关于自然语言处理:斯坦福NLP课程-第13讲-基于上下文的表征与NLP预训练模型ELMo-transformer

4次阅读

共计 9749 个字符，预计需要花费 25 分钟才能阅读完成。

作者：韩信子 @ShowMeAI，路遥 @ShowMeAI，奇异果 @ShowMeAI
教程地址：http://www.showmeai.tech/tutorials/36
本文地址：http://www.showmeai.tech/article-detail/250
申明：版权所有，转载请分割平台与作者并注明出处
珍藏 ShowMeAI 查看更多精彩内容

ShowMeAI 为 斯坦福 CS224n《自然语言解决与深度学习 (Natural Language Processing with Deep Learning)》课程的全副课件，做了 中文翻译和正文 ，并制作成了 GIF 动图！视频和课件等材料的获取形式见文末。

Reflections on word representations / 词向量常识回顾
Pre-ELMo and ELMO / ELMo 模型
ULMfit and onward / ULMfit 模型
Transformer architectures / Transformer 构造
BERT / BERT

当初咱们能够取得一个单词的示意
- 咱们开始时学过的单词向量
  - Word2vec，GloVe，fastText

POS 和 NER 两种表征体系
11 个词窗，100 个隐层神经元，在 12w 词上训练 7 周

咱们能够随机初始化词向量，并依据咱们本人的上游工作训练它们
但在绝大多数状况下，应用预训练词向量是有帮忙的，因为它们自身是自带信息的 (咱们能够在更大体量的预训练语料上训练失去它们)

简略且常见的解决方案：
训练时：词汇表 ${\text { words occurring, say,} \geq 5 \text {times}} \cup{<\text{UNK}>}$
- 将所有常见的词 (数据集中呈现次数小于 5) 都映射为 $<\text{UNK}>$，为其训练一个词向量
运行时：应用 $<\text{UNK}>$ 代替词汇表之外的词 OOV

问题：
- 没有方法辨别不同 UNK words，无论是身份还是意义

解决方案

应用字符级模型学习词向量
- 特地是在 QA 中，match on word identity 是很重要的，即便词向量词汇表以外的单词
尝试这些倡议 (from Dhingra, Liu, Salakhutdinov, Cohen 2017)
- 如果测试时的 $<\text{UNK}>$ 单词不在你的词汇表中，然而呈现在你应用的无监督词嵌入中，测试时间接应用这个向量
- 此外，你能够将其视为新的单词，并为其调配一个随机向量，将它们增加到你的词汇表
- 帮忙很大或者兴许能帮点忙

你能够试试另一件事
- 将它们合成为词类 (如未知号码，大写等等)，每种都对应一个 $<\text{UNK-class}>$

存在两个大问题

对于一个 word type 总是是用雷同的示意，不思考这个 word token 呈现的上下文
- 咱们能够进行十分细粒度的词义消歧
咱们对一个词只有一种示意，然而单词有不同的方面，包含语义，句法行为，以及表白 / 含意

在 NLM 中，咱们间接将单词向量 (可能只在语料库上训练) 插入 LSTM 层
那些 LSTM 层被训练来预测下一个单词
但这些语言模型在每一个地位生成特定于上下文的词示意

Semi-supervised sequence tagging with bidirectional language models
想法：想要取得单词在上下文的意思，但规范的 RNN 学习工作只在 task-labeled 的小数据上 (如 NER)
为什么不通过半监督学习的形式在大型无标签数据集上训练 NLM，而不只是词向量

步骤 3 ：在序列标记模型中同时应用单词嵌入和 LM 嵌入
步骤 2 ：为输出序列中的每个标记筹备单词嵌入和 LM 嵌入
步骤 1 ：预训练词嵌入和语言模型

与上文无关的单词嵌入 + RNN model 失去的 hidden states 作为特色输出

$$
\mathbf{h}_{k, l}=\left[\overrightarrow{\mathbf{h}}_{k, 1} ; \overleftarrow{\mathbf{h}}_{k, 1} ; \mathbf{h}_{k}^{L M}\right]
$$

Char CNN / RNN + Token Embedding 作为 bi-LSTM 的输出
失去的 hidden states 与 Pre-trained bi-LM (解冻的) 的 hidden states 连接起来输出到第二层的 bi-LSTM 中

一个十分重要的 NLP 子工作：查找和分类文本中的实体

语言模型在 Billion word benchmark 的 8 亿个训练单词上训练

语言模型察看后果

在监督数据集上训练的语言模型并不会受害
双向语言模型仅有助于 forward 过程，晋升约 0.2
具备微小的语言模型设计 (困惑度 30) 比拟小的模型 (困惑度 48) 晋升约 0.3

工作特定的 BiLSTM 察看后果

仅应用 LM 嵌入来预测并不是很好：88.17 F1
- 远低于仅在标记数据上应用 BiLSTM 标记器

https://arxiv.org/pdf/1708.00…
也有一种思路：应用训练好的序列模型，为其余 NLP 模型提供上下文

思路：机器翻译是为了保留意思，所以这兴许是个好指标？
应用 seq2seq + attention NMT system 中的 Encoder，即 2 层 bi-LSTM，作为上下文提供者
所失去的 CoVe 向量在各种工作上都优于 GloVe 向量
然而，后果并不像其余幻灯片中形容的更简略的 NLM 训练那么好，所以仿佛被放弃了
- 兴许 NMT 只是比语言建模更难？
- 或者有一天这个想法会回来？

Deep contextualized word representations. NAACL 2018.
word token vectors or contextual word vectors 的暴发版本
应用长上下文而不是上下文窗口学习 word token 向量 (这里，整个句子可能更长)
学习深度 Bi-NLM，并在预测中应用它的所有层

训练一个双向语言模型 (LM)

指标是成果 OK 但不要太大的语言模型 (LM)
- 应用 2 个 biLSTM 层
- (仅) 应用字符 CNN 构建初始单词示意
  - 2048 个 char n-gram filters 和 2 个 highway layers，512 维的 projection
- 4096 dim hidden/cell LSTM 状态，应用 512 dim 的对下一个输出的投影
- 应用残差连贯
- 绑定 token 的输出和输入的参数 (softmax)，并将这些参数绑定到正向和反向语言模型 (LM) 之间

ELMo 学习 biLM 示意的特定工作组合
这是一个翻新，TagLM 中仅仅应用重叠 LSTM 的顶层，ELMo 认为 BiLSTM 所有层都是有用的

$$
\begin{aligned}
R_{k} &=\left\{\mathbf{x}_{k}^{L M}, \overrightarrow{\mathbf{h}}_{k, j}^{L M}, \overleftarrow{\mathbf{h}}_{k, j}^{L M} \mid j=1, \ldots, L\right\} \\
&=\left\{\mathbf{h}_{k, j}^{L M} \mid j=0, \ldots, L\right\}
\end{aligned}
$$

$$
\mathbf{E} \mathbf{L} \mathbf{M} \mathbf{o}_{k}^{t a s k}=E\left(R_{k} ; \Theta^{t a s k}\right)=\gamma^{t a s k} \sum_{j=0}^{L} s_{j}^{t a s k} \mathbf{h}_{k, j}^{L M}
$$

$\gamma^{task}$ 掂量 ELMo 对工作的总体有用性，是为特定工作学习的全局比例因子
$\mathbf{s}^{task}$ 是 softmax 归一化的混合模型权重，是 BiLSTM 的加权平均值的权重，对不同的工作是不同的，因为不同的工作对不同层的 BiLSTM 的

首先运行 biLM 获取每个单词的示意

而后，让 (无论什么) 最终任务模型应用它们
- 解冻 ELMo 的权重，用于监督模型
- 将 ELMo 权重连贯到特定于工作的模型中
  - 细节取决于工作
    - 像 TagLM 一样连贯到中间层是典型的
    - 能够在生产输入时提供更多的示意，例如在问答零碎中

这两个 biLSTM NLM 层有不同的用处 / 含意
- 低层更适宜低级语法，例如
  - 词性标注(part-of-speech tagging)、句法依赖(syntactic dependency)、NER
- 高层更适宜更高级别的语义
  - 情绪、语义角色标记、问答零碎、SNLI

这仿佛很乏味，但它是如何通过两层以上的网络来实现的看起来更乏味

Howard and Ruder (2018) Universal Language Model Fine-tuning for Text Classification.
- 转移 NLM 常识的个别思路是一样的
- 这里利用于文本分类

在大型通用畛域的无监督语料库上应用 biLM 训练
- 在指标工作数据上调整 LM
- 对特定工作将分类器进行微调

应用正当大小的 1 GPU 语言模型，并不是真的很大

在 LM 调优中要留神很多
- 不同的每层学习速度
- 歪斜三角形学习率 (STLR) 打算

学习分类器时逐渐分层冻结和 STLR

应用 $\left[h_{T}, \operatorname{maxpool}(\mathbf{h}), \operatorname{meanpool}(\mathbf{h})\right]$ 进行分类

应用大型的预训练语言模型，是一种进步性能的十分无效的办法

文本分类器错误率

迁徙学习

补充阐明

如果应用监督数据进行训练文本分类器，须要大量的数据能力学习好

补充阐明

文本生成的样例

所有这些模型都是以 Transformer 为主构造的，咱们应该学习一下 Transformer 吧

补充阐明

Transformer 不仅很弱小，而且容许扩大到更大的尺寸

咱们想要并行化，然而 RNNs 实质上是程序的

只管有 GRUs 和 LSTMs，RNNs 依然须要留神机制来解决长期依赖关系——否则状态之间的 path length 门路长度 会随着序列增长
但如果注意力让咱们进入任何一个状态……兴许咱们能够只用注意力而不须要 RNN?

Attention is all you need. 2017. Aswani, Shazeer, Parmar, Uszkoreit, Jones, Gomez, Kaiser, Polosukhin
序列到序列编码解码模型，但它是非循环非串行构造
工作：平行语料库的机器翻译
预测每个翻译单词
最终老本 / 误差函数是 softmax 分类器根底上的规范穿插熵误差

自学 transformer
- 次要举荐资源
  - http://nlp.seas.harvard.edu/2…
  - The Annotated Transformer by Sasha Rush
- 一个应用 PyTorch 的 Jupyter 笔记本，解释了所有！

当初：咱们定义 Transformer 网络的根本构建块：第一，新的注意力层

输出：对于一个输入而言的查问 $q$ 和一组键 - 值对 ($k-v$)
Query，keys，values，and output 都是向量

输入值的加权和
权重的每个值是由查问和相要害的内积计算结果
Query 和 keys 有雷同维数 $d_k$，value 的维数为 $d_v$

$$
A(q, K, V)=\sum_{i} \frac{e^{q \cdot k_{i}}}{\sum_{j} e^{q \cdot k_{j}}} v_{i}
$$

当咱们有多个查问 $q$ 时，咱们将它们叠加在一个矩阵 $Q$ 中

$$
A(Q, K, V)=\operatorname{softmax}\left(Q K^{T}\right) V
$$

问题：$d_k$ 变大时，$q^Tk$ 的方差增大 → 一些 softmax 中的值的方差将会变大 → softmax 失去的是峰值 → 因而梯度变小了

解决方案：通过 query / key 向量的长度进行缩放

$$
A(Q, K, V)=\operatorname{softmax}\left(\frac{Q K^{T}}{\sqrt{d_{k}}}\right) V
$$

输出单词向量是 queries，keys and values
换句话说：这个词向量本人抉择彼此

词向量堆栈 = Q = K = V
咱们会通过解码器明确为什么咱们在定义中将他们离开

简略 self-attention 的问题
- 单词只有一种互相交互的形式

解决方案 ： 多头注意力
首先，通过矩阵 $W$ 将 $Q$，$K$，$V$ 映射到 $h = 8$ 的许多低维空间
而后，利用注意力，而后连贯输入，通过线性层

$$
\text {MultiHead}(\boldsymbol{Q}, \boldsymbol{K}, \boldsymbol{V})=\text {Concat(head}_{1}, \ldots, \text {head}_{h})
$$

$$
\text {where head}_{i}=\text {Attention}\left(Q W_{i}^{Q}, K W_{i}^{K}, V W_{i}^{V}\right)
$$

每个 Block 都有两个 子层
- 多头 attention
- 两层的前馈神经网络，应用 ReLU

这两个子层都
- 残差连贯以及层归一化
- LayerNorm(x+Sublayer(x))
- 层归一化将输出转化为均值是 $0$，方差是 $1$，每一层和每一个训练点 (并且增加了两个参数)

$$
\mu^{l}=\frac{1}{H} \sum_{i=1}^{H} a_{i}^{l} \quad \sigma^{l}=\sqrt{\frac{1}{H} \sum_{i=1}^{H}\left(a_{i}^{l}-\mu^{l}\right)^{2}} \quad h_{i}=f\left(\frac{g_{i}}{\sigma_{i}}\left(a_{i}-\mu_{i}\right)+b_{i}\right)
$$

Layer Normalization by Ba, Kiros and Hinton,
https://arxiv.org/pdf/1607.06…

理论的词示意是 byte-pair 编码

还增加了一个 positional encoding 地位编码，雷同的词语在不同的地位有不同的整体表征

$$
\begin{aligned}
\begin{cases}
PE(pos, 2i)=\sin \left(pos / 10000^{2 i / d_{model}}\right) \\
PE(\text {pos}, 2 i+1)=\cos \left(pos / 10000^{2 i / d_{model}}\right)
\end{cases}
\end{aligned}
$$

encoder 中，每个 Block 都是来自前一层的 $Q$，$K$，$V$
Blocks 被反复 6 次 (垂直方向)

在每个阶段，你能够通过多头注意力看到句子中的各个中央，累积信息并将其推送到下一层。在任一方向上的序列逐渐推送信息来计算感兴趣的值
十分长于学习语言构造

词语开始以正当的形式关注其余词语
不同的色彩对应不同的注意力头

Implicit anaphora resolution
对于代词，注意力头学会了如何找到其指代物
在第五层中，从 head 5 和 6 的单词 its 中分离出来的注意力。请留神，这个词的注意力是十分显明的。

decoder 中有两个稍加扭转的子层
对之前生成的输入进行 Masked decoder self-attention

Encoder-Decoder Attention，queries 来自于前一个 decoder 层，keys 和 values 来自于 encoder 的输入

Blocks 同样反复 6 次

细节(论文 / 之后的讲座)

Byte-pair encodings
Checkpoint averaging
Adam 优化器管制学习速率变动
训练时，在每一层增加残差之前进行 Dropout
标签平滑
带有束搜寻和长度惩办的自回归解码

因为 transformer 正在蔓延，但他们很难优化并且不像 LSTMs 那样开箱即用，他们还不能很好与其余工作的构件独特工作

BERT (Bidirectional Encoder Representations from Transformers): Pre-training of Deep Bidirectional Transformers for Language Understanding
BERT：用于语言了解的预训练深度双向 transformers

问题：语言模型只应用左上下文或右上下文，但语言了解是双向的

为什么 LMs 是单向的？
- 起因 1 ：方向性对于生成格局良好的概率分布是有必要的 [咱们不在乎这个]
- 起因 2 ：双向编码器中单词能够 看到本人

单向与双向上下文比照

解决方案：覆盖 $k \%$ 的输出单词，而后预测 masked words
不再是传统的计算生成句子的概率的语言模型，指标是填空
- 总是应用 $k = 15 \%$

Masking 太少：训练太低廉
Masking 太多：没有足够的上下文

GPT 是经典的单项的语言模型
ELMo 是双向的，然而两个模型是齐全独立训练的，只是将输入连贯在一起，并没有应用双向的 context
BERT 应用 mask 的形式进行整个上下文的预测，应用了双向的上下文信息

学习句子之间的关系，判断句子 B 是句子 A 的后一个句子还是一个随机的句子。

token embeddings 是 word pieces (paly, ##ingpaly, ##ing)
应用学习好的分段嵌入示意每个句子
地位嵌入与其余 Transformer 体系结构相似
将以上三种 embedding 相加，作为最终输出的示意

Transformer encoder (和之前的一样)
自注意力 ⇒ 没有地位偏差
- 长距离上下文 机会均等
每层乘法 ⇒ GPU / TPU 上高效

在 Wikipedia + BookCorpus 上训练
训练两种模型尺寸
- BERT-Base: 12-layer, 768-hidden, 12-head
- BERT-Large: 24-layer, 1024-hidden, 16-head
Trained on 4×4 or 8×8 TPU slice for 4 days

只学习一个建设在顶层的分类器，微调的每个工作

GLUE benchmark 是由自然语言推理工作，还有句子类似度和情感

MultiNLI
- Premise: Hills and mountains are especially sanctified in Jainism.
- Hypothesis: Jainism hates nature.
- Label: Contradiction

CoLa
- Sentence: The wagon rumbled down the road. Label: Acceptable
- Sentence: The car honked down the road. Label: Unacceptable

从 119M 到 340M 的参数量改善了很多
随参数量晋升还在进步

The Annotated Transformer 代码解析
- https://github.com/rsennrich/…
- https://github.com/opennmt/op…

jalammar 的一系列可视化简略教程
- Visualizing A Neural Machine Translation Model (Mechanics of Seq2seq Models With Attention)
- The Illustrated Transformer

能够点击 B 站 查看视频的【双语字幕】版本

本讲带学的 在线阅翻页本
《斯坦福 CS224n 深度学习与自然语言解决》课程学习指南
《斯坦福 CS224n 深度学习与自然语言解决》课程大作业解析
【双语字幕视频】斯坦福 CS224n | 深度学习与自然语言解决(2019·全 20 讲)
Stanford 官网 | CS224n: Natural Language Processing with Deep Learning

大厂技术实现 | 举荐与广告计算解决方案
大厂技术实现 | 计算机视觉解决方案
大厂技术实现 | 自然语言解决行业解决方案
图解 Python 编程：从入门到精通系列教程
图解数据分析：从入门到精通系列教程
图解 AI 数学根底：从入门到精通系列教程
图解大数据技术：从入门到精通系列教程
图解机器学习算法：从入门到精通系列教程
机器学习实战：手把手教你玩转机器学习系列
深度学习教程 | 吴恩达专项课程 · 全套笔记解读
自然语言解决教程 | 斯坦福 CS224n 课程 · 课程带学与全套笔记解读

NLP 教程(1)- 词向量、SVD 合成与 Word2vec
NLP 教程(2)- GloVe 及词向量的训练与评估
NLP 教程(3)- 神经网络与反向流传
NLP 教程(4)- 句法分析与依存解析
NLP 教程(5)- 语言模型、RNN、GRU 与 LSTM
NLP 教程(6)- 神经机器翻译、seq2seq 与注意力机制
NLP 教程(7)- 问答零碎
NLP 教程(8)- NLP 中的卷积神经网络
NLP 教程(9)- 句法分析与树形递归神经网络

斯坦福 NLP 课程 | 第 1 讲 – NLP 介绍与词向量初步
斯坦福 NLP 课程 | 第 2 讲 – 词向量进阶
斯坦福 NLP 课程 | 第 3 讲 – 神经网络常识回顾
斯坦福 NLP 课程 | 第 4 讲 – 神经网络反向流传与计算图
斯坦福 NLP 课程 | 第 5 讲 – 句法分析与依存解析
斯坦福 NLP 课程 | 第 6 讲 – 循环神经网络与语言模型
斯坦福 NLP 课程 | 第 7 讲 – 梯度隐没问题与 RNN 变种
斯坦福 NLP 课程 | 第 8 讲 – 机器翻译、seq2seq 与注意力机制
斯坦福 NLP 课程 | 第 9 讲 – cs224n 课程大我的项目实用技巧与教训
斯坦福 NLP 课程 | 第 10 讲 – NLP 中的问答零碎
斯坦福 NLP 课程 | 第 11 讲 – NLP 中的卷积神经网络
斯坦福 NLP 课程 | 第 12 讲 – 子词模型
斯坦福 NLP 课程 | 第 13 讲 – 基于上下文的表征与 NLP 预训练模型
斯坦福 NLP 课程 | 第 14 讲 – Transformers 自注意力与生成模型
斯坦福 NLP 课程 | 第 15 讲 – NLP 文本生成工作
斯坦福 NLP 课程 | 第 16 讲 – 指代消解问题与神经网络办法
斯坦福 NLP 课程 | 第 17 讲 – 多任务学习(以问答零碎为例)
斯坦福 NLP 课程 | 第 18 讲 – 句法分析与树形递归神经网络
斯坦福 NLP 课程 | 第 19 讲 – AI 平安偏见与偏心
斯坦福 NLP 课程 | 第 20 讲 – NLP 与深度学习的将来

正文完

自然语言处理

发表至：自然语言处理

2022-05-16

0

关于自然语言处理:超越界限大模型应用领域扩展探索文本分类文本匹配信息抽取和性格测试等多领域应用

关于自然语言处理:利用Hugging-Face中的模型进行句子相似性实践

关于自然语言处理:告诉ChatGPT我想读博了

关于自然语言处理:斯坦福NLP课程-第2讲-词向量进阶

关于云计算:抢先预约-阿里云无影云应用线上发布会预约开启

关于自然语言处理:斯坦福NLP课程-第13讲-基于上下文的表征与NLP预训练模型ELMo-transformer

引言

授课打算

1. 词向量常识回顾

1.1 词向量表征

1.2 预训练的词向量

1.3 未知词的词向量利用倡议

1.4 单词的示意

1.5 咱们始终都有解决这个问题的方法吗？

1.6 #论文解读

1.7 标签语言模型 (Tag LM)

1.8 命名实体辨认 (NER)

1.9 CoNLL 2003 命名实体辨认 (en news testb)

1.10 #论文解读

1.11 #论文解读

2.ELMo 模型

2.1 #论文解读 #ELMo

2.2 ELMo 在序列标记器中的应用

2.3 CoNLL 2003 命名实体辨认 (en news testb)

2.4 ELMo 后果：实用于所有工作

2.5 ELMo：层权重

3.ULMfit 模型

3.1 ULMfit

3.2 ULMfit 性能

3.3 ULMfit 迁徙学习

3.4 让咱们扩充规模

3.5 GPT- 2 语言模型 (cherry-picked) 输入

3.6 GPT- 2 语言模型 (cherry-picked) 输入

4.Transformer 构造

4.1 Transformer 介绍

4.2 Transformers 动机

4.3 Transformer 概览

4.4 Transformer 根底

4.5 点乘注意力 Dot-Product Attention

4.6 点乘注意力矩阵表示法

4.7 缩放点乘注意力

4.8 编码器中的自注意力

4.9 多头注意力

4.10 残缺的 transformer 模块

4.11 编码器输出

4.12 残缺编码器 Encoder

4.13 第 5 层的注意力可视化

4.14 注意力可视化

4.15 Transformer 解码器

4.16 Transformer 的技巧与倡议

4.17 Transformer 机器翻译试验后果

4.18 Transformer 解析工作试验后果

5.BERT 模型

5.1 #论文解读# BERT

5.2 BERT 训练任务：预测下一句

5.3 BERT 句对编码

5.4 BERT 模型构造与训练

5.5 BERT 模型微调

5.6 BERT GLUE 多任务后果

5.7 CoNLL 2003 命名实体辨认 (en news testb)

5.8 BERT 在 SQuAD 问答上的体现

5.9 BERT 预训练任务成果

5.10 BERT 参数量级对成果影响

5.11 举荐浏览

6. 视频教程

7. 参考资料

ShowMeAI系列教程举荐

NLP 系列教程文章

斯坦福 CS224n 课程带学详解

站内搜索