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)-阿里云开发者社区

ShowMeAI研究中心

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
声明：版权所有，转载请联系平台与作者并注明出处
收藏ShowMeAI查看更多精彩内容

基于上下文的表征与NLP预训练模型
ShowMeAI为斯坦福CS224n《自然语言处理与深度学习(Natural Language Processing with Deep Learning)》课程的全部课件，做了中文翻译和注释，并制作成了GIF动图！视频和课件等资料的获取方式见文末。

引言

基于上下文的词嵌入(ELMo,transformer,BERT)

授课计划

Reflections on word representations / 词向量知识回顾
Pre-ELMo and ELMO / ELMo模型
ULMfit and onward / ULMfit模型
Transformer architectures / Transformer结构
BERT / BERT

1.词向量知识回顾

1.1 词向量表征

单词的表示

现在我们可以获得一个单词的表示
- 我们开始时学过的单词向量
  - Word2vec，GloVe，fastText

1.2 预训练的词向量

预训练的词向量：早期

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

预训练的词向量：当前 (2014年 -)

我们可以随机初始化词向量，并根据我们自己的下游任务训练它们
但在绝大多数情况下，使用预训练词向量是有帮助的，因为它们本身是自带信息的 (我们可以在更大体量的预训练语料上训练得到它们)

1.3 未知词的词向量应用建议

带词向量的未知词提示

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

问题：
- 没有办法区分不同 UNK words，无论是身份还是意义

未知词的词向量应用建议

解决方案

使用字符级模型学习词向量
- 特别是在 QA 中，match on word identity 是很重要的，即使词向量词汇表以外的单词
尝试这些建议 (from Dhingra, Liu, Salakhutdinov, Cohen 2017)
- 如果测试时的 $<\text{UNK}>$ 单词不在你的词汇表中，但是出现在你使用的无监督词嵌入中，测试时直接使用这个向量
- 此外，你可以将其视为新的单词，并为其分配一个随机向量，将它们添加到你的词汇表
- 帮助很大或者也许能帮点忙

你可以试试另一件事
- 将它们分解为词类 (如未知号码，大写等等)，每种都对应一个 $<\text{UNK-class}>$

1.4 单词的表示

单词的表示

存在两个大问题

对于一个 word type 总是是用相同的表示，不考虑这个 word token 出现的上下文
- 我们可以进行非常细粒度的词义消歧
我们对一个词只有一种表示，但是单词有不同的方面，包括语义，句法行为，以及表达 / 含义

1.5 我们一直都有解决这个问题的办法吗？

我们一直都有解决这个问题的办法吗？

在NLM中，我们直接将单词向量 (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位置生成特定于上下文的词表示

1.6 #论文解读

#论文解读#

Semi-supervised sequence tagging with bidirectional language models
想法：想要获得单词在上下文的意思，但标准的 RNN 学习任务只在 task-labeled 的小数据上 (如 NER )
为什么不通过半监督学习的方式在大型无标签数据集上训练 NLM，而不只是词向量

1.7 标签语言模型 (Tag LM )

标签语言模型 (Tag LM )

步骤3：在序列标记模型中同时使用单词嵌入和 LM 嵌入
步骤2：为输入序列中的每个标记准备单词嵌入和 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 得到的 hidden states 作为特征输入

标签语言模型 (Tag LM )

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

Char CNN / RNN + Token Embedding 作为 bi-LSTM 的输入
得到的 hidden states 与 Pre-trained bi-LM (冻结的) 的 hidden states 连接起来输入到第二层的 bi-LSTM 中

1.8 命名实体识别 (NER)

命名实体识别 (NER)

一个非常重要的NLP子任务：查找和分类文本中的实体

1.9 CoNLL 2003命名实体识别 (en news testb)

CoNLL 2003命名实体识别 (en news testb)

1.10 #论文解读

#论文解读#

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

语言模型观察结果

在监督数据集上训练的语言模型并不会受益
双向语言模型仅有助于 forward 过程，提升约 0.2
具有巨大的语言模型设计 (困惑度 30) 比较小的模型 (困惑度 48) 提升约 0.3

任务特定的BiLSTM观察结果

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

1.11 #论文解读

#论文解读#

https://arxiv.org/pdf/1708.00107.pdf
也有一种思路：使用训练好的序列模型，为其他NLP模型提供上下文

思路：机器翻译是为了保存意思，所以这也许是个好目标？
使用 seq2seq + attention NMT system 中的 Encoder，即 2 层 bi-LSTM，作为上下文提供者
所得到的 CoVe 向量在各种任务上都优于 GloVe 向量
但是，结果并不像其他幻灯片中描述的更简单的 NLM 训练那么好，所以似乎被放弃了
- 也许NMT只是比语言建模更难？
- 或许有一天这个想法会回来？

2.ELMo模型

2.1 #论文解读#ELMo

#论文解读#

Deep contextualized word representations. NAACL 2018.
word token vectors or contextual word vectors 的爆发版本
使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，并在预测中使用它的所有层

#论文解读#

训练一个双向语言模型 (LM)

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

#论文解读#

ELMo 学习 biLM 表示的特定任务组合
这是一个创新，TagLM 中仅仅使用堆叠 LSTM 的顶层，ELMo 认为 BiLSTM 所有层都是有用的

$\begin{aligned} R_{k} &=\left\{\mathbf{x}_{k}^{L M}, \overrightarrow{\mathbf{h}}_{k, j}^{L M}, \overleftarrow{\mathbf{h}}_{k, j}^{L M} \mid j=1, \ldots, L\right\} \\ &=\left\{\mathbf{h}_{k, j}^{L M} \mid j=0, \ldots, L\right\} \end{aligned}$ $\mathbf{E} \mathbf{L} \mathbf{M} \mathbf{o}_{k}^{t a s k}=E\left(R_{k} ; \Theta^{t a s k}\right)=\gamma^{t a s k} \sum_{j=0}^{L} s_{j}^{t a s k} \mathbf{h}_{k, j}^{L M}$

$\gamma^{task}$ 衡量 ELMo 对任务的总体有用性，是为特定任务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，对不同的任务是不同的，因为不同的任务对不同层的 BiLSTM 的

#论文解读#

首先运行 biLM 获取每个单词的表示

然后，让 (无论什么) 最终任务模型使用它们
- 冻结 ELMo 的权重，用于监督模型
- 将 ELMo 权重连接到特定于任务的模型中
  - 细节取决于任务
    - 像 TagLM 一样连接到中间层是典型的
    - 可以在生产输出时提供更多的表示，例如在问答系统中

2.2 ELMo在序列标记器中的使用

ELMo在序列标记器中的使用

2.3 CoNLL 2003命名实体识别 (en news testb)

CoNLL 2003命名实体识别 (en news testb)

2.4 ELMo结果：适用于所有任务

ELMo结果：适用于所有任务

2.5 ELMo ：层权重

ELMo ：层权重

这两个 biLSTM NLM 层有不同的用途 / 含义
- 低层更适合低级语法，例如
  - 词性标注(part-of-speech tagging)、句法依赖(syntactic dependency)、NER
- 高层更适合更高级别的语义
  - 情绪、语义角色标记、问答系统、SNLI

这似乎很有趣，但它是如何通过两层以上的网络来实现的看起来更有趣

3.ULMfit模型

3.1 ULMfit

ULMfit

Howard and Ruder (2018) Universal Language Model Fine-tuning for Text Classification.
- 转移 NLM 知识的一般思路是一样的
- 这里应用于文本分类

ULMfit

在大型通用领域的无监督语料库上使用 biLM 训练
- 在目标任务数据上调整 LM
- 对特定任务将分类器进行微调

使用合理大小的 1 GPU 语言模型，并不是真的很大

在LM调优中要注意很多
- 不同的每层学习速度
- 倾斜三角形学习率 (STLR) 计划

学习分类器时逐步分层解冻和STLR

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

使用大型的预训练语言模型，是一种提高性能的非常有效的方法

3.2 ULMfit性能

ULMfit性能

文本分类器错误率

3.3 ULMfit迁移学习

ULMfit迁移学习

迁移学习

3.4 让我们扩大规模

让我们扩大规模

补充说明

如果使用监督数据进行训练文本分类器，需要大量的数据才能学习好

3.5 GPT-2语言模型(cherry-picked)输出

GPT-2语言模型(cherry-picked)输出

补充说明

文本生成的样例

3.6 GPT-2语言模型(cherry-picked)输出

GPT-2语言模型(cherry-picked)输出

4.Transformer结构

4.1 Transformer介绍

Transformer models

所有这些模型都是以Transformer为主结构的，我们应该学习一下Transformer吧

补充说明

Transformer 不仅很强大，而且允许扩展到更大的尺寸

4.2 Transformers 动机

Transformers 动机

我们想要并行化，但是RNNs本质上是顺序的

尽管有 GRUs 和 LSTMs，RNNs 仍然需要注意机制来处理长期依赖关系——否则状态之间的 path length 路径长度 会随着序列增长
但如果注意力让我们进入任何一个状态……也许我们可以只用注意力而不需要RNN?

4.3 Transformer 概览

Transformer 概览

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结构
任务：平行语料库的机器翻译
预测每个翻译单词
最终成本/误差函数是 softmax 分类器基础上的标准交叉熵误差

4.4 Transformer 基础

Transformer 基础

自学 transformer
- 主要推荐资源
  - http://nlp.seas.harvard.edu/2018/04/03/attention.html
  - The Annotated Transformer by Sasha Rush
- 一个使用PyTorch的Jupyter笔记本，解释了一切！

现在：我们定义 Transformer 网络的基本构建块：第一，新的注意力层

4.5 点乘注意力 Dot-Product Attention

Dot-Product Attention 点乘注意力

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

输出值的加权和
权重的每个值是由查询和相关键的内积计算结果
Query 和 keys 有相同维数 $d_k$ ，value 的维数为 $d_v$ $A(q, K, V)=\sum_{i} \frac{e^{q \cdot k_{i}}}{\sum_{j} e^{q \cdot k_{j}}} v_{i}$

4.6 点乘注意力矩阵表示法

Dot-Product Attention 矩阵表示法

当我们有多个查询 $q$ 时，我们将它们叠加在一个矩阵 $Q$ 中

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

4.7 缩放点乘注意力

Scaled Dot-Product Attention

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 得到的是峰值 → 因此梯度变小了

解决方案：通过 query / key 向量的长度进行缩放

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

4.8 编码器中的自注意力

编码器中的自注意力

输入单词向量是 queries，keys and values
换句话说：这个词向量自己选择彼此

词向量堆栈= Q = K = V
我们会通过解码器明白为什么我们在定义中将他们分开

4.9 多头注意力

Transformer多头注意力

简单 self-attention 的问题
- 单词只有一种相互交互的方式

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
然后，应用注意力，然后连接输出，通过线性层

$\text {MultiHead}(\boldsymbol{Q}, \boldsymbol{K}, \boldsymbol{V})=\text {Concat(head}_{1}, \ldots, \text { head }_{h})$ $\text {where head}_{i}=\text {Attention}\left(Q W_{i}^{Q}, K W_{i}^{K}, V W_{i}^{V}\right)$

4.10 完整的transformer模块

Complete transformer block

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

这两个子层都
- 残差连接以及层归一化
- LayerNorm(x+Sublayer(x))
- 层归一化将输入转化为均值是 $0$ ，方差是 $1$ ，每一层和每一个训练点 (并且添加了两个参数)

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

Layer Normalization by Ba, Kiros and Hinton,
https://arxiv.org/pdf/1607.06450.pdf

4.11 编码器输入

Encoder Input

实际的词表示是 byte-pair 编码

还添加了一个 positional encoding 位置编码，相同的词语在不同的位置有不同的整体表征

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

4.12 完整编码器Encoder

Complete Encoder

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

在每个阶段，你可以通过多头注意力看到句子中的各个地方，累积信息并将其推送到下一层。在任一方向上的序列逐步推送信息来计算感兴趣的值
非常善于学习语言结构

4.13 第5层的注意力可视化

Attention visualization in layer 5

词语开始以合理的方式关注其他词语
不同的颜色对应不同的注意力头

4.14 注意力可视化

注意力可视化

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。请注意，这个词的注意力是非常鲜明的。

4.15 Transformer解码器

Transformer解码器

decoder 中有两个稍加改变的子层
对之前生成的输出进行 Masked decoder self-attention

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

Blocks 同样重复 6 次

4.16 Transformer的技巧与建议

Transformer的技巧与建议

细节(论文/之后的讲座)

Byte-pair encodings
Checkpoint averaging
Adam 优化器控制学习速率变化
训练时，在每一层添加残差之前进行 Dropout
标签平滑
带有束搜索和长度惩罚的自回归解码

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他任务的构件共同工作

4.17 Transformer机器翻译实验结果

Experimental Results for MT

4.18 Transformer解析任务实验结果

Experimental Results for Parsing

5.BERT模型

5.1 #论文解读# BERT

#论文解读# BERT

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

#论文解读# BERT

问题：语言模型只使用左上下文或右上下文，但语言理解是双向的

为什么LMs是单向的？
- 原因1：方向性对于生成格式良好的概率分布是有必要的 [我们不在乎这个]
- 原因2：双向编码器中单词可以 看到自己

#论文解读# BERT

单向与双向上下文对比

#论文解读# BERT

解决方案：掩盖 $k \%$ 的输入单词，然后预测 masked words
不再是传统的计算生成句子的概率的语言模型，目标是填空
- 总是使用 $k = 15 \%$

Masking 太少：训练太昂贵
Masking 太多：没有足够的上下文

#论文解读# BERT

GPT 是经典的单项的语言模型
ELMo 是双向的，但是两个模型是完全独立训练的，只是将输出连接在一起，并没有使用双向的 context
BERT 使用 mask 的方式进行整个上下文的预测，使用了双向的上下文信息

5.2 BERT 训练任务：预测下一句

BERT 训练任务：预测下一句

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。

5.3 BERT 句对编码

BERT 句对编码

token embeddings 是 word pieces (paly, ##ingpaly, ##ing)
使用学习好的分段嵌入表示每个句子
位置嵌入与其他 Transformer 体系结构类似
将以上三种 embedding 相加，作为最终输入的表示

5.4 BERT 模型结构与训练

BERT 模型结构与训练

Transformer encoder (和之前的一样)
自注意力 ⇒ 没有位置偏差
- 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 4x4 or 8x8 TPU slice for 4 days

5.5 BERT 模型微调

BERT 模型微调

只学习一个建立在顶层的分类器，微调的每个任务

5.6 BERT GLUE多任务结果

BERT GLUE多任务结果

GLUE benchmark 是由自然语言推理任务，还有句子相似度和情感

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

BERT results on GLUE tasks

5.7 CoNLL 2003命名实体识别 (en news testb)

CoNLL 2003命名实体识别 (en news testb)

5.8 BERT在SQuAD问答上的表现

BERT在SQuAD问答上的表现

5.9 BERT预训练任务效果

BERT预训练任务效果

5.10 BERT参数量级对效果影响

BERT参数量级对效果影响

从 119M 到 340M 的参数量改善了很多
随参数量提升还在提高

5.11 推荐阅读

Transformer与BERT推荐资料阅读

The Annotated Transformer 代码解析
- https://github.com/rsennrich/subword-nmt
- https://github.com/opennmt/opennmt-py

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

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

授课计划

1.词向量知识回顾

1.1 词向量表征

1.2 预训练的词向量

1.3 未知词的词向量应用建议

1.4 单词的表示

1.5 我们一直都有解决这个问题的办法吗？

1.6 #论文解读

1.7 标签语言模型 (Tag LM )

1.8 命名实体识别 (NER)

1.9 CoNLL 2003命名实体识别 (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在序列标记器中的使用

2.3 CoNLL 2003命名实体识别 (en news testb)

2.4 ELMo结果：适用于所有任务

2.5 ELMo ：层权重

3.ULMfit模型

3.1 ULMfit

3.2 ULMfit性能

3.3 ULMfit迁移学习

3.4 让我们扩大规模

3.5 GPT-2语言模型(cherry-picked)输出

3.6 GPT-2语言模型(cherry-picked)输出

4.Transformer结构

4.1 Transformer介绍

4.2 Transformers 动机

4.3 Transformer 概览

4.4 Transformer 基础

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 完整的transformer模块

4.11 编码器输入

4.12 完整编码器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的技巧与建议

4.17 Transformer机器翻译实验结果

4.18 Transformer解析任务实验结果

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 模型结构与训练

5.5 BERT 模型微调

5.6 BERT GLUE多任务结果

5.7 CoNLL 2003命名实体识别 (en news testb)

5.8 BERT在SQuAD问答上的表现

5.9 BERT预训练任务效果

5.10 BERT参数量级对效果影响

5.11 推荐阅读

6.视频教程

7.参考资料

ShowMeAI 系列教程推荐

NLP系列教程文章

斯坦福 CS224n 课程带学详解

热门文章

最新文章

相关课程

相关电子书

相关实验场景