1.Autoregressive语言模型与Autoencoder语言模型
1.1 语言模型概念介绍
Autoregressice语言模型:指的是依据前面(或后面)出现的单词来预测当前时刻的单词,代表有ElMo, GPT等。
Autoencoder语言模型:通过上下文信息来预测被mask的单词,代表有BERT,Word2vec(CBOW)。
1.2 二者各自的优缺点
Autoregressive语言模型:
-缺点:它只能利用单向语义而不能同时利用上下文信息。ELMo通过双向都做Autoregressive模型,然后进行拼接,但从结果来看,效果并不是太好。
-优点:对生成模型友好,天然符合生成式任务的生成过程。这也是为什么GPT能够编故事的原因。
Autoencoder语言模型:
-缺点:由于训练中采用了[MASK]标记,导致预训练数据与微调阶段数据不一致的问题。BERT独立性假设问题,即没有对被遮掩(MASK)的token之间的关系进行学习。此外对于生成式问题,Autencoder模型也显得捉襟见肘。
-优点:能够很好的编码上下文语义信息(即考虑句子的双向信息),在自然语言理解相关的下游任务表现突出。
2.DAE与Masked Language Model
2.1 AutoEncoder
如下图所示,AutoEncoer框架包含两个模块:编码过程和解码过程。通过encoder(g)讲输入样本x映射到特征空间z,即编码过程;然后再通过decoder(f)将抽象特征z抽象会原始空间得到重构样本 �~ ,即解码过程。优化目标则是通过最小化重构误差来同事优化encoder和decoder,从而学习得到针对输入样本x的抽象特征表示z.
这里我们可以看到,AutoEncoder在优化过程中无需使用样本的label,本质上是把样本的输入同时作为神经网络的输入和输出,通过最小化重构误差希望学习到样本的抽象特征表示z.这种无监督的优化方式大大提升了模型的通用性。
对于基于神经网络的AutoEncoder模型来说,则是encoder部分通过逐层降低神经元个数来对数据进行压缩;decoder部分基于数据的抽象表示逐层提升神经元数量,最终实现对输入样本的重构。
这里值得注意的是,由于autoencoder通过神经网络来学习每个样本的唯一抽象表示,这会带来一个问题:当神经网络的参数复杂到一定程度时AutoEncoder很容易存在过拟合的风险。
2.2 Denoising AutoEncoder(DAE)
为了缓解经典AutoEncoder容易过拟合的问题,一个办法时在输入中加入随机噪声,Vincent等人提出了Denoising AutoEncoder,即在传统AutoEncoder输入层加入随机噪声来增强模型的鲁棒性;另一个办法就是几何正则化思想,Rifai等人提出了Contractive AutoEncoder,通过在AutoEncoder目标函数中加上encoder的Jacobian矩阵范式来约束使得encoder能够学习具有抗干扰的抽象特征。
下图时Denoising AutoEncoder的模型框架。目前添加噪声的方式大多分为两种:
-添加服从特定分布的随机噪声;
-随机将输入x中特定比例的数值置为0
DAE模型的优势:
-通过与非破损数据训练得对比,破损数据训练出来得Weight噪声较小。因为擦除数据得时候不小心把输入噪声给擦掉了。
-破损数据一定程度上减轻了训练数据与测试数据得代沟。由于数据得部分被擦掉了,因而这破损数据一定程度上比较接近测试数据。
2.3 DAE与Masked Language Model联系
-BERT模型是基于Transformer Encoder来构建一种模型。
-BERT模型基于DAE(Denoising AutoEncoder,去噪自编码器)得,这部分在BERT中被称为Masked Language Model(MLM)
-MLM并不是严格意义上得语言模型,这仅仅是训练语言模型的一种方式。BERT随机把一些单词通过MASK标签来代替,并接着去预测被MASK得这个单词,过程其实就是DAE得过程。
3. Transformer模型回顾
Transformer模型使用经典得encoder-decoder架构,由encoder和decoder俩部分组成
-下图左侧用Nx框出来得,就是我们encoder得一层。encoder一共有6层这样得结构。
-下图右侧用Nx框出来得,就是我们把decoder得一层。decoder一共有6层这样得结构。
-输入序列经过Input Embedding和Positional Encoding相加后,输入到encoder中。
-输出序列经过Output Embedding和Positional Encoding相加后,输入到decoder中。
-最后,decoder输出得结果,经过一个线性层,然后计算softmax
3.1 Encoder部分
输入到原始词表中词得ID。接着进行Input Embedding,把词ID转换成分布式得表示。在语言模型中词得顺序还是很重要得,因此Transformer加入了Positional Encoding,也就是加入了词得位置信息。encoder得输入是Input Embedding加上对应位置得Positional Encoding.
Input Embedding加上对应位置得Positional Encoding作为encoder得输入,首先会经过Multi-Head Attention,学习输入中词与词之间得相关性。接着是Add&Norm层,Add残差得方式对不同得输出相加,是借鉴CV中得残差网络思想解决梯度消失问题;Norm 用得是Layer Norm.然后进行Feed Forward得前向计算,这一层就是全连接得神经网络。最后在接一层Add & Norm,防止梯度消失。
3.2 Decoder部分
通过encoder部分已经获得了所有输入得信息,把这些信息当作decoder后面Multi-Head Attention得输入,也就是self-attention得K,V来自输入得特征,Q来自decoder部分得输入。
decoder之前解码出得单词当作本次decoder得输入,也是通过Ouput Embedding加上对应位置得Positional Encoding输入到Masked Multi-Head Attention,再经过Add&Norm层,这里还把decoder输入和Masked Multi-head Attention输出做了残差连接,最后得到得输出就是我们上面提到得Q了。
把encoder部分获得得所有输入得信息和decoder前半部分得到得输入信息,一同送到后面这个Multi-head Attention中,它学习哪些输入信息和输出信息得特征更有利于解码,最后还经过了Add&Norm层、Feed Forward层和Add & Norm层,得到了decoder得最终输出。
解码这里要特别注意一下,编码可以并行计算,一次性全部encoding出来,但是解码不是一次把所有序列接出来得,而是像RNN一样一个一个解出来得,因为要用前几个位置单词得结果当作self-attention得query.
3.3 Linear和Softmax
拿到decoder得输出做一个线性变换,最后通过一个softmax计算对应位置得输出词得概率。Transformer本次得输出当作下一次decoder得输入。
思考:为什么NLP中一般使用Layer Norm,而不是Batch Norm?
回答:
-在CV中,深度网络中一般会嵌入批归一化(BatchNorm,BN)单元,比如ResNet;而NLP中,则往往向深度网络中插入层归一化(LayerNorm, LN)单元,比如Transformer。为什么在归一化问题上会有分歧?一个最直接得理由就是,BN用在NLP任务实在太差了(相比LN),此外,BN还难以直接用在RNN中,而RNN是前一个NLP时代得最流行模型。虽然有大量得实验观测,表面NLP任务里普遍BN比LN差太多,但是迄今为止,依然没有一个非常严谨得理论来正面LN相比BN在NLP任务里得优越性。
-基于文献,个人认为:BatchNorm就是通过对batch size这个维度归一化来让分布稳定下来,有助于训练深度神经网络,是因为它可以让loss曲面变得更加平滑。LayerNorm则是通过对Hidden Size这个维度归一化来让某层得分布稳定,主要作用是在训练初期缓解梯度消失和爆炸得问题,提升稳定性。
4. BERT模型
BERT得全称是Bidirectional Encoder Representation from Transformers,模型是基于Transformer中得Encoder并加上双向得结构,因此一定要熟练掌握Transformer得Encoder.BERT模型的主要创新点都在pre-train方法上,即用了Maksed Language Model和Next Sentence Prediction两种方法分别捕捉词语和句子级别得representation.
在用Masked Language Model方法训练BERT的时候,随机把语料库中15%的单词做Mask操作。对于这15%的单词做Mask操作分为三种情况:80%的单词直接用[Mask]替换,10%的单词直接替换成另一个新的单词,10%的单词保持不变。
因为涉及到Question Answering(QA)和Natural Language Inference(NLI)之类的任务,增加了Next Sentence Prediction预训练任务,目的是让模型理解两个句子之间的联系。与Masked Language Model任务相比,Next Sentence Prediction更简单些,训练的输入是句子A和B,B有一半的几率是A的下一句,输入这两个句子,BERT模型预测B是不是A的下一句。
因为注意力计算开销是输入序列长度的平方,较长的序列会影响训练速度,为了加快实验中的预训练速度,所以90%的steps都用序列长度为128进行预训练,余下10%的steps预训练为512长度的输入。
BERT预训练之后,会保存它的Embedding table和12层Transformer权重(bert-base)或24层 Transformer权重(bert-large).使用预训练好的bert模型可以对下游任务进行fine-tuing,比如:文本分类,相似度判断,阅读理解等。
5.BERT模型在实际场景的应用
BERT模型在现实中的应用:
-情感分类:通过用户对商品评价来对商品质量问题进行分析,比如是否新鲜,服务问题等;
-意图识别;
-问题匹配;
-槽位提取:BERT后接CRF来做命名实体识别;
6.BERT模型的预训练及其改进
7.BERT的fine-tuning不同训练方式及常见的改进策略
7.1 Fine-tuing的不同训练方式
7.2 BERT的Fine-tuning中常见的改进策略
如果机器不足、预料不足、一般都会直接考虑用原始的BERT、Roberta、XLnet等在下游任务中微调,这样我们就不能在预训练阶段进行改进,只能在fine-tuning阶段进行改进。改进方案如下图所示:
7.3 BERT在实践中的trick
-筛选训练数据,剔除过短或者过长的数据;
-尝试bert+conv,bert+conv+avg_max_pooling,best_last_layer_concat等方式;
-针对本场景数据,进行少步数的进一步预训练;
8.总结
BERT模型作为当今NLP应用大杀器,具有易于使用、稳定性强等诸多优点。本文深入了解BERT的原理,如何做到BERT的预训练改进以及Fine-tuning中所涉及到的常见改进策略。另外,本文也讲述了BERT模型在实际场景中的应用及在实践中的一些tricks.
Microstrong:BERT模型精讲