15亿参数的GPT-2被两个CS硕士复制出来了，没有语言建模经验，花了5万美元

torry

机器之心报道

参与：杜伟、张倩

前几天，OpenAI 发布了 7.74 亿参数量的新一版 GPT-2，并表示将在几个月之内发布 15.58 亿参数量的完整版本。但还没等到完整版官宣，有人就已经等不及了，索性自己动手复制了一个 15 亿参数量的 GPT-2，并将其命名为 OpenGPT-2。项目作者是来自布朗大学的两位硕士研究生，他们复制 GPT-2 的花费大约是 5 万美元。

+ Z7 W5 {3 o% Y% p

8 P7 E  H1 ^+ Q  S3 ]项目的两位作者：Aaron Gokaslan 和 Vanya Cohen 。
读者可以在 Google Colab 上访问该模型并生成文本。
, B' d* y. [" T7 N2 P0 wGoogle Colab 地址：https://colab.research.google.com/drive/1esbpDOorf7DQJV8GXWON24c-EQrSKOit
5 f- H4 m' O1 ?* l. T* P" E  u
模型权重：https://drive.google.com/drive/u/0/folders/1KfK5MXtvgH8C615UUZoKPIUVJYIdJxX1
- u$ o6 h/ f$ l. N作者表示，复制 GPT-2 没有那么难，论文中的很多结果都是他们两人可以复制的，并且二人并没有语言建模的经验。所以，只要你感兴趣（壕），你也能自己复制一份。
  S! R% S/ p3 m1 [. [

3 W, M) m3 [/ v" E* z  G8 [复制方法和成本
' o8 `1 T7 h6 p" T& ^8 k
' e; f) Q: a% j9 G; ^OpenGPT-2 的实现基于 Grover 模型，通过修改它们的代码库来达到 GPT-2 的语言建模训练目标。由于 Grover 模型是在类似的大型语料库上进行训练，所以很多代码和超参数很容易重复使用。他们也没有对 Grover 的超参数进行大量修改。
3 ^9 v1 ]2 l' z5 v' d$ H1 c3 F
8 I# d3 Q( Q. h6 C至于成本嘛，他们使用自己的代码从零开始训练 GPT-2 模型大约花费了 5 万美元。但需要注意的是，5 万美元只是云计算的估算成本，没有包含更细微的内在成本（在其他效率更低的易用计算资源上训练模型的效果会更差）。
+ u( e8 t3 m4 A
, B' {/ [. y4 ~6 L/ i数据集

) i0 f+ ~8 q7 y$ z, R& XOpenAI GPT-2 的原始论文中有对清理数据集的详解。在该论文中，Open AI 的研究人员用到了一个名为 WebText 的数据集，其中包含数百万个网页。

, ^- h* L# A) _- l% p$ n论文地址：https://d4mucfpksywv.cloudfront.net/better-language-models/language_models_are_unsupervised_multitask_learners.pdf

; _) u, Y' e2 e6 K1 x1 [: d如 WebText 一样，本文中的两位研究者首先解析 Reddit 上 3 个 up-vote 以上的所有链接。同时，他们利用了 Pushshift Reddit scrape 数据集，该数据集集合了持续更新的 Reddit 帖子、评论和有关元数据。然后，作者对这些链接进行过滤，删除那些不太可能包含有用文本或 HTML 的文件类型（即视频文件、PDF 和 CSS 格式文件）的直接链接。

, {) l  l  A  k3 p( B1 }4 a此外，作者还过滤了网页，以删除被各种评估基准和数据集所使用的 Wikipedia 内容。他们并不能确定自己的过滤方法是否符合 OpenAI 的标准。因此，他们使用 Newspaper Python 库从 HTML 网页上提取文本，然后使用 fastText Python 库只过滤掉英文文本。
. W' X% m9 e- P& E0 M- k, L
具体来说，作者使用了 WhatTheLang python Wrapper。他们利用局部敏感哈希（locally sensitive hashing，LSH）删除这些文档。最后，他们将这些文档散列到了 5-gram 的集合中，并删除了相似度阈值大于 0.5 的所有文档。
& Y( I- H1 Y% D: s; u+ U
% B$ F% ~; ~) _; D/ ]作者还从数据集中删除了 token 数少于 128 的文档。这些短文档往往质量较低。作者将这一数据集作为 OpenWebTextCorpus 发布。
0 b2 b6 m1 s7 j# o0 G
( a) F3 {, c: |, c& J数据集链接：https://skylion007.github.io/OpenWebTextCorpus/

在编码数据集时，作者使用了 Radford 等人发布的适用于小模型的 Binary Pattern 编码器。他们还利用 OpenWebText 网页爬取代码库的修订版作为自身数据集集合的起始点。

7 Q6 E9 C4 r8 _  b) l& c  c6 _从公开发布的 WebText 的 26 万篇文档的集合来看，作者发现所有文档的双字节编码（BPE）长度最小为 40，最大为 1024。而 OpenWebText 的不同之处在于作者将文档长度的最低值设为 128 个 token（替代 BPE），并且不限制文档最大长度。此外，原始 WebTextCorpus 是在这些样本可用之前发布的，因此作者没有使用这些信息来生成清理启发式。
8 F# Z. F  R0 N+ ~7 ]: S7 n6 X
尽管在训练分布上存在差异，作者依然得出了与多数数据集接近的困惑度。

效果
+ K. w" S5 l' ]+ ^( L. p8 J0 P
6 m7 ^: k: I1 z6 R( v& ]两位作者在 medium 博客中展示了 OpenGPT-2 的生成效果。他们提供给模型的提示为：「Recycling is good for the world. NO! YOU COULD NOT BE MORE WRONG!!」，输入模型之后得到了以下输出：

: H. B* Z- Z! g# p. [

reddit 网友也根据作者给出的连接进行了测试，并将测试结果与 OpenAI 前几天公布的 7.74 亿参数量版本进行了对比。有人表示：

我使用相同的提示分别测试了 OpenGPT-2 和 OpenAI 的 GPT-2 7.74 亿参数版本，结果还是 OpenAI 的输出效果更好，所以作者的复制过程或许存在一些问题。

# t0 a9 U5 l3 o" M2 @

当然，也有人认为 OpenGPT-2 的效果更好：

我认为作者的 OpenGPT-2 效果优于 OpenAI 的 GPT-2 7.74 亿参数版本，但还不足以用来制造令人信服的假新闻。几次尝试输入「Shocking revelation! Vladimir Putin and Donald Trump are」，我得出了以下效果最佳的文本。该文本能够更长时间地保持语义连贯性，语句也更有意义，但还是比较容易被识破。但不可否认，OpenGPT-2 对研究确实很有帮助。
) o, U. m+ _  u7 U0 e
  r+ Z5 _3 ^" G但我还有一个疑问，OpenGPT-2 到底只是把它读过的文本随机组合到一起，还是真正地创造出了新文本。

0 R8 o0 Y" x! {' r2 U

6 v' c* W8 o6 {5 y* Z( H9 }2 [7 a, z至于 OpenGPT-2 的生成效果究竟如何，大家可以根据文中提供的链接测试一下。
8 f/ O( _( T2 ^0 P# x0 h- x
% W; `: c' g( r参考链接：


. I7 {8 f$ e& ?$ s9 Y
https://www.reddit.com/r/MachineLearning/comments/cu9xgi/p_opengpt2_we_replicated_gpt2_because_you_can_too/
4 z3 N) Z; a  r. Y2 rhttps://medium.com/@vanya_cohen/opengpt-2-we-replicated-gpt-2-because-you-can-too-45e34e6d36dc

WAIC 2019 开发者日

将于 8 月 31 日在上海世博中心举办，包含 1 个主单元、4 个分单元、黑客马拉松比赛和开发者诊所互动区。

# o  ~6 G0 L# M

届时，全球顶尖 AI 专家、技术大牛、知名企业代表以及数千名开发者将齐聚上海，围绕人工智能前沿理论技术和开发实践进行分享与解读。

点击阅读原文，立即报名。

) j% j7 }, ~& v来源：http://mp.weixin.qq.com/s?src=11&timestamp=1566630003&ver=1809&signature=lixpkgck3Jci-PJs9nuYQ2-e-AoYyRsK9T2JfY8UTHbrfqeLiSdjvkGmvntU-OVvGe8*llf7XPaBdBKSdmrL7CrALKS1LX-KQs*HOTH8twOu5W3TN*s6mdYxiqgYsckc&new=1
' R% Y6 O# m' S' s  p( T免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！