Encoder-Decoder是爲seq2seq(序列到序列)量身打造的一個深度學習框架,在機器翻譯、機器問答等領域有着廣泛的應用。這是一個抽象的框架,由兩個組件:Encoder(編碼器)和Decoder(解碼器)組成。對於給定的輸入source(x1, x2, x3, …,xn), 首先編碼器將其編碼成一箇中間表示向量z=(z1, z2, …, zn)。接着,解碼器根據z和解碼器自身前面的輸出,來生成下一個單詞。
在實際應用中,編碼器和解碼器可以有多種組合,比如{RNN, RNN}、{CNN,RNN}等等,這就是傳統的seq2seq框架。後來引入了attention機制,上述框架也被稱爲」分心模型「。爲什麼說他」分心「呢?因爲對於解碼器來說,他在生成每一個單詞的時候,中間向量的每一個元素對當前生成詞的貢獻都是一樣的。Attention的思想則是對於當前生成的單詞,中間向量z的每個元素對其貢獻的重要程度不同,跟其強相關的賦予更大的權重,無關的則給一個很小的權重。
舉個例子:假如我們要將 「knowledge is power」 翻譯成 中文,在翻譯」knowledge「這個單詞時, 顯然」knowledge「這個單詞對翻譯出來的」知識「貢獻最大,其他兩個單詞貢獻就很小了。這實際上讓模型有個區分度,不會被無關的東西干擾到,翻譯出來的準確度當然也就更高了。
模型分爲編碼器和解碼器兩個部分。
Encoder
Encoder由
個相同的layer組成,layer指的就是上圖左側的單元,最左邊有個「Nx」,這裏是
個。每個Layer由兩個sub-layer組成,分別是multi-head self-attention mechanism和fully connected feed-forward network。其中每個sub-layer都加了residual connection和normalisation,因此可以將sub-layer的輸出表示爲:
接下來按順序解釋一下這兩個sub-layer:
attention可由以下形式表示:
multi-head attention則是通過h個不同的線性變換對Q,K,V進行投影,最後將不同的attention結果拼接起來:
self-attention則是取Q,K,V相同。
另外,文章中attention的計算採用了scaled dot-product,即:
第二個sub-layer是個全連接層,之所以是position-wise是因爲處理的attention輸出是某一個位置i的attention輸出。
Decoder
Decoder和Encoder的結構差不多,但是多了一個attention的sub-layer,這裏先明確一下decoder的輸入輸出和解碼過程:
加了mask的attention原理如圖(另附multi-head attention):
除了主要的Encoder和Decoder,還有數據預處理的部分。Transformer拋棄了RNN,而RNN最大的優點就是在時間序列上對數據的抽象,所以文章中作者提出兩種Positional Encoding的方法,將encoding後的數據與embedding數據求和,加入了相對位置信息。
這裏作者提到了兩種方法:
經過實驗發現兩者的結果一樣,所以最後選擇了第一種方法,公式如下:
作者提到,方法1的好處有兩點:
參考:https://state-of-art.top/2019/01/17/Transformer%E5%8E%9F%E7%90%86%E5%92%8C%E5%AE%9E%E7%8E%B0-%E4%BB%8E%E5%85%A5%E9%97%A8%E5%88%B0%E7%B2%BE%E9%80%9A/
https://zhuanlan.zhihu.com/p/44121378
論文地址:https://arxiv.org/pdf/1810.04805.pdf
一、語言模型
要讓機器識別文字,處理文字,需要將語言文字編碼爲數字表示,文本表徵即文本的「數字表示「。
爲什麼要進行文本表徵?兩個原因:一.模型運算需要數字; 二.模型的運算是連續的,而文本數據是離散的。
插播ps: 什麼叫文本數據是離散的?——例如:對於V<{開心,很開心,非常開心},我們無法定義任意兩詞之間的詞,換句話說,如果」開心「代表心情的值是1,「很開心」代表心情的值是2,我們無法找到一個代表心情的值是1.5的詞。
常見的文本表徵的模型有:
傳統的: one-hot(問題:維度高)、tf-idf(詞頻統計)
基於詞向量的: Word2vec、doc2vec、glove、festext(基於特定任務、結構簡單)
基於語言模型: ELMO、GPT、BERT (基於文本特徵的,需要大量數據集)
熟悉基於深度學習的NLP問題,大部分模型首先需要進行的就是詞彙的embedding,即將詞彙映射到一個固定維度的向量上,來表徵文本。最常見的Embedding的方法是 word2vec,它有兩種訓練方式:CBOW(用周圍的詞預測當前的詞) 和 Skip-Gram(用當前詞預測周圍詞)。這種詞向量能夠學習到詞語間的共現關係,但它是存在問題的,如下:
詞向量的建立在分佈式假設前提下:即,相同上下文語境的詞有相似的含義;
如:
兩句話中特朗普和川普,表示相同的語義,但依照詞向量的建模方法,他們擁有不同的上下文,就會有不同的詞向量,因此詞向量無法處理同義詞的問題。
因此:提出結合上下文的動態表徵,如ELMO、GPT、BERT基於語言模型的表徵
語言模型:給定前文的基礎上,從概率上預測下文的內容;隨着前文的越詳細,預測的目標越明確。
傳統語言模型:
N元語法模型:當前詞的出現概率依賴於它前面N個詞,它存在的問題是,它的依賴是短程依賴,僅依賴於前N個詞,但 N越大數據越稀疏,且需要的算力越大。
因此爲增加數據的長程依賴,提出了神經語言模型。
神經語言模型: RNN 、LSTM、GRU等
BERT模型的全稱是Bidirectional Encoder Representations from Transformers,它是一種新型的語言模型。之所以說是一種新型的語言模型,是因爲它通過聯合調節所有層中的雙向Transformer來訓練預訓練深度雙向表示。
想深入瞭解BERT模型,首先應該理解語言模型。預訓練的語言模型對於衆多自然語言處理問題起到了重要作用,比如問答任務、命名實體識別以及情感識別。目前將預訓練的語言模型應用到NLP任務主要有兩種策略,一種是基於特徵的語言模型,如ELMo模型;另一種是基於微調的語言模型,如 GPT。這兩類語言模型各有其優缺點,而BERT的出現,似乎融合了它們所有的優點,因此纔可以在諸多後續特定任務上取得最優的效果。
BERT是一種基於微調的多層雙向Transformer編碼器,其中的Transformer與原始的Transformer是相同的,並且實現了兩個版本的BERT模型,在兩個版本中前饋大小都設置爲4層:
lBERTBASE:L=12,H=768,A=12,Total Parameters=110M
lBERTLARGE:L=24,H=1024,A=16,Total Parameters=340M
其中層數(即Transformer blocks塊)表示爲L,隱藏大小表示爲H,自注意力的數量爲A。
輸入表示可以在一個詞序列中表示單個文本句或一對文本(例如,[問題,答案])。對於給定的詞,其輸入表示是可以通過三部分Embedding求和組成。Embedding的可視化表示如下圖所示:
token Embeddings表示的是詞向量,第一個單詞是CLS標誌,可以用於之後的分類任務,對於非分類任務,可以忽略詞向量;
Segment Embeddings用來區別兩種句子,因爲預訓練不只做語言模型還要做以兩個句子爲輸入的分類任務;
Position Embeddings是通過模型學習得到的。
BERT模型使用兩個新的無監督預測任務對BERT進行預訓練,分別是Masked LM和Next Sentence Prediction:
爲了訓練深度雙向Transformer表示,採用了一種簡單的方法:隨機掩蓋部分輸入詞,然後對那些被掩蓋的詞進行預測,此方法被稱爲「Masked LM」(MLM)。預訓練的目標是構建語言模型,BERT模型採用的是bidirectional Transformer。那麼爲什麼採用「bidirectional」的方式呢?因爲在預訓練語言模型來處理下游任務時,我們需要的不僅僅是某個詞左側的語言信息,還需要右側的語言信息。
在訓練的過程中,隨機地掩蓋每個序列中15%的token,並不是像word2vec中的cbow那樣去對每一個詞都進行預測。MLM從輸入中隨機地掩蓋一些詞,其目標是基於其上下文來預測被掩蓋單詞的原始詞彙。與從左到右的語言模型預訓練不同,MLM目標允許表示融合左右兩側的上下文,這使得可以預訓練深度雙向Transformer。Transformer編碼器不知道它將被要求預測哪些單詞,或者哪些已經被隨機單詞替換,因此它必須對每個輸入詞保持分佈式的上下文表示。此外,由於隨機替換在所有詞中只發生1.5%,所以並不會影響模型對於語言的理解。
很多句子級別的任務如自動問答(QA)和自然語言推理(NLI)都需要理解兩個句子之間的關係,譬如上述Masked LM任務中,經過第一步的處理,15%的詞彙被遮蓋。那麼在這一任務中我們需要隨機將數據劃分爲等大小的兩部分,一部分數據中的兩個語句對是上下文連續的,另一部分數據中的兩個語句對是上下文不連續的。然後讓Transformer模型來識別這些語句對中,哪些語句對是連續的,哪些對子不連續。
ELMo、GPT、BERT都是近幾年提出的模型,在各自提出的時候都取得了不錯的成績。並且相互之間也是相輔相成的關係。
3個模型比較如下:
再往前看,在NLP中有着舉足輕重地位的模型和思想還有Word2vec、LSTM等。
Word2vec作爲里程碑式的進步,對NLP的發展產生了巨大的影響,但Word2vec本身是一種淺層結構,而且其訓練的詞向量所「學習」到的語義信息受制於窗口大小,因此後續有學者提出利用可以獲取長距離依賴的LSTM語言模型預訓練詞向量,而此種語言模型也有自身的缺陷,因爲此種模型是根據句子的上文信息來預測下文的,或者根據下文來預測上文,直觀上來說,我們理解語言都要考慮到左右兩側的上下文信息,但傳統的LSTM模型只學習到了單向的信息。
正在研究。。。。。
如何使用BERT實現中文的文本分類(附代碼)
參考: http://www.javashuo.com/article/p-brhtlruj-hv.html
https://zhuanlan.zhihu.com/p/50717786