NLP 主要语言模型分类

文章目录

- ngram
- 自回归语言模型
- Transformer
- GPT
- BERT（2018年提出）
- - 基于 Transformer 架构的预训练模型
  - 特点
  - 应用
  - 基于 transformer（2017年提出，attention is all you need）
  - - 堆叠层数
    - 与原transformer 的差异
    - bert transformer 层
  - 输出形状

ngram

在这里插入图片描述

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

仅使用了transformer 的encoder 层
通用 transformer 层
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
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

在这里插入图片描述

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]

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
  1. 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