NLG(Natural Language Generation)，计算机将结构化数据转换为文本并以人类语言编写信息。
使用GPT框架完成NLG任务。GPT模型是预训练模型， 采用两阶段过程，第一个阶段是利用语言模型进行预训练（无监督形式），第二阶段通过 Fine-tuning 的模式解决下游任务（监督模式下）。
GPT模型是Seq2Seq模型中的一种。分为encoder和decoder两部分。
encoder：有12个transform block。输入句子，输出词向量。
decoder：有12个transform block。
第一步：输入前i-1个时候的输出，做self-attention，输出结果。
第二步：以encoder的输出为key和value，$y_t$为query，对前i-1个输出做multi-head attention。
第三步：将第一步和第二步的结果求平均。（这样做的好处是：不仅可以把encoder的信息加入，还可以加入其他信息。例如提问者的背景）
第四步：对第三步的结果做MLP。
第五步：对第四步的结果做Linear 和 残差链接。

这是一个transform block结束。以上输出作为下一层的block的输入。
最后一层使用最后一个时间步的输出，在词库上做softmax，预测下一步单词。

为了节省内存，encoder和decoder共享参数。encoder和decoder中的self-attention参数共享。