(now!)NLP发展到Transformer相关及改进模型

(now!)NLP发展到Transformer相关及改进模型

0. NLP

0.1 发展

https://www.jianshu.com/p/d35a2fd593eb

0.2 训练流程

1. RNN和LSTM

image-20220317203059808

单词的先后顺序会影响句子的意思，RNN擅长捕捉序列关系，不过对于翻译来说，句子间的单词数量不是一一对应的。

1.1 缺点

• 串行结构，计算速度慢
• 梯度爆炸和梯度消失

1.2 梯度爆炸和梯度消失问题

见[面试.md]

1.3 LSTM

长短期记忆网络相对于RNN，多了一个遗忘门，会适当删减(筛选)前置特

1.4 存在问题

受限于结构，RNN只能处理N to N，1 to N和N to 1问题，但是无法处理N to M的问题？

2. Word2Vec和Seq2Seq

image-20220317203445862

Seq2Seq是一个拥有编码器Encoder和解码器Decoder的模型，Encoder和Decoder依然是RNN网络，不过在Seq2Seq模型中先由Encoder提取原始句子的意义，再由Decoder将意义转化成对应的语言，依靠意义这一中介，Seq2Seq解决了两端单词数不对等的情况。

意义单元能够存储的信息是有限的，如果一个句子太长，翻译精度就会下降？

3. Attention

3.1 描述

每个阶段我们关注到的内容都有所不同

机器翻译中，

image-20220317205638828

写出每个英文单词时，我们会格外注意其中的一部分汉字

而Attention可以从纷繁复杂的输入信息中，找出对当前输出最重要的部分

image-20220317210035081

3.2 工作原理

Q是QUERY，表示输入信息；Key和Value成对出现，通常原始文本（输入）的信息。通过计算Q与K之间的相关性，得出不同的K对输出的重要程度，再与对应的V相乘求和，就得到了Q的输出。

image-20220317210904542

3.2.1 例子

以阅读理解为例，Q是问题，K和V是原始文本，计算Q与K的相关性，让我们找到文本中最需要注意的部分，利用V得到答案。

image-20220317211208013

在机器翻译中，Q是翻译结果，K是输入文本，V是对应语义

在Seq2Seq的基础结构上，在Decoder生成每个单词时，都有意识的从原始句子中提取生成该单词最重要的信息，摆脱了输入序列的长度限制。

但是在该模型中，RNN需要逐个计算相关性，计算速度太慢了？

4. Self-Attention

只关注输入序列元素之间的关系，通过将输入序列直接转化为Q、K、V，然后在内部进行Attention计算，就能很好捕捉文本的内在联系，对其作出再表示

5. Multi-Head Attention

使用多种变换生成不同的Q、K、V进行运算，再将他们对相关语句的意义的结论综合起来，进一步增强Self-Attention的效果

6. Transformer(Bert+GPT)

6.0 简介

6.1 Transformer和CNN对比(图像领域)

• 在CNN应用到海量数据后，就会发现其对数据的适配能力不够强；而Transformer对大数据的适配能力很强，可以明显看到随着数据的增加，表现/性能performance不断增加。
• Transformer的每个参数是动态变化的；而CNN学习参数一旦学习完后就固定了fixed。Transformer对每张图的参数都是不一样的、随时变化的，就可以有无限的参数空间来做一件事。像CNN中新引入的Dynamic Network、Dynamic convolution、Dynamic Relu等概念都是为了把这个参数动态化

6.2 Interest Point和Attention

Attention关注feature彼此之间的相互关系，Interest Point(如sift/hog中等)则是可以学到哪些点更突出、更有表达力。

思考：这Attention和Interest Point是否可以在学习过程中彼此互补？

6.3 总结

• dynamic比static好
• close loop比open loop好

7. Bert

机器是如何理解语言的？

就像图像由像素组成，而像素是由RGB数值表示，我们没有办法让机器直接理解语言，需要将它们转换成机器能明白的东西，比如数字组成的向量。

为什么使用向量表示语言？

词语的意义之间是有关联的，距离可以表示词与词直接的关系。

如何得到向量？

机器学习的出现让我们不必为一个单词设计向量，而是将收集好的句子、文章等数据交给模型，由它为单词们找到最合适的位置。

7.1 Transformer->Bert

Bert就是帮助我们找到词之间位置关系的模型之一，Bert源于Transformer。

既然Encoder可以将语义很好地抽离出来，直接将这部分独立(Bert)，也能很好地对语言作出表示。

7.2 Bert的训练

除了结构，人们还为Bert设计了独特的训练方式：

• 遮挡masked训练，对语料随机覆盖15%的词汇，让Bert去猜这些词汇是什么（完形填空）
• 利用Next Sentence Prediction任务学习句子级别的信息(或者可以理解为上下文是否匹配)

总结：前者可以让Bert更好地依据语境进行预测（完形填空），后者让Bert对上下文关系有更好的理解（阅读理解）

7.3 Bert的应用

在完成不同的NLP任务时，需要将已经训练好的Bert依据任务目标，增加不同功能的输出层联合训练。

• 文本分类增加了分类器Linear classifier（输入句子，输出类别如欺诈）
• 阅读理解增加了一个全连接层softmax（输入问题和文章，输出答案的位置）

面对不同任务，Bert只需对任务作出微调即可

8. GPT(生成式预训练Transformer)

Transformer的Encoder变成了Bert，Decoder变成了GPT。

GPT也是一个预训练语言模型，同样需要面对不同任务进行微调fine tuning

8.1 应用(生成)

next-token prediction

• 机器翻译、文本摘要等基于原始文本信息的任务
• 新闻写作等无中生有的生成类任务
• 学习过大量的音乐数据后，给出一个乐句，GPT-2就能生成一段音乐
• 使用文本和对应图像的数据进行训练，GPT-3就能依据描述输出图像，哪怕真实世界并不存在的也能生成

8.2 GPT-3(暂未开源)

GPT-3是一个拥有1750亿参数的预训练模型，不需要面对不同的任务再训练，也不需要微调就能直接使用，这就是所谓的零样本学习Zero-Shot Learning。

与语言模型相比，GPT-3更接近一个包含知识、语境理解和语言组织能力的数据库。

8.2.1 强大功能

• 结构决定了功能，Decoder的输出都基于上一步输出的内容(也就是Bert输出的语义)，这时的生成成了GPT最强大的能力，给它一个开头，它就能依据这些这些文字的风格和内容不断续写，甚至可以创作歌词和小说。
• 进一步训练后，GPT还能跨越语言的壁垒，如音乐生成和根据描述生成图像等

9. ViT(Vision Transformer)

通过将图片切块划分转化为序列作为输入

ViT使用的Transformer没有考虑Transformer对于词在不同位置语义的变化（也就是Transformer更关注图像特征之间的），所以只能用来做分类任务，而图像出现在哪个位置、具体哪些像素属于这个类别，也就是目标检测和分隔仍无法实现，而Swin Transformer解决了这一问题。

10. 迁移学习(Transfer Learning)

• CNN中前几层都是在提取特征，直到全连接层才进行分类。提取特征的过程很相似，我们可以拿出来直接用，再用苹果与梨的数据训练新的全连接层完成分类。
• 像这样利用数据、任务和模型间的相似性，将训练好的内容应用到新的任务上，被称为迁移学习。
• 由于这一过程发生在两个领域间，已有的知识和数据，也就是被迁移的对象被称为源域；被赋予经验的领域被称为目标域。
• 不是一种模型，更像是一种解题思路

10.1 优点

• 目标领域的数据太少，需要数据更多的源域的帮助
• 为了节约训练时间
• 实现个性化应用individualized

10.2 应用及与预训练模型关系

10.2.1 应用

• 语料匮乏的小语种之间的翻译
• 缺乏标注的医疗影像数据识别
• 面向不同领域快速部署对话系统

10.2.2 预训练模型与迁移学习的关系

预训练模型是迁移学习的一种，就像预先学习了一个指数/技术，然后再把这个知识/技术代入到具体任务中。

像Transformer、Bert、GPT这些预训练语言模型，微调后可以完成不同的任务。

11. 提升篇

11.1 模型

• SGNS/cBow、FastText、ELMo等（词向量）
• DSSM、DecAtt、ESIM等（问答和匹配）
• HAN、DPCNN等（分类）
• BiDAF、DrQA、QANet等（MRC）
• CoVe、InferSent等（迁移）
• MM、N-shortest等（分词）
• Bi-LSTM-CRF等（NER）
• LDA等主题模型（文本表示）

11.2 训练

• point-wise、pair-wise和list-wise（匹配、ranking模型）
• 负采样：从非当前label中选择几个作为负样本加入，作为出现负样本的概率加入到损失函数中
  • 优点
    • 提高训练速度
    • 改进效果(模拟真实环境下噪声情况，让模型鲁棒性更强)
• NCE(噪声对比估计)：通过学习数据样本分布和噪声样本分布的区别，从而发现样本的特性。
  • 作用
    • 解决归一化参数密度估计问题
• 层级softmax方法(fastText模型)，哈夫曼树的构建
• 不均衡问题的处理
• KL散度与交叉熵loss函数

11.3 评估指标

• F1-score
• PPL
• MRR
• MAP