关于深度学习:未闻Prompt名论文学习笔记

文章起源 | 恒源云社区（专一人工智能 / 深度学习 GPU 收费减速平台，官网体验网址：https://gpushare.com）

原文作者 | Mathor

原文地址 | https://gpushare.com/forum/to…

集体感觉 2021 年 NLP 最火的两个 idea，一个是比照学习（Contrastive Learning），另一个就是 Prompt

浅谈我对 Prompt 的了解

Prompt 说简略也简略，看了几篇论文以及博客后发现其实就是构建一个语言模版。然而细想起来又感觉简单，因为总感觉外面还有很多细节，因而本文就来从头梳理一下 Prompt（Prompt 很多中央会翻译成「范式」，然而「范式」这个词自身也不好了解，因而读者把他看作是「模板」即可）

明天我还与室友探讨预训练模型（例如 BERT）到底做了什么，我给出的答复是

预训练模型提供了一个十分好的初始化参数，这组参数在预训练任务上的体现十分好（预训练损失非常低），然而因为上游工作千奇百怪，咱们须要在这组参数的根底上进行 Fine-tune 以适应咱们的上游工作（使得上游工作的损失值非常低）

下面这段话其实隐含了目前做 NLP 工作的大抵流程，即 “Pre-train, Fine-tune”，而对咱们来说实际上大部分时候都是间接拿他人预训练好的模型做 Fine-tune，并没有 Pre-train 这一步

融入了 Prompt 的模式大抵能够演绎成 “Pre-train, Prompt, and Predict”，在该模式中，上游工作被从新调整成相似预训练任务的模式。例如，通常的预训练任务有 MLM（Masked Language Model），在文本情感分类工作中，对于 “I love this movie” 这句输出，能够在前面加上 Prompt：”the movie is ___”，组成如下这样一句话：

I love this movie, the movie is ___

而后让预训练模型用示意情感的答案（例如 “great”、”terrible” 等）做完形填空，最初再将该答案转换为情感分类的标签。这样一来，咱们就能够通过结构适合的「模板」，通过小样本数据集训练一个模型来解决各种各样的上游工作

留神，Prompt 设计的这种完形填空和 MLM 工作是有区别的，二者尽管都是都是词分类，然而候选集不同，MLM 的候选词是整个词库，不过如果是生成工作，那么 Prompt 和 MLM 的候选集就是一样的，都是整个词库

如何构建 Prompt

对于输出文本 \(x\)，存在一个函数 \(f\)Prompt(x)，将 \(x\) 转化成 \(x′\) 的模式，即

$$
x^{’}=f_{\text{Prompt}}(x)
$$

该函数通常会进行两步操作：

1. 应用一个模板，模板通常为一段自然语言句子，并且该句子蕴含两个空地位：用于填输出 \(x\) 的地位 \([X]\)、用于生成答案文本 \(z\) 的地位 \([Z]\)
2. 把输出 \(x\) 填到 \([X]\) 的地位

以前文提到的例子为例，在文本情感分类工作中，假如输出是

x = "I love this movie"

应用的模板是

[X]. Overall, it was a [Z] movie

那么失去的 \(x′\) 就应该是

I love this movie. Overall, it was a [Z] movie

在理论状况中，Prompt 来填充答案的地位个别在句中或句末。如果在句中，个别称这种 Prompt 为 Cloze Prompt；如果在句末，个别称这种 Prompt 为 Prefix Prompt。\([X]\) 和  \([Z]\) 的地位、数量以及应用模板句的不同，都有可能对后果造成影响，因而须要灵便调整

下面讲的都是简略的情感分类工作的 Prompt 设计，读者看到这里自然而然的会想到，其余 NLP 工作的 Prompt 如何设计呢？实际上刘鹏飞大神在他的论文中给咱们提供了一些参考

Text Generation 中摘要工作里有一个关键字 TL;DR，这其实是 Too Long; Don't Read 的缩写

Prompt 的抉择十分重要且艰难

有上述 Prompt 的根底后，咱们能够得悉 Prompt 的设计次要蕴含两局部：

1. 模板 T：例如 [X]. Overall, It was [Z]
2. 标签词映射：即  \([Z]\) 地位预测输入的词汇汇合与实在标签  \(y\) 形成的映射关系。例如，标签 positive 对应单词 great，标签 negative 对应单词 terrible

在基于 Prompt 的微调办法中，不同的模板和标签词对最终后果影响很大，下图是陈丹琦团队论文中的试验后果

从上图咱们能够看出两点：

1. 应用雷同的「模板」，不同的「标签词」会产生不一样的成果。例如 great/terribel 和 cat/dog 这两组标签词的成果不一样，而且即使是雷同标签词，调换程序也会导致最终成果有所变动，例如 cat/dog 和 dot/cat
2. 应用雷同「标签词」，对「模板」进行小改变（例如增删标点）也会出现不同的后果

Prompt 的设计

Prompt 大略能够从上面三个角度进行设计：

• Prompt 的形态
• 人工设计模板
• 主动学习模板

Prompt 的形态

Prompt 的形态次要指的是 \([X]\) 和 \([Z]\) 的地位和数量。上文提到的 Cloze Prompt 与 Maksed Language Model 的训练形式十分相似，因而对于 MLM 工作来说，Cloze Prompt 更适合；对于生成工作或者应用自回归 LM 解决的工作，Prefix Prompt 更适合

人工设计模板

Prompt 的模板最开始是人工设计的，人工设计个别基于人类的自然语言常识，力求失去语义晦涩且高效的「模板」。例如，Petroni 等人在驰名的 LAMA 数据集中为常识探针工作人工设计了 Cloze Templates；Brown 等人为问答、翻译和探针等工作设计了 Prefix Templates。人工设计模板的长处是直观，但毛病是须要很多试验、教训以及语言专业知识。下图是 GPT Understands, Too 论文中的一个试验后果

能够看到不同的 Prompt 只有轻微的区别，有的甚至只是减少缩小一个词，然而最初的后果会差几十个点

主动学习模板

为了解决人工设计模板的毛病，许多研究员开始探索如何主动学习到适合的模板。主动学习的模板又能够分为离散（Discrete Prompts）和间断（Continuous Prompts）两大类。离散办法次要包含：Prompt Mining，Prompt Paraphrasing，Gradient-based Search，Prompt Generation 和 Prompt Scoring；间断的则次要包含 Prefix Tuning，Tuning Initialized with Discrete prompts，Hard-Soft Prompt Hybrid Tuning，P-Tuning v2

离散 Prompts

简略说一下上述几种办法，首先是离散的 Prompt Mining，这篇文章发表在 TACL 2020，讲的是如何拿预训练语言模型当作「知识库」应用，并且引入了依存树和 Paraphrase（转述）等办法来开掘更好的「模板」，下图是试验后果

能够看到，被开掘进去的若干「连贯谓词」相比于人工设计的「模板」后果晋升还是很显著的

有很多种办法能够实现 Prompt Paraphrsing，例如「回译」，咱们通过 DeepL 翻译看个例子：

这样咱们就失去了 x shares a border with y 的一个 Prompt Paraphrasing：x and y share a boundary

论文 BARTScore 罗唆给咱们提供了一张表，外面有各种词组的同义替换，这个我再相熟不过了，因为以前英语考试我也背过相似的货色

Gradient-based Search（基于梯度的搜寻）是由论文 AUTOPROMPT 提出的，这篇文章发表在 EMNLP 2020，它的次要思维用上面这张图就能够示意

上图中，a real joy 是原始的输出句子 \(xinp\)，红色的 Trigger tokens 是由 \(x\)inp「激发」的相干词汇汇合 \(x\)trig，依据 Template \(λ\) 的配置，将 \(x\)trig 和 \(x\)inp 组合起来结构最终的输出 \(x\)prompt，送入 Masked LM 预测情感标签。上面的表格减少了很多 NLP 其余工作的例子

对于如何生成 \(x\)trig 汇合，实际上次要应用的是 HotFlip 和反抗训练的思维，感兴趣的同学能够看原论文以及 HotFlip: White-box adversarial examples for text classification、Universal Adversarial Triggers for Attacking and Analyzing NLP 这两篇论文

Prompt Generation 是陈丹琦团队的一项工作，次要是把 Seq2Seq 预训练模型 T5 利用到模板搜寻的过程。T5 基于多种无监督指标进行预训练，其中最无效的一个无监督指标就是：利用 \(<X>\) 或 \(< Y >\) 替换一个或多个间断 span，而后生成对应输入。例如：

Thank you <X> me to your party <Y> week

T5 会在 <X> 生成 for inviting，在 \(<Y>\) 生成 last。很显然，T5 这种形式很适宜生成模板，而且不须要指定模板的 token 数。具体来说，有三种可能的生成形式

<\(S_1\)> →<\({X}\)> \({M}(y)\) <\({Y}\)> <\(S_1\)>

<\(S_1\)> → <\(S_1\)><\({X}\)>\({M}(y)\) <\({Y}\)>

<\(S_1\)> <\(S_2\)>→ <\(S_1\)> <\({X}\)> \({M}(y)\) <\({Y}\)> <\(S_2\)>

具体的模板生成过程如下图所示：

首先在标签词前后增加填充位 \(<X>\) 和 \(< Y>\)（下面提到的三种生成形式），而后将其送入 T5 模型中，T5 会主动在填充位生成序列，最初将标签词（great 或 terribel）转换为 [MASK] 标签，造成多个模板。具体过程中采纳 Beam Search 的办法生成多个候选模板，而后对每一个候选模板利用 dev 集进行微调，抉择其中一个最佳模板

我还想说一下这篇论文中另外一个有意思的点，最初送入模型进行预测的句子还拼接上了每品种别的「示例」（Demonstration），如下图所示

这种 Prompt 的设计有点像是在做语义类似度工作，\(X\) 为原始 Input 句子，已知 \(Y\) 为正例，\(Z\) 为负例，结构了如下模式的输出：

 X 是 [MASK] 例？Y 为正例；Z 为负例

这有点像是编程语言中的三目运算符，或者说相当于让模型比拟 \(X\) 与 \(Y\)、\(Z\) 的语义类似度。这里咱们自然而然会想问：\(Y\)、\(Z\) 是如何筛选进去的？实际上是根据上面两条规定：

1. 对于每个原始输出句子，从每个类别中随机采样一个样本「示例」拼接到 Prompt 中
2. 对于每个原始输出句子，在每个类别中，通过与 Sentence-BERT 进行类似度计算，从类似度最高的前 50% 样本中随机抉择一个样本「示例」

间断 Prompts

结构 Prompt 的初衷是可能找到一个适合的办法，让 Pre-trained Language Model（PLM）更好地输入咱们想要的后果，但其实并不一定要将 Prompt 的模式设计成人类能够了解的自然语言，只有机器了解就行了。因而，还有一些办法摸索连续型 Prompts—— 间接作用到模型的 Embedding 空间。连续型 Prompts 去掉了两个约束条件：

1. 模版中词语的 Embedding 能够是整个自然语言的 Embedding，不再只是无限的一些 Embedding
2. 模版的参数不再间接取 PLM 的参数，而是有本人独立的参数，能够通过上游工作的训练数据进行调整

Prefix Tuning 最开始由 Li 等人提出，这是一种在输出句子前增加一组连续型向量的办法，该办法放弃 PLM 的参数不动，仅训练前缀（Prefix）向量。Prefix Tuning 的提出次要是为了做生成工作，因而它依据不同的模型构造定义了不同的 Prompt 拼接形式，在 GPT 类的 Auto-Regressive（自回归）模型上采纳的是 \([Prefix;x;y]\) 的形式，在 T5 类的 Encoder-Decoder 模型上采纳的是 \([Prefix;x;Prefix\)′\(;y]\) 的形式

输出局部 \(Prefix,x,y\) 的 Position id 别离记作 \(Pidx,Xidx,Yidx\)。Prefix Tuning 初始化一个可训练的矩阵，记作 \(P\)θ\(∈R\)|Pidx|×dim⁡(hi)，其中

上述公式的含意是，索引 \(i\) 如果属于前缀的局部，则从 \(Pθ\) 中抽取向量；\(i\) 如果不是前缀局部，则由 参数固定的预训练模型 生成对应的向量。训练指标为：

$$
\mathop{\text{max}}\limits_{\phi} \ \log p_{\phi}(y\mid x) = \sum\limits_{i\in \text{Y}{\text{idx}}} \log p{\phi} (z_i\mid h_{<i})
$$

\(P\)θ 实质上是一个矩阵，而生成一个矩阵的办法又很多，能够用 nn.Embedding()，或者 nn.Linear()

同样是在间断空间上搜寻 Prompt，OptiPrompt 构建的「模板」并不局限于前缀，也能够在句子的两头

首先依据 AutoPrompt 定义一个 Prompt 模板：

$$
[x]\ [v]_1\ [v]_2\ …\ [v]_m\ [\text{MASK}]
$$

其中 \([v]i\) 为一个连续型向量（与 BERT 的输出维度统一）。OptiPrompt 还思考以人工构建的离散 Prompt 作为终点，在间断空间上进行搜寻以构建较优的 Prompt。例如 \([x] is [MASK] citizen\) 能够转换为

$$
[x]\ [v]_1\ [\text{MASK}]\ [v]_2
$$

将 is 和 citizen 对应的 input Embedding 作为 \([v]1\) 和 \([v]2\) 的初始化

Hard-Soft Prompt Hybrid Tuning 办法能够说是人工设计和主动学习的联合，它通常不单纯应用可学习的 Prompt 模板，而是在人工设计的模板中插入一些可学习的 Embedding。实际上有了下面的根底咱们都晓得，间断的 Prompt 要比离散的 Prompt 好一点，然而在此基础上还有什么改良的余地吗？Liu 等人提出的 P-Tuning 解决了 Prompt token 之间的关联性问题

之前间断的 Prompt 生成形式无非都是训练一个矩阵，而后通过索引出矩阵的某几行向量拼起来。坦率地说，咱们心愿这些 prompt token Embedding 之间有一个比拟好的关联性，而不是独立地学习，为了解决这个问题，P-Tuning 引入了一个 Prompt Encoder（如下图 b 所示）

上图 a 是传统的离散型 Prompt，咱们把生成离散 Prompt token 的货色叫做 Prompt Generator；上图 b 首先传入一些 Virtual（Pseudo）token，例如 BERT 词表中的 [unused1],[unused2],… 当然，这里的 token 数目是一个超参数，插入的地位也能够调整。将这些 Pseudo token 通过一个 Prompt Encoder 失去间断的向量 \(h0,…,hm\)，其中

即，Prompt Encoder 是由 BiLSTM+MLP 组成的一个简单网络。作者还发现退出一些 anchor token（畛域或者工作相干的 token）能够有助于 Template 的优化。例如文本蕴含工作，输出是前提和假如，判断是否蕴含。一个间断的模版是

$$
\text{[PRE]} [\text{continuous tokens}][\text{HYP}][\text{continuous tokens}] [\text{MASK}]
$$

在其中退出一个 anchor token：[?]成果会更好，此时模板变成

$$
\text{[PRE]} [\text{continuous tokens}][\text{HYP}]?[\text{continuous tokens}] [\text{MASK}]
$$

大家可能想问，如何优化 P-tuning？实际上依据标注数据量的多少，分两种状况探讨

1. 标注数据比拟少。这种状况，咱们固定 PLM 的参数，只优化 \([P0]∼[Pm]\) 这几个 token 的 Embedding。换句话说，咱们只是要更新 Prompt Encoder 的参数
2. 标注数据很短缺。这种状况间接放开所有参数微调

就在 P-Tuning 办法提出不久后，Liu 等人又提出了 P-Tuning v2，次要解决 P-Tuning 的两个问题：

1. 当预训练模型的参数量低于 100 亿（10B）时，Prompt tuning 会比传统的 Fine-tuning 差
2. 诸如序列标注这样对推理和了解要求高的工作，prompt tuning 成果会变差

Liu 等人认为先前的 P-Tuning 只用了一层 BiLSTM 来编码 Pseudo token，这是其推理能力有余的起因之一，因而 v2 版本提出 Deep Prompt Tuning，用 Prefix Tuning 中的深层模型替换 BiLSTM，如下图所示

P-Tuning v2 相比于 P-Tuning，区别在于：

• 勾销 Reparameterization：以前的办法利用重参数化性能来进步训练速度和鲁棒性（例如，用于 Prefix-Tuning 的 MLP 和用于 P-Tuning 的 LSTM）。在 P-Tuning v2 中，作者发现重参数化的改良很小，尤其是对于较小的模型，同时还会影响模型的体现
• Multi-task Learning：Deep Prompt Tuning 的优化难题能够通过减少额定的工作数据或者无标注数据来缓解，同时可微调的 Prefix Continuous Prompt 也能够用来做跨工作的常识共享。例如在 NER 中，能够同时训练多个数据集，不同数据集应用不同的顶层 Classifier，然而 Prefix Continuous Prompt 是共享的
• 勾销 verbalizer：v2 勾销了标签映射，齐全变为生成模型，能够在 [CLS] 局部输入句子级别的标签（Sentence-level label），也能够在每个 token 地位输入 token 级别的标签（Token-level label），间接输入实在标签

对于 P-Tuning 还有一些碎碎念，次要是从各个博客上看到的，汇总在这里。首先是 v1 版本的 LSTM，实际上引入 LSTM 目标是为了帮忙「模板」生成的 token（某种程度上）更贴近自然语言，或者说 token 之间的语义更晦涩，但更天然的办法应该是在训练上游工作的时候，不仅预测上游工作的指标 token（例如 “great”、”terrible”），还应该同时做其余 token 的预测

比方，如果是 MLM 模型，那么也随机 MASK 掉其它的一些 token 来预测，如果是 LM 模型，则预测残缺的序列，而不单单是指标词。这样做的理由是：因为咱们的 MLM/LM 都是通过自然语言预训练的，所以咱们认为它可能很好的实现序列的重构，即使一开始不能，随着迭代轮数的减少，模型也能很好实现这项工作。所以这实质上是让模型进行「负重训练」

* 为什么要引入 Prompt？

在规范的 Fine-tune 过程中（如上图 b 所示），新引入的参数量可能会很大（独立于原始预训练模型外的参数），例如基于 RoBERTa-large 的二分类工作会新引入 2048 个参数（nn.Linear(1024, 2)），如果你仅有例如 64 个标注数据这样的小样本数据集，微调会十分艰难

为解决这一问题，Prompt 应运而生（如上图 a 所示），间接将上游工作转换为输入空间无限的 MLM 工作。值得注意的是：上述办法在预训练参数的根底上进行微调，并且没有引入任何新参数，同时还缩小了微调和预训练任务之间的差距。总的来说，这能够更无效地用于小样本场景

Prompt 的挑战与瞻望

只管 Prompt 钻研搞得热火朝天，但目前仍存在许多问题值得研究者们去探索

1. Prompt 的设计问题。目前应用 Prompt 的工作大多集中于分类工作和生成工作，其它工作则较少。另外，「模板」和「答案」的分割也亟待解决。模型的体现同时依赖于应用的「模板」和「答案」的映射，如何同时搜寻或者学习出两者联结的最好成果依然很具挑战性
2. Prompt 的实践剖析和可解释性。只管 Prompt 办法在很多状况下都获得了胜利，然而目前 Prompt-based Learning 实践剖析还很少，人们很难理解 Prompt 为什么能达到好的成果，又为什么在自然语言中意义相近的 Prompt 有时成果却相差很大
3. Prompt 在 PLM debias 方面的利用。因为 PLM 在预训练过程中见过了大量的人类世界的自然语言，所以很天然地会受到一些影响。举一个简略的例子，比如说训练语料中有十分多 “The capital of China is Beijing”，导致模型每次看到 “capital” 的时候都会预测出 “Beijing”，而不是去剖析到底是哪个国家的首都。在利用的过程中，Prompt 还裸露了 PLM 学习到的很多其它 bias，比方种族歧视、性别对抗等。这兴许会是一个值得钻研的方向

One More Thing

最初我还想提一个理论 Code 过程中存在的问题。咱们晓得 MLM 工作会输入句子中 [MASK] 地位最有可能的词，而 Prompt 也相似的，例如上面的例子

这是一条__新闻。中国足球出线的可能性只有 0.001%，留给中国队的工夫不多了

这是一个新闻分类问题，实在标签有 “ 体育 ”、” 财经 ”、” 娱乐 ” 等，下面的样本很显著是一条体育新闻，因而咱们心愿模型对 [MASK] 局部输入 “ 体育 ”，但事实真的如此吗？理论状况模型的输入可能是 “ 足球 ”，但你认为模型预测的 “ 足球 ” 有问题吗？如同也没啥故障，因而这就引申出了 Prompt 的一个问题，是否应该限度模型的输入空间？

还是下面新闻分类的例子，咱们是否应该限度模型输入的空间，让他固定只能预测 “ 体育 ”、” 财经 ”、” 娱乐 ” 这几个标签？或者咱们罗唆把这几个标签换成索引，那就是让模型从 0，1，2 这三个数字选一个。Wait Wait Wait，如果这么做的话，和 Fine-Tune 有什么区别，Fine-Tune 也是把标签转换成索引，让模型看了句子之后，从这几个索引当选一个作为预测值

这么说的话，那咱们就不应该限度模型的输入空间，可是这样的话 [MASK] 地位的输入就限度的太死了，必须肯定是 “good”、” 财经 ” 才算对，如果输入 “nice”、” 财政 ” 就算错。实际上输入近义词或者类似词，在零样本的状况下会经常出现，然而如果你用一些有标签的样本去训练，模型本人就会缓缓固定输入空间。例如 “ 财经 ”，它不会预测成 “ 财政 ”，只会预测成其它类型的新闻，例如 “ 体育 ”

References

• P-tuning：主动构建模版，开释语言模型潜能
• 必须要 GPT3 吗？不，BERT 的 MLM 模型也能小样本学习
• NLP 新宠 —— 浅谈 Prompt 的前世今生
• 超大规模新型预训练模型详解：少样本学习等近十个数据集获得第一
• GPT-3 的最强落地形式？陈丹琦提出小样本微调框架 LM-BFF，比一般微调晋升 11%～
• 基于 Prompt 的 MLM 文本分类
• Prompt-based Language Models：模版加强语言模型小结
• 鹏飞大神的 Pre-train, Prompt, and Predict
• P-tuning：用“间断提醒微调”来加强“超大规模语言模型”的上游能力
• Prompting: Better Ways of Using Language Models for NLP Tasks
• Prompt Based Task Reformulation in NLP 调研
• PromptPapers