Rafhael Oliveira · IA

Perplexidade: o único número que diz o que o modelo aprendeu, sem anedotas

A loss, a perplexidade, e os dois resultados de laboratório que valem a apostila inteira.

1 min de leitura· apostila: 10 min

Caiu aqui pelo LinkedIn? Este é o capítulo 08 do curso GPT-1 e GPT-2, desmontados. Dá para ler solto; se quiser o começo, é o capítulo 00.

O GPT-2 nunca foi ensinado a responder perguntas. Ele foi treinado numa única tarefa, bilhões de vezes. Prever a próxima palavra. Só isso. E para prever bem a próxima palavra em qualquer texto da internet, o modelo é obrigado a aprender, como efeito colateral, ortografia, gramática, fatos e rudimentos de raciocínio. Não há atalho: para completar 'A capital do Japão é', é preciso saber. Existe um número só que mede o quanto ele aprendeu. No mesmo parágrafo, o GPT-1 dá 46. O GPT-2 XL dá 12,9. Em português, o GPT-2 dá 413.

Os três pontos

  1. Perplexidade é o número efetivo de opções entre as quais o modelo está em dúvida a cada palavra. 1 é certeza; 50 257 é não ter aprendido nada.
  2. Ela só é comparável dentro do mesmo tokenizador. Comparar GPT-2 com Llama por perplexidade é comparar coisas diferentes.
  3. Perplexidade mede expectativa frustrada, não desordem: caracteres aleatórios dão 469, inglês embaralhado dá 3 874. O modelo sofre mais com o quase-certo que com o caos.
Continuar lendo a apostila 08 →Read in EnglishOs PDFs por e-mail →
O que a apostila cobre · 7 seções · 10 min
  1. A tarefa: prever a próxima palavra. Só isso.
  2. A loss: entropia cruzada
  3. Perplexidade: a loss em unidade humana
  4. Como o GPT-2 foi treinado, na prática
  5. O código
  6. No laboratório
  7. Dois resultados do laboratório que valem a apostila inteira
Todos os capítulos do curso · GPT-1 e GPT-2, desmontados
  1. 00 · Os sete fósseis: por que GPT-1, GPT-2 e RoBERTa são um corte histórico, não uma lista
  2. Glossário · Glossário do curso: o que token, camada e modelo querem dizer em IA, e no resto da TI
  3. 01 · Por que o GPT-2 não enxerga letras nem palavras, e o que isso custa em português
  4. 02 · Embeddings: de um inteiro sem sentido a um vetor que sabe que rei e rainha são parentes
  5. 03 · Atenção: a única operação que substituiu vinte anos de redes recorrentes
  6. 04 · Doze cabeças em vez de uma, e a única linha de código que separa o GPT do RoBERTa
  7. 05 · Por que o GPT-2 precisa de 48 andares para responder, e o que acontece dentro de cada um
  8. 06 · O que a escala realmente compra: de 124 milhões a 1,5 bilhão, medido
  9. 07 · Temperature, top-k e top-p: a decisão que muda mais o texto do que trocar de modelo
  10. 08 · Perplexidade: o único número que diz o que o modelo aprendeu, sem anedotas
  11. 09 · GPT-1 para GPT-2: mesmo tamanho, metade da perplexidade. Quatro decisões explicam
  12. 10 · RoBERTa: quando o avanço é treinar melhor o que já existia
  13. 11 · Encoder vs decoder: uma linha de código e todas as consequências que descem dela
  14. 12 · O detector: como um modelo de linguagem vira classificador, e por que esse não deve decidir nada
  15. 13 · Lendo o código original do GPT-2: 174 linhas contra tudo o que você aprendeu
  16. 14 · Servindo modelos: da chamada de função ao servidor HTTP, e o que a produção faz a mais
  17. 15 · O guia do laboratório: cada comando, cada script, e tudo o que foi medido
  18. 16 · O teto deste caminho: o argumento de LeCun, lido de dentro do GPT-2

Depois disto: o experimento Antevisão

Rafhael Oliveira
Rafhael Oliveira

Escreve o curso do GPT-2 e conduz o experimento Antevisão, medindo cada rodada antes de publicar o número. Os posts no LinkedIn começam aqui e terminam nas apostilas.

Seguir no LinkedIn →