现之详细攻略
NLP：word embedding词嵌入/word2vec词向量方法(一种主流的分布式表示)的简介、使用方法、案例应用之详细攻略
NLP之ELMO：ELMO模型的概述、结构(预训练过程、推理过程)之详细攻略
DL之self-attention：self-attention自注意力机制的简介(背景、特点、改进对比、传统对比、关系、应用，适合长距离捕获分析)、计算过程(八大步骤)、案例应用之详细攻略
NLP之Transformer：Transformer的简介(优缺点/架构详解，基于Transformer的系列架构对比分析)、使用方法(NLP领域/CV领域)、案例应用之详细攻略
GPT模型的概述—GPT系列(GPT-1/GPT-2/GPT-3)
NLP之GPT-1/GPT-2：GPT-1的概述(简介、原理、意义、结构、创新点、优缺点、数据集)、为何单向Transfo、模型结构、训练过程，GPT-2的概述(大数据、大模型、灵感点)之详细攻略
NLP之GPT-3：NLP领域没有最强，只有更强的模型—GPT-3的简介(本质、核心思想、意义、特点、优缺点、数据集、实际价值，模型强弱体现，开源探讨，GPT系列对比与总结)、安装、使用方法之详细攻略
AIGC：ChatGPT(一个里程碑式的对话聊天机器人)的简介(意义/功能/核心技术等)、使用方法(七类任务)、案例应用(提问基础性/事实性/逻辑性/创造性/开放性的问题以及编程相关)之详细攻略
NLP之BERT：BERT的简介(背景、改进点、创新点、简介、意义、原理、优缺点、总结与评价)、模型结构、训练过程(MLM、NSP任务的概述)之详细攻略
(2)、BERT与Word2Vec→ELMO→GPT之间的图结构转换
单个模型逐个概述
NLP之LLMs：基于Transformer的三类基础架构及其代表性算法(BERT/RoBERTa/ALBERT/T5、GPT系列、XLNet/T-NLG)之详细攻略
https://yunyaniu.blog.youkuaiyun.com/article/details/131098969
NNLM
模型的概述
NLP之NNLM：NNLM神经语言模型算法(词向量法的始祖)的简介、网络结构、案例应用、代码实现之详细攻略
https://yunyaniu.blog.youkuaiyun.com/article/details/128795552
Word2Vec模型的概述
NLP：word embedding词嵌入/word2vec词向量方法(一种主流的分布式表示)的简介、使用方法、案例应用之详细攻略
https://yunyaniu.blog.youkuaiyun.com/article/details/128262908
ELMO模型的概述
NLP之ELMO：ELMO模型的概述、结构(预训练过程、推理过程)之详细攻略
https://yunyaniu.blog.youkuaiyun.com/article/details/128795366
Attention
的概述
DL之
Attention
：
Attention
注意力机制算法的起源与盛行及其在长距离有效的原因、概述(背景/本质/与ED框架关系/模型架构/优缺点/扩展，理解，本质，变种)、案例应用(CV/NLP)之详细攻略
https://yunyaniu.blog.youkuaiyun.com/article/details/83187158
DL之self-attention：self-attention自注意力机制的简介(背景、特点、改进对比、传统对比、关系、应用，适合长距离捕获分析)、计算过程(八大步骤)、案例应用之详细攻略
https://yunyaniu.blog.youkuaiyun.com/article/details/100108045
Transformer
的概述
NLP之Transformer：Transformer的简介(优缺点/架构详解，基于Transformer的系列架构对比分析)、使用方法(NLP领域/CV领域)、案例应用之详细攻略
https://yunyaniu.blog.youkuaiyun.com/article/details/123172991
GPT模型的概述—
GPT
系列(
GPT-
1/
GPT-
2/
GPT-
3)
NLP之
GPT-
1/
GPT-
2：
GPT-
1的概述
(简介、原理、意义、结构、创新点、优缺点、数据集)、为何单向Transfo
、
模型结构、训练过程
，
GPT-
2
的
概述(大数据、大模型、灵感点)
之详细攻略
https://yunyaniu.blog.youkuaiyun.com/article/details/80468713
NLP之GPT-3：NLP领域没有最强，只有更强的模型—GPT-3的简介(本质、核心思想、意义、特点、优缺点、数据集、实际价值，模型强弱体现，开源探讨，GPT系列对比与总结)、安装、使用方法之详细攻略
https://yunyaniu.blog.youkuaiyun.com/article/details/107897654
AIGC：ChatGPT(一个里程碑式的对话聊天机器人)的简介(意义/功能/核心技术等)、使用方法(七类任务)、案例应用(提问基础性/事实性/逻辑性/创造性/开放性的问题以及编程相关)之详细攻略
https://yunyaniu.blog.youkuaiyun.com/article/details/128229941
BERT模型的概述
NLP之BERT：BERT的简介(背景、改进点、创新点、简介、意义、原理、优缺点、总结与评价)、模型结构、训练过程(MLM、NSP任务的概述)之详细攻略
https://yunyaniu.blog.youkuaiyun.com/article/details/104987840
多个大模型横向对比
ELMO、GPT、BERT对比
(1)、预测词的模型结构不同
| 算法 | 特征抽取器类型 | 预测中间词的模型结构不同 |
|---|---|---|
| ELMO | LSTM | ELMO采用 双向 LSTM 结构 ：因为各个LSTM结构之间是互相独立的，所以可以根据上下文预测中间词； |
| GPT | Transformer | GPT采用了 单向的 Transformer ：GPT在做另一个任务：根据上文预测下一个单词时，要求Pre-Training预测下一个词时，只能够看见当前以及之前的词，这也使得GPT不得不放弃原本Transformer的双向结构，转而采用单向结构的原因。此举从而也就决定了GPT只能根据上文预测下一个单词； |
| BERT | Transformer | BERT采用了 双向 的 Transformer ：所以并没有像GPT一样完全放弃下文信息。 BERT综合了ELMO的 双向 优势与GPT的Transformer的 特征提取 优势： >> 如果把ELMO的特征抽取器LSTM，换成Transformer→BERT >> 如果把GPT预训练阶段，换成双向语言模型→BERT |
(2)、BERT与Word2Vec→ELMO→GPT之间的图结构转换
NLP之LLMs：Transformer的六大核心技术点(ED/SA/MHA/PE/FNN/RC-LN)、两大划时代性模型(BERT模型对比GPT模型)、基于Transformer的三类基础架构及其代表性算法之详细攻略
https://yunyaniu.blog.youkuaiyun.com/article/details/130652990
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
