关于nlp:架构级理解BERT逃不掉的RNN

43次阅读

共计 1680 个字符，预计需要花费 5 分钟才能阅读完成。

写这一个系列的动因就是本人想深刻理解一下 BERT 的原理。BERT 是怎么被构想进去的？比拟适宜刚入门的小白浏览，读完之后会发现其实不过如此。那么既然是架构级的，本系列不会过多的波及代码级的或者说公式级的，更多的是设计形式以及设计的起因。本系列将分成以下几个模块，

逃不掉的 RNN
探究机翻的底细：Seq2Seq
Attention is ALL you need
Transformer 是谁？
This is BERT

回忆咱们晓得的全连贯层，他实际上做的就是将一堆input 转换为一堆 output，这些 input 之间没有工夫上的关系，而是将所有 input 揉在一起输出到模型中。而对于时序数据，比方一段话，人在浏览的时候是单向的、随着工夫将 input 一一输出，并且很多时候 input 的长度是未知的。所以咱们就须要一个新的架构来解决这一类的时序数据。

为什么须要 RNN？假如咱们须要解决一个文本分类工作。

要想对文本进行分类，那么咱们必须将这个文本数字化或者说向量化，并且须要保障这个向量可能表征这句话，蕴含了这句话中所有的特色。而通过 RNN 就可能将一个句子中的所有信息都交融起来，表征成一个向量。

下面就是 RNN 的架构图，咱们一步一步来讲。首先是咱们的输出，显然是一串文本：the cat sat … mat。那么对于某个单词而言，比方 the，想要参加后续的运算，首先须要将其向量化，这里能够用到 word2vec 等算法，通过语义的形式将单词转化为一个向量 x0。而后将 x0 输出矩阵 A，外部过程如下，

将 x0 与 ht-1（此处因为 x0 是第一个，ht- 1 实践上来说不存在，那么能够通过一些解决比方将其置零之类代替）连接起来，和矩阵 A 相乘，再进行 tanh 激活函数计算，失去 h0。而后将 h0 和 x1 输出到矩阵 A 又反复上述计算，周而复始（所以 RNN 叫循环神经网络，上一步的输入又作为下一步的输出）。显然，h0 中存储着 x0 的状态，h1 中存储着 x0 和 x1 的状态，以此类推，最初一个输入 ht 中应该存储着后面所有 x _i（单词）的信息。这样，ht 相当于征集了所有村民的意见，就能够作为代表拿去评估，实现二分类的工作。

此处思考一个问题：为什么须要 tanh 激活？
假如没有 tanh，为不便探讨，咱们假如所有的 x 都是零向量，那么 ht ≈ A×ht-1。易得 h ¹⁰⁰ = A¹⁰⁰h0。易得 Ax = λx，A¹⁰⁰x = λ¹⁰⁰x，若 A 的特征值 λ 稍大于 1，那么 A ¹⁰⁰就间接爆炸了；若 λ 稍小于 1，那么 A ¹⁰⁰预计就间接变成零矩阵了。所以须要 tanh 进行一个相似于正则化的工作。

毛病使人提高，RNN 存在什么毛病呢？=>RNN 的记忆力特地短，什么是记忆力？之前咱们说“最初一个输入 ht 中应该存储着后面所有 x _i（单词）的信息”，的确，然而当序列长度变大，对于最后面的 x 所遗留下来的特色可能曾经被笼罩掉了。能够通过计算 h~100~ 对于 x0 的导数来判断之间的相关性，计算可得，导数靠近于 0。

所以咱们能够发现，simpleRNN 在解决短距离的文本时成果较好，当序列长度变大之后，成果就不太好了。所以引出 LSTM。

可见 LSTM 其实也是一类 RNN 罢了，此处我不会具体解释其原理，因为 Attention is ALL you need，RNN 能够被 attention 取代了。

首先来看 LSTM 的架构，

仔细观察发现，其实和简略 RNN 没有很大区别，其实就是把之前单纯的乘矩阵 A 转化为一系列更为简单的操作。所以 SimpleRNN 能够被 LSTM 齐全替换掉，就像替换某个整机一样。外部的大抵过程如下。

为了补救 SimpleRNN 记忆力失落的问题，LSTM 将记忆放在一个传输带上，也就是下图中的 Conveyor Belt，也就是左下方的 C~t-1~，记忆的更新形式如图右下方所示，其中能够发现 f 向量，这是 LSTM 中的忘记门，他能够管制哪些信息疏忽，哪些信息保留。忘记门也保障了长距离记忆始终存在。

最初是 LSTM 的输入，在记忆信息 C 的根底上进行肯定的加工之后失去 ht。同样和 SimpleRNN 相似，将上一步的输入作为输出传入下一层。

正文完