gpt概念（gpt概念股龍頭）

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于gpt概念的問題，以下是小編對(duì)此問題的歸納整理，讓我們一起來看看吧。

ChatGPT國內(nèi)免費(fèi)在線使用，能給你生成想要的原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

你只需要給出你的關(guān)鍵詞，它就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端，官網(wǎng)：https://ai.de1919.com

本文目錄:

• 1、efi，uefi和bios的區(qū)別，gpt分區(qū)和mbr分區(qū)的區(qū)別

• 2、我加的4T硬盤為啥分區(qū)出來的不是GTP？

• 3、固態(tài)硬盤用mbr還是gpt 關(guān)于固態(tài)硬盤用mbr還是gpt的介紹

• 4、BERT詳解（附帶ELMo、GPT 介紹）

一、efi，uefi和bios的區(qū)別，gpt分區(qū)和mbr分區(qū)的區(qū)別

BIOS+MBR和UEFI+GPT兩種模式的區(qū)別：

一般情況下，在安裝官方原版系統(tǒng)時(shí)，你使用BIOS傳統(tǒng)啟動(dòng)方式，你在安裝界面重新分區(qū)就是MBR分區(qū)表；如果你使用的是UEFI啟動(dòng)方式，你在安裝界面重新分區(qū)就是GPT分區(qū)表。

BIOS+MBR這種啟動(dòng)模式兼容性較好?？梢赃M(jìn)行安裝 32位和64位系統(tǒng)。

UEFI可以以32位或64位模式運(yùn)行，并具有比BIOS更多的可尋址地址空間，這意味著您的引導(dǎo)過程更快。

另外，UEFI包含其他功能，它支持安全啟動(dòng)，這意味著可以檢查操作系統(tǒng)的有效性，以確保沒有惡意軟件篡改引導(dǎo)進(jìn)程。

總之，BIOS和UEFI兩種模式啟動(dòng)計(jì)算機(jī)過程可以概括為：

BIOS先要對(duì)CPU初始化，然后跳轉(zhuǎn)到BIOS啟動(dòng)處進(jìn)行POST自檢，此過程如有嚴(yán)重錯(cuò)誤，則電腦會(huì)用不同的報(bào)警聲音提醒，接下來采用讀中斷的方式加載各種硬件，完成硬件初始化后進(jìn)入操作系統(tǒng)啟動(dòng)過程；

而UEFI則是運(yùn)行預(yù)加載環(huán)境先直接初始化CPU和內(nèi)存，CPU和內(nèi)存若有問題則直接黑屏，其后啟動(dòng)PXE采用枚舉方式搜索各種硬件并加載驅(qū)動(dòng)，完成硬件初始化，之后同樣進(jìn)入操作系統(tǒng)啟動(dòng)過程。

MBR和GPT：

MBR是傳統(tǒng)的分區(qū)表類型，最大缺點(diǎn)是不支持容量大于2T的硬盤。GPT則彌補(bǔ)了MBR這個(gè)缺點(diǎn)，最大支持18EB的硬盤，是基于UEFI使用的磁盤分區(qū)架構(gòu)。此外，BIOS只支持MBR引導(dǎo)系統(tǒng)，而GPT僅支持UEFI引導(dǎo)系統(tǒng)。由于GPT引導(dǎo)系統(tǒng)的方式與MBR不同，所以我們?cè)诎惭b系統(tǒng)時(shí)，才面臨需要手動(dòng)開啟UEFI，或是將其設(shè)置成Legacy模式等方式加以解決。

目前的電腦一般為UEFI啟動(dòng)，內(nèi)存大于4G，安裝32位系統(tǒng)意義不大；對(duì)于老主板還是建議使用BIOS+MBR，這種模式較為穩(wěn)定。

二、我加的4T硬盤為啥分區(qū)出來的不是GTP？

1、NTFS是文件系統(tǒng)（New Technology File System），GPT是分區(qū)表（GUID Partition Table），二者不是同一個(gè)概念。

2、分區(qū)表定義與保存了硬盤的分區(qū)信息，完成分區(qū)后，硬盤仍然不能直接使用，需要在空白分區(qū)上創(chuàng)建文件系統(tǒng)后才能使用。

如果有興趣搞清楚它們之間的具體關(guān)系，可以看看下面這篇文章。

鏈接

三、固態(tài)硬盤用mbr還是gpt 關(guān)于固態(tài)硬盤用mbr還是gpt的介紹

1、如果固態(tài)硬盤主控版本較舊或者硬盤讀寫較慢，則建議選擇兼容性更好的MBR。如果電腦系統(tǒng)版本在Win8以上，則建議使用更新的GUID。注意，如果硬盤容量超過2T，則只能選擇GUID。

2、MBR的意思是【主引導(dǎo)記錄】，是IBM公司早年間提出的。它是存在于磁盤驅(qū)動(dòng)器開始部分的一個(gè)特殊的啟動(dòng)扇區(qū)。這個(gè)扇區(qū)包含了已安裝的操作系統(tǒng)系統(tǒng)信息，并用一小段代碼來啟動(dòng)系統(tǒng)。如果你安裝了Windows，其啟動(dòng)信息就放在這一段代碼中——如果MBR的信息損壞或誤刪就不能正常啟動(dòng)Windows，這時(shí)候你就需要找一個(gè)引導(dǎo)修復(fù)軟件工具來修復(fù)它就可以了。Linux系統(tǒng)中MBR通常會(huì)是GRUB加載器。MBR。當(dāng)一臺(tái)電腦啟動(dòng)時(shí)，它會(huì)先啟動(dòng)主板自帶的BIOS系統(tǒng)，bios加載MBR，MBR再啟動(dòng)Windows，這就是mbr的啟動(dòng)過程。

3、GUID的意思是GUIDPartitionTable，即【全局唯一標(biāo)識(shí)磁盤分區(qū)表】。它是另外一種更加先進(jìn)新穎的磁盤組織方式，一種使用UEFI啟動(dòng)的磁盤組織方式。最開始是為了更好的兼容性，后來因?yàn)槠涓蟮闹С謨?nèi)存（mbr分區(qū)最多支持2T的磁盤），更多的兼容而被廣泛使用，特別是蘋果的MAC系統(tǒng)全部使用guid分區(qū)。guid不在有分區(qū)的概念，所有CDEF盤都在一段信息中存儲(chǔ)。因?yàn)榧嫒輪栴}，guid其實(shí)在引導(dǎo)的最開始部分也有一段mbr引導(dǎo)，也叫做【保護(hù)引導(dǎo)】，為了防止設(shè)備不支持uefi區(qū)別。

四、BERT詳解（附帶ELMo、GPT 介紹）

首先我會(huì)詳細(xì)闡述 BERT 原理，然后簡單介紹一下 ELMO 以及 GPT

BERT 全稱為 B idirectional E ncoder R epresentation from T ransformer，是 Google 以 無監(jiān)督的方式利用大量無標(biāo)注文本 「煉成」的語言模型，其架構(gòu)為 Transformer 中的 Encoder（BERT=Encoder of Transformer）

我在 Transformer 詳解 中已經(jīng)詳細(xì)的解釋了所有 Transformer 的相關(guān)概念，這里就不再贅述

以往為了解決不同的 NLP 任務(wù)，我們會(huì)為該任務(wù)設(shè)計(jì)一個(gè)最合適的神經(jīng)網(wǎng)絡(luò)架構(gòu)并做訓(xùn)練，以下是一些簡單的例子

不同的 NLP 任務(wù)通常需要不同的模型，而設(shè)計(jì)這些模型并測試其 performance 是非常耗成本的（人力，時(shí)間，計(jì)算資源）。如果有一個(gè)能 直接處理各式 NLP 任務(wù)的通用架構(gòu) 該有多好？

隨著時(shí)代演進(jìn)，不少人很自然地有了這樣子的想法，而 BERT 就是其中一個(gè)將此概念付諸實(shí)踐的例子

Google 在預(yù)訓(xùn)練 BERT 時(shí)讓它同時(shí)進(jìn)行兩個(gè)任務(wù)：

1. 漏字填空

2. 下個(gè)句子預(yù)測

對(duì)正常人來說，要完成這兩個(gè)任務(wù)非常簡單。只要稍微看一下前后文就知道完形填空任務(wù)中 [MASK] 里應(yīng)該填 退了 ；而 醒醒吧 后面接 你沒有妹妹 也十分合理(?)

接下來我會(huì)分別詳細(xì)介紹論文中這兩個(gè)任務(wù)的設(shè)計(jì)細(xì)節(jié)

在 BERT 中，Masked LM（Masked Language Model）構(gòu)建了語言模型，簡單來說，就是 隨機(jī)遮蓋或替換 一句話里面的任意字或詞，然后讓模型通過上下文預(yù)測那一個(gè)被遮蓋或替換的部分，之后 做 Loss 的時(shí)候也只計(jì)算被遮蓋部分的 Loss ，這其實(shí)是一個(gè)很容易理解的任務(wù)，實(shí)際操作如下：

這樣做的好處是，BERT 并不知道 [MASK] 替換的是哪一個(gè)詞，而且 任何一個(gè)詞都有可能是被替換掉的，比如它看到的 apple 可能是被替換的詞 。這樣強(qiáng)迫模型在編碼當(dāng)前時(shí)刻詞的時(shí)候 不能太依賴當(dāng)前的詞 ，而要考慮它的上下文，甚至根據(jù)上下文進(jìn)行 "糾錯(cuò)"。比如上面的例子中，模型在編碼 apple 時(shí)，根據(jù)上下文 my dog is，應(yīng)該 把 apple 編碼成 hairy 的語義而不是 apple 的語義

我們首先拿到屬于上下文的一對(duì)句子，也就是兩個(gè)句子，之后我們要在這兩個(gè)句子中加一些特殊的 token： [CLS]上一句話[SEP]下一句話[SEP] 。也就是在句子開頭加一個(gè) [CLS] ，在兩句話之間和句末加 [SEP] ，具體地如下圖所示

可以看到，上圖中的兩句話明顯是連續(xù)的。如果現(xiàn)在有這么一句話 [CLS] 我的狗很可愛 [SEP] 企鵝不擅長飛行 [SEP] ，可見這兩句話就 不是連續(xù)的 。在實(shí)際訓(xùn)練中，我們會(huì)讓這兩種情況出現(xiàn)的數(shù)量為** 1:1**

Token Embedding 就是正常的詞向量，即 PyTorch 中的 nn.Embedding()

Segment Embedding 的作用是用 embedding 的信息讓模型 分開上下句 ，我們給上句的 token 全 0，下句的 token 全 1，讓模型得以判斷上下句的起止位置，例如

Position Embedding 和 Transformer 中的不一樣，不是三角函數(shù)，而是 學(xué)習(xí)出來的

BERT 預(yù)訓(xùn)練階段實(shí)際上是將上述兩個(gè)任務(wù)結(jié)合起來，同時(shí)進(jìn)行，然后將所有的 Loss 相加，例如

BERT 的 Fine-Tuning 共分為 4 種類型，以下內(nèi)容、圖片均來自臺(tái)大李宏毅老師 Machine Learning 課程 （以下內(nèi)容 圖在上，解釋在下）

為什么要用CLS？

這里李宏毅老師有一點(diǎn)沒講到，就是為什么要用第一個(gè)位置，即 [CLS] 位置的 output。這里我看了網(wǎng)上的一些博客，結(jié)合自己的理解解釋一下。因?yàn)?BERT 內(nèi)部是 Transformer，而 Transformer 內(nèi)部又是 Self-Attention， 所以 [CLS] 的 output 里面肯定含有整句話的完整信息 ，這是毋庸置疑的。但是 Self-Attention 向量中，自己和自己的值其實(shí)是占大頭的，現(xiàn)在假設(shè)使用 的 output 做分類，那么這個(gè) output 中實(shí)際上會(huì)更加看重 ，而 又是一個(gè)有實(shí)際意義的字或詞，這樣難免會(huì)影響到最終的結(jié)果。但是 [CLS] 是沒有任何實(shí)際意義的，只是一個(gè)占位符而已，所以就算 [CLS] 的 output 中自己的值占大頭也無所謂。當(dāng)然你 也可以將所有詞的 output 進(jìn)行 concat，作為最終的 output

首先將問題和文章通過 [SEP] 分隔，送入 BERT 之后，得到上圖中黃色的輸出。此時(shí)我們還要訓(xùn)練兩個(gè) vector，即上圖中橙色和黃色的向量。首先將橙色和所有的黃色向量進(jìn)行 dot product，然后通過 softmax，看哪一個(gè)輸出的值最大，例如上圖中 對(duì)應(yīng)的輸出概率最大，那我們就認(rèn)為 s=2

同樣地，我們用藍(lán)色的向量和所有黃色向量進(jìn)行 dot product，最終預(yù)測得 的概率最大，因此 e=3。最終，答案就是 s=2,e=3

你可能會(huì)覺得這里面有個(gè)問題，假設(shè)最終的輸出 s>e 怎么辦，那不就矛盾了嗎？其實(shí)在某些訓(xùn)練集里，有的問題就是沒有答案的，因此此時(shí)的預(yù)測搞不好是對(duì)的，就是沒有答案

以上就是 BERT 的詳細(xì)介紹，參考以下文章

ELMo是Embedding from language Model的縮寫，它通過無監(jiān)督的方式對(duì)語言模型進(jìn)行預(yù)訓(xùn)練來學(xué)習(xí)單詞表示

這篇論文的想法其實(shí)非常簡單，但是效果卻很好。它的思路是用 深度的雙向 Language Model 在大量未標(biāo)注數(shù)據(jù)上訓(xùn)練語言模型 ，如下圖所示

在實(shí)際任務(wù)中，對(duì)于輸入的句子，我們使用上面的語言模型來處理它，得到輸出向量，因此這可以看作是一種 特征提取 。但是 ELMo 與普通的 Word2Vec 或 GloVe 不同，ELMo 得到的 Embedding 是 有上下文信息 的

具體來說，給定一個(gè)長度為 N 的句子，假設(shè)為 ，語言模型會(huì)計(jì)算給定 的條件下出現(xiàn) 的概率：

傳統(tǒng)的 N-gram 模型 不能考慮很長的歷史 ，因此現(xiàn)在的主流是使用 多層雙向 LSTM 。在時(shí)刻 ，LSTM 的第 層會(huì)輸出一個(gè)隱狀態(tài) ，其中 ， 是 LSTM 的層數(shù)。最上層是 ，對(duì)它進(jìn)行 softmax 之后得到輸出詞的概率

類似的，我們可以用 一個(gè)反向 來計(jì)算概率：

通過這個(gè) LSTM，我們可以得到 。我們的損失函數(shù)是這兩個(gè) LSTM 的 加和 :

這兩個(gè) LSTM 有各自的參數(shù) 和 ，而 Word Embedding 參數(shù) 和 Softmax 參數(shù) 是共享的

為了用于下游（DownStream）的特定任務(wù)，我們會(huì)把不同層的隱狀態(tài)組合起來，具體組合的參數(shù)是根據(jù)不同的特定任務(wù)學(xué)習(xí)出來的，公式如下：

GPT 得到的語言模型參數(shù)不是固定的，它會(huì)根據(jù)特定的任務(wù)進(jìn)行調(diào)整（通常是微調(diào)），這樣的到的句子表示能更好的適配特定任務(wù)。它的思想也很簡單，使用 單向 Transformer 學(xué)習(xí)一個(gè)語言模型 ，對(duì)句子進(jìn)行無監(jiān)督的 Embedding，然后 根據(jù)具體任務(wù)對(duì) Transformer 的參數(shù)進(jìn)行微調(diào) 。GPT 與 ELMo 有兩個(gè)主要的區(qū)別：

這里解釋一下上面提到的 單向 Transformer 。在 Transformer 的文章中，提到了 Encoder 與 Decoder 使用的 Transformer Block 是不同的。在 Decoder Block 中，使用了 Masked Self-Attention ，即句子中的每個(gè)詞都只能對(duì) 包括自己在內(nèi)的前面所有詞進(jìn)行 Attention ，這就是單向 Transformer。GPT 使用的 Transformer 結(jié)構(gòu)就是將 Encoder 中的 Self-Attention 替換成了 Masked Self-Attention ，具體結(jié)構(gòu)如下圖所示

訓(xùn)練的過程也非常簡單，就是將 n 個(gè)詞的詞嵌入 ( ) 加上位置嵌入 ( )，然后輸入到 Transformer 中，n 個(gè)輸出分別預(yù)測該位置的下一個(gè)詞

這里的位置編碼沒有使用傳統(tǒng) Transformer 固定編碼的方式，而是動(dòng)態(tài)學(xué)習(xí)的

Pretraining 之后，我們還需要針對(duì)特定任務(wù)進(jìn)行 Fine-Tuning。假設(shè)監(jiān)督數(shù)據(jù)集合 的輸入 是一個(gè)詞序列 ，輸出是一個(gè)分類的標(biāo)簽 ，比如情感分類任務(wù)

我們把 輸入 Transformer 模型，得到最上層最后一個(gè)時(shí)刻的輸出 ，將其通過我們新增的一個(gè) Softmax 層（參數(shù)為 ）進(jìn)行分類，最后用 CrossEntropyLoss 計(jì)算損失，從而根據(jù)標(biāo)準(zhǔn)數(shù)據(jù)調(diào)整 Transformer 的參數(shù)以及 Softmax 的參數(shù) 。這等價(jià)于最大似然估計(jì)：

正常來說，我們應(yīng)該調(diào)整參數(shù)使得 最大，但是 為了提高訓(xùn)練速度和模型的泛化能力 ，我們使用 Multi-Task Learning，同時(shí)讓它最大似然 和

這里使用的 還是之前語言模型的損失（似然），但是使用的數(shù)據(jù)不是前面無監(jiān)督的數(shù)據(jù) ，而是使用當(dāng)前任務(wù)的數(shù)據(jù) ，而且只使用其中的 ，而不需要標(biāo)簽

針對(duì)不同任務(wù)，需要簡單修改下輸入數(shù)據(jù)的格式，例如對(duì)于相似度計(jì)算或問答，輸入是兩個(gè)序列，為了能夠使用 GPT，我們需要一些特殊的技巧把兩個(gè)輸入序列變成一個(gè)輸入序列

ELMo 和 GPT 最大的問題就是 傳統(tǒng)的語言模型是單向的 —— 我們根據(jù)之前的歷史來預(yù)測當(dāng)前詞。但是我們不能利用后面的信息。比如句子 The animal didn’t cross the street because it was too tired 。我們?cè)诰幋a it 的語義的時(shí)候需要同時(shí)利用前后的信息，因?yàn)樵谶@個(gè)句子中， it 可能指代 animal 也可能指代 street 。根據(jù) tired ，我們推斷它指代的是 animal 。但是如果把 tired 改成 wide ，那么 it 就是指代 street 了。傳統(tǒng)的語言模型，都 只能利用單方向的信息 。比如前向的 RNN，在編碼 it 的時(shí)候它看到了 animal 和 street ，但是它還沒有看到 tired ，因此它不能確定 it 到底指代什么。如果是后向的 RNN，在編碼的時(shí)候它看到了 tired ，但是它還根本沒看到 animal ，因此它也不能知道指代的是 animal 。 Transformer 的 Self-Attention 理論上是可以同時(shí)關(guān)注到這兩個(gè)詞的，但是根據(jù)前面的介紹，為了使用 Transformer 學(xué)習(xí)語言模型，必須 用 Mask 來讓它看不到未來的信息 ，所以它也不能解決這個(gè)問題的

根據(jù)上文內(nèi)容預(yù)測下一個(gè)可能跟隨的單詞，就是常說的自左向右的語言模型任務(wù)，或者反過來也行，就是根據(jù)下文預(yù)測前面的單詞，這種類型的LM被稱為自回歸語言模型。（GPT,ELMO）GPT 就是典型的自回歸語言模型。ELMO盡管看上去利用了上文，也利用了下文，但是本質(zhì)上仍然是自回歸LM，這個(gè)跟模型具體怎么實(shí)現(xiàn)有關(guān)系。ELMO是做了兩個(gè)方向（從左到右以及從右到左兩個(gè)方向的語言模型），但是是分別有兩個(gè)方向的自回歸LM，然后把LSTM的兩個(gè)方向的隱節(jié)點(diǎn)狀態(tài)拼接到一起，來體現(xiàn)雙向語言模型這個(gè)事情的。所以其實(shí)是兩個(gè)自回歸語言模型的拼接，本質(zhì)上仍然是自回歸語言模型。

自回歸語言模型有優(yōu)點(diǎn)有缺點(diǎn)，缺點(diǎn)是只能利用上文或者下文的信息，不能同時(shí)利用上文和下文的信息，當(dāng)然，貌似ELMO這種雙向都做，然后拼接看上去能夠解決這個(gè)問題，因?yàn)槿诤夏Ｊ竭^于簡單，所以效果其實(shí)并不是太好。它的優(yōu)點(diǎn)，其實(shí)跟下游NLP任務(wù)有關(guān)，比如生成類NLP任務(wù)，比如文本摘要，機(jī)器翻譯等，在實(shí)際生成內(nèi)容的時(shí)候，就是從左向右的， 自回歸語言模型天然匹配這個(gè)過程 。而Bert這種DAE模式，在生成類NLP任務(wù)中，就面臨訓(xùn)練過程和應(yīng)用過程不一致的問題，導(dǎo)致 生成類的NLP任務(wù)到目前為止都做不太好 。

自回歸語言模型只能根據(jù)上文預(yù)測下一個(gè)單詞，或者反過來，只能根據(jù)下文預(yù)測前面一個(gè)單詞。相比而言，Bert通過 在輸入X中隨機(jī)Mask掉一部分單詞 ，然后預(yù)訓(xùn)練過程的主要任務(wù)之一是根據(jù)上下文單詞來預(yù)測這些被Mask掉的單詞，如果你對(duì)Denoising Autoencoder比較熟悉的話，會(huì)看出，這確實(shí)是典型的DAE的思路。那些被Mask掉的單詞就是在輸入側(cè)加入的所謂噪音。類似Bert這種預(yù)訓(xùn)練模式，被稱為DAE LM。

這種DAE LM的優(yōu)缺點(diǎn)正好和自回歸LM反過來，它能比較自然地融入雙向語言模型，同時(shí)看到被預(yù)測單詞的上文和下文，這是好處。缺點(diǎn)是啥呢？ 主要在輸入側(cè)引入[Mask]標(biāo)記，導(dǎo)致預(yù)訓(xùn)練階段和Fine-tuning階段不一致的問題 ，因?yàn)镕ine-tuning階段是看不到[Mask]標(biāo)記的。DAE嗎，就要引入噪音，[Mask] 標(biāo)記就是引入噪音的手段，這個(gè)正常。

XLNet的出發(fā)點(diǎn)就是：能否 融合自回歸LM和DAE LM兩者的優(yōu)點(diǎn) 。就是說如果站在自回歸LM的角度，如何引入和雙向語言模型等價(jià)的效果；如果站在DAE LM的角度看，它本身是融入雙向語言模型的，如何拋掉表面的那個(gè)[Mask]標(biāo)記，讓預(yù)訓(xùn)練和Fine-tuning保持一致。當(dāng)然，XLNet還講到了一個(gè)Bert被Mask單詞之間相互獨(dú)立的問題。

以上就是關(guān)于gpt概念相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。

推薦閱讀：

人工智能ai軟件chatGPT（ai人工智能app）

chatGPT對(duì)接qq（怎么在QQ群中接入ChatGPT）

ChatGPT算法原理（算法tsp）

品牌設(shè)計(jì)師整體就業(yè)趨勢(shì)

在小區(qū)做團(tuán)購賺錢嗎（在小區(qū)做團(tuán)購賺錢嗎知乎）