NLP 主要语言模型分类

ngram

• N一般取 3-5
• 马尔可夫假设
  • 假设第 n 个词出现的概率，仅收前面有限个词影响
  • 处理未出现语料的概率
    • 平滑方法：回退
      • 谷歌给出的回退建议值：0.4
      • 试用二元组代替三元组，做惩罚
      • P(c | ab) = P(c | b) * Bow(ab)

自回归语言模型

• RNN

  • 循环神经网络
    自带激活函数 tanh
    
    
  • 特点
    • 一种经典的序列模型，能够处理变长输入序列。
    • 对输入内容串行处理，处理后面的内容，必须要等前面内容顺序先处理完毕，有效率问题。
  • 应用
    语言建模、机器翻译和情感分析。
  • 变体
    1. LSTM
       • 长短期记忆网络
         • 神经语言模型
         • 选择性遗忘
           通过多个 RNN 来实现
         • 三个门
           - Gate 机制（门限机制）
           • ft、it、ot 中用的是 sigmod 做激活函数
             Sigmod 输出的结果范围(0, 1)，无限接近 0 的结果会被忽略
           • 通过数据筛选，做记忆更新
           • 生成候选记忆时用tanh
       • 特点
         • RNN 的一种扩展，通过引入门控机制来解决传统 RNN 中的梯度消失问题。
         • 双向 LSTM
           文本分别正向和反向输入得到两个 LSTM 输出
           • LSTM 是时序模型
           • 双倍参数得到更好的训练效果
       • 输出形状
         • batch_first=True
           [batch_size, sentence_length, hidden_size], [sentence_length, hidden_size]
         • batch_first=False
           [sentence_length, batch_size,, hidden_size], [sentence_length, hidden_size]
       • 应用
         • 处理长序列任务
         • 语言建模、机器翻译和情感分析
    2. GRU
       门控循环单元
       • 神经语言模型
       • 和 LSTM 相比，只有两个门
         1. 重置门
         2. 更新门
            • 控制信息的保留和更新
            • 将短期和长期记忆信息融合在一个隐藏状态中
       • 特点
         也是一种带有门控机制的 RNN 变体，但它拥有更简单的结构。在某些情况下，GRU 的性能与 LSTM 相当。
       • 应用
         • 处理长序列任务。
         • 语言建模、机器翻译和情感分析。

• CNN
  卷积神经网络
  
  按照文本长度卷积，需要先转置，卷积结束再转置回原形状。

  • 特点

    • 可以捕获局部特征并将它们组合成全局特征。
    • 有语序信息
    • 可以并行计算

  • 应用
    文本分类和文本表示学习

  • 变体
    Gated-CNN
    
    卷积 A 与卷积 B 对位相乘，过滤 AB 相乘后为 0 部分，放缩 B 中在 0-1 的部分。

Transformer

• 预训练语言模型
  基于自注意力机制 self attention。
• 特点
  完全摒弃了 RNN 和 CNN，取得了在各种 NLP 任务上的显著性能提升。

GPT

• 基于Transformer架构的生成式模型
  能够生成与训练数据类似的新样本的模型
• 应用
  生成文本
  回答问题
  完成对话
  文本摘要
  语言翻译
  …

BERT（2018年提出）

基于 Transformer 架构的预训练模型

• 下载预训练模型
  hugging face
• 预训练方式
  • 完形填空 MLM(mask language model)
  • 句子关系预测 NSP(next sentence pretraining)
    判断两句话是不是挨着的

特点

1. 通过大规模无监督预训练学习出通用的语言表示，通过微调（fine-tuning）在各种 NLP 任务上取得了令人瞩目的性能。- 预训练方法 pre-train + fine-tune- fine-tune可以理解为通过反向传播中对 bert 参数的再训练- Pre-train- 预训练会提前收集海量无标注文本数据- 进行预训练，在任务模型中使用- 预训练方式- 完形填空mask Language model `(预测 mask 对应字符)`- 句子关系预测两句话同时送入模型判断上下文关系`(二分类任务)`				- 在预训练过程中，BERT 被训练来预测给定句子中的缺失单词，这种预测任务被称为掩码语言模型（MLM）。
2. 是一种动态的，词义结合语境判断
3. 通过预训练利用了海量无标注文本数据
4. 相比词向量，bert 的文本标识结合了语境- 本质是一种文本表征- 词义是动态的，可以结合语境判断
5. Transformer 模型结构有很强的拟合能力，词与词之间的距离不会造成关系计算上的损失
6. 训练的效果得到大幅提升

• 核心思想
  • 本质是一种动态的文本表征
  • 通过双向（bidirectional）的训练方式，在预训练阶段学习出语言的上下文相关表示，从而在下游任务中更好地理解语言。

应用

• 常用于各种自然语言处理的判别式任务
• 具体分类
  文本分类
  命名实体识别
  文本相似度计算
  语义理解
  …

基于 transformer（2017年提出，attention is all you need）

堆叠层数

• base 版本
  共堆叠 12 层 transformer encoder 层
• large 版本
  共堆叠 24 层 transformer encoder 层

与原transformer 的差异

1. 仅使用了transformer 的encoder 层
   通用 transformer 层
2. position encoding
   位置编码最多512个
   原先是正余弦位置编码，是固定的，不可训练
3. feed forward 两个线性层之间的激活函数
   使用了 Gelu
   原先是 Relu

bert transformer 层

• 前提

  • embedding
    Embedding 层由三部分加和组成
    

      		1. 每个词对应的矩阵 token embeddings2. 每句话对应的矩阵 segment embeddings判断来源语句3. 每个词位置矩阵 position embeddings带入语序信息4. 加入 [CLS] [SEP] 标记文本起始位置
    

  • 矩阵维度 embedding_dim

    • 768
      bert base 版本
      多头机制切分12份64维度矩阵
    • 1024
      bert large 版本

  • embedding 层加和后会做 layer normalization
    做一次归一化操作（提高模型稳定性）
    

      		公式注解：减均值，除以标准差，乘以可训练系数。其中：U 是均值σ 是标准差
    

  • 总参数量
    vocab * embedding_dim + max_sequence_length * embedding_dim + n * embedding_dim + embedding_dim + embedding_dim

    • 词表embedding 参数
      vocab * embedding_dim
    • 句子参数
      n * embedding_dim
    • layer_norm层参数
      embedding_dim + embedding_dim
    • 位置参数
      max_sequence_length * embedding_dim
      允许最大长度 * embedding_size

  • 最终形状
    [seq_len, embedding_dim]

1. multi-head self attention

   • 结构梳理

     1. embedding 的输出，作为 self attention 的输入
        Q、K、V 是三个形状相同的矩阵
        • 三个线性层权重不同
        • 实现对 X 的不同变化
        • 线性层不改变 x 的形状
     2. 公式解释与作用
     • Q * K的转置
       • 得到 文本长度 * 文本长度的矩阵
         会得到每个字和整句话中任何一个字的相关性
     • Softmax 对矩阵中每个向量做归一化（逐行softmax）
       • 得到每个字对整句话的注意力
         可以很好的捕捉长距离的关系。
       • 分值越高，注意力越高，相关性越强，字之间相关性与注意力成正比
     • 根号 dk
       • 根号下(神经元个数(768) / 总头数)
       • 除以根号 dk
         可以拉低矩阵数值分布，提高 softmax 计算后每个维度数值在 0-1 的分布情况
     3. 最终形状
        • X * Q 、X * K、X * V
          [seq_len * embedding_dim]
        • Z
          [seq_len * embedding_dim]

   • 多头自注意力机制

     • 多头机制 muti-head
       • 每一份都执行一次 2 的计算流程
         最后把所有的计算结果拼起来
       • 相当于模型集成
         • 可以认为在同时训练相同大小的多个模型
         • 可以提升模型拟合效果
           集成模型比单模型效果好

   • self attention 最终输出
     经过 QKV 计算之后的结果，再经过一层线性层

   • 总参数量
     self_attention_parameters = embedding_dim * embedding_dim + embedding_dim + embedding_dim + embedding_dim

     • self_attention_out
       embedding_dim * embedding_dim + embedding_dim
     • 残差机制
       • embedding_dim + embedding_dim
         layerNorm(原始信息 x + self attention 输出)
       • 深层次网络结构下，保留更多的原始信息

• feedforward
  𝑜𝑢𝑡𝑝𝑢𝑡=𝐿𝑖𝑛𝑒𝑟(𝑔𝑒𝑙𝑢(𝐿𝑖𝑛𝑒𝑟(𝑥)))
  结构
  1. 线性映射到原来矩阵的 4 倍矩阵
  2. 4倍矩阵先经过 gelu
  3. 从 4 倍矩阵再映射回原矩阵大小
  为了增加高维数据的数据表征
  • 总参数量
    ([1, embedding_dim] * [embedding_dim, hide_size] + hide_size) + ([1, hide_size]* [hide_size, embedding_dim] + embedding_dim) + embedding_dim + embedding_dim
    • 第一个线性层
      [1, embedding_dim] * [embedding_dim, hide_size]
    • 第二个线性层
      [1, hide_size] * [hide_size, embedding_dim] + embedding_dim
    • 残差机制
      embedding_dim + embedding_dim
      layerNorm(原始信息 z + feed forward 输出)
• pooler层
  • 将[CLS]这个token过一下全连接层，再过一下 tanh 激活函数，作为该句子的特征向量:
  • 这里的 pooler 层是一个线性变换，得到一个固定维度的池化表示，不是传统的池化
  • 参数总量
    embedding_dim * embedding_dim + embedding_dim

输出形状

[batch_size, sentence_length, hidden_size], [sentence_length, hidden_size]