作者： Microstrong

本文概览：

1. Autoregressive语言模型与Autoencoder语言模型

1.1 语言模型概念介绍

Autoregressive语言模型：指的是依据前面（或后面）出现的单词来预测当前时刻的单词，代表有 ELMo， GPT等。

Autoencoder语言模型：通过上下文信息来预测被mask的单词，代表有 BERT , Word2Vec(CBOW) 。

1.2 二者各自的优缺点

Autoregressive语言模型：

  • 缺点：\\\\ 它 只能利用单向语义而不能同时利用上下文信息。ELMo通过双向都做Autoregressive模型，然后进行拼接，但从结果来看，效果并不是太好。
  • 优点：对生成模型友好，天然符合生成式任务的生成过程。这也是为什么 GPT 能够编故事的原因。

Autoencoder语言模型：

  • 缺点：由于训练中采用了 [MASK] 标记，导致 预训练数据与微调阶段数据不一致的问题。BERT独立性假设问题，即 没有对被遮掩（Mask）的 token 之间的关系进行学习。此外对于生成式问题，Autoencoder模型也显得捉襟见肘。
  • 优点：能够很好的编码上下文语义信息（即考虑句子的双向信息）， 在自然语言理解相关的下游任务上表现突出。

2. DAE与Masked Language Model

2.1 AutoEncoder

如下图所示，AutoEncoder框架包含两大模块：编码过程和解码过程。通过 将输入样本 映射到特征空间 ，即编码过程；然后再通过 将抽象特征 映射回原始空间得到重构样本 ，即解码过程。优化目标则是通过最小化重构误差来同时优化encoder和decoder，从而学习得到针对输入样本 的抽象特征表示 。

这里我们可以看到，AutoEncoder在优化过程中无需使用样本的label，本质上是把样本的输入同时作为神经网络的输入和输出，通过最小化重构误差希望学习到样本的抽象特征表示 。这种无监督的优化方式大大提升了模型的通用性。

对于基于神经网络的AutoEncoder模型来说，则是encoder部分通过逐层降低神经元个数来对数据进行压缩；decoder部分基于数据的抽象表示逐层提升神经元数量，最终实现对输入样本的重构。

这里值得注意的是，由于AutoEncoder通过神经网络来学习每个样本的唯一抽象表示，这会带来一个问题：当神经网络的参数复杂到一定程度时AutoEncoder很容易存在过拟合的风险。

2.2 Denoising AutoEncoder(DAE)

为了缓解经典AutoEncoder容易过拟合的问题，一个办法是在输入中加入随机噪声，Vincent等人提出了Denoising AutoEncoder，即在传统AutoEncoder输入层加入随机噪声来增强模型的鲁棒性；另一个办法就是结合正则化思想，Rifai等人提出了Contractive AutoEncoder，通过在AutoEncoder目标函数中加上encoder的Jacobian矩阵范式来约束使得encoder能够学到具有抗干扰的抽象特征。

下图是Denoising AutoEncoder的模型框架。目前添加噪声的方式大多分为两种：

  • 添加服从特定分布的随机噪声；
  • 随机将输入x中特定比例的数值置为0；

DAE模型的优势：

  • 通过与非破损数据训练的对比，破损数据训练出来的 Weight噪声较小。因为擦除数据的时候不小心把输入噪声给擦掉了。
  • 破损数据一定程度上 减轻了训练数据与测试数据的代沟。由于数据的部分被擦掉了，因而这破损数据一定程度上比较接近测试数据。

推荐阅读论文：

【1】Extracting and composing robust features with denoising autoencoders, Pascal Vincent etc, 2008.

【2】Contractive auto-encoders: Explicit invariance during feature extraction, Rifai S etc, 2011.

2.3 DAE与Masked Language Model联系

  • BERT模型是基于 Transformer Encoder 来构建的一种模型。
  • BERT模型基于 DAE(Denoising AutoEncoder，去燥自编码器)的，这部分在BERT中被称为 Masked Language Model (MLM)。
  • MLM并不是严格意义上的语言模型，它仅仅是训练语言模型的一种方式。BERT随机把一些单词通过 MASk标签 来代替，并接着去预测被 MASk 的这个单词，过程其实就是DAE的过程。

3. Transformer模型回顾

Transformer模型使用经典的encoder-decoder架构，由encoder和decoder两部分组成。

  • 下图左侧用框出来的，就是我们encoder的一层。encoder一共有层这样的结构。
  • 下图右侧用框出来的，就是我们decoder的一层。decoder一共有层这样的结构。
  • 输入序列经过Input Embedding和Positional Encoding相加后，输入到encoder中。
  • 输出序列经过Output Embedding和Positional Encoding相加后，输入到decoder中。
  • 最后，decoder输出的结果，经过一个线性层，然后计算。

3.1 Encdoer部分

输入是原始词表中词的。接着进行Input Embedding，把词转换成分布式的表示。在语言模型中词的顺序还是很重要的，因此Transformer加入了Positional Encoding，也就是加入了词的位置信息。encoder的输入是Input Embedding 加上对应位置的Positional Encoding。

Input Embedding 加上对应位置的Positional Encoding作为encoder的输入，首先会经过Multi-Head Attention，学习输入中词与词之间的相关性。接着是Add & Norm层，Add残差的方式对不同的输出相加，是借鉴CV中的残差网络思想解决梯度消失问题；Norm用的是Layer Norm。然后进行Feed Forward的前向计算，这一层就是全连接的神经网络。最后再接一层Add & Norm，防止梯度消失。

3.2 Decoder部分

通过encoder部分已经获得了所有输入的信息，把这些信息当作decoder后面Multi-Head Attention的输入，也就是self-attention中的、来自encoder部分输出的特征，来自decoder部分的输入。

decoder之前解码出的单词当作本次decoder的输入，也是通过Output Embedding 加上对应位置的Positional Encoding输入到Masked Multi-Head Attention，再经过Add & Norm层，这里还把decoder输入和Masked Multi-Head Attention输出做了残差连接，最后得到的输出就是我们上面提到的了。

把encoder部分获得的所有输入的信息和decoder前半部分得到的输入信息，一同送到后面这个Multi-Head Attention中，它学习哪些输入信息和之前输出信息的特征更有利于解码，最后还经过了Add & Norm层、Feed Forward层和Add & Norm层，得到了decoder的最终输出。

解码这里要特别注意一下，编码可以并行计算，一次性全部encoding出来，但是解码不是一次把所有序列解出来的，而是像RNN一样一个一个解出来的，因为要用前几个位置单词的结果当作self-attention的query。

3.3 Linear 和 Softmax

拿到decoder的输出做一个线性变换，最后通过一个计算对应位置的输出词的概率。Transformer本次的输出当作下一步decoder的输入。

关于Transformer更详细的内容，可以参考我之前写的一篇文章： 《Self-Attention与Transformer》

面试题：为什么NLP中的模型一般使用Layer Norm，而不是Batch Norm？

回答：

  • 在CV中，深度网络中一般会嵌入批归一化（BatchNorm，BN）单元，比如ResNet；而NLP中，则往往向深度网络中插入层归一化（LayerNorm，LN）单元，比如Transformer。为什么在归一化问题上会有分歧呢？一个最直接的理由就是，BN用在NLP任务里实在太差了（相比LN），此外，BN还难以直接用在RNN中，而RNN是前一个NLP时代的最流行模型。虽然有大量的实验观测，表明NLP任务里普遍BN比LN差太多，但是迄今为止，依然没有一个非常严谨的理论来证明LN相比BN在NLP任务里的优越性。
  • 基于我阅读过的文献，我个人认为：BatchNorm就是通过对batch size这个维度归一化来让分布稳定下来，有助于训练深度神经网络，是因为它可以让loss曲面变得更加平滑。LayerNorm则是通过对Hidden size这个维度归一化来让某层的分布稳定，主要作用是在训练初期缓解梯度消失和爆炸的问题，提升稳定性。
  • 关于BatchNorm为什么在NLP问题上不work和LayerNorm在NLP问题上work的讨论，我强烈推荐大家阅读这篇文章 《LayerNorm是Transformer的最优解吗？》

4. BERT模型

BERT的全称是Bidirectional Encoder Representation from Transformers，模型是基于Transformer中的Encoder并加上双向的结构，因此一定要熟练掌握Transformer的Encoder。BERT模型的主要创新点都在pre-train方法上，即用了Masked Language Model和Next Sentence Prediction两种方法分别捕捉词语和句子级别的representation。

在用Masked Language Model方法训练BERT的时候，随机把语料库中15%的单词做Mask操作。对于这15%的单词做Mask操作分为三种情况：80%的单词直接用[Mask]替换、10%的单词直接替换成另一个新的单词、10%的单词保持不变。

因为涉及到Question Answering (QA) 和 Natural Language Inference (NLI)之类的任务，增加了Next Sentence Prediction预训练任务，目的是让模型理解两个句子之间的联系。与Masked Language Model任务相比，Next Sentence Prediction更简单些，训练的输入是句子A和B，B有一半的几率是A的下一句，输入这两个句子，BERT模型预测B是不是A的下一句。

由于注意力计算开销是输入序列长度的平方，较长的序列会影响训练速度，为了加快实验中的预训练速度，所以90%的steps都用序列长度为128进行预训练，余下10%的steps预训练为512长度的输入。

BERT预训练之后，会保存它的Embedding table和层Transformer权重（BERT-BASE）或层Transformer权重（BERT-LARGE）。使用预训练好的BERT模型可以对下游任务进行Fine-tuning，比如：文本分类、相似度判断、阅读理解等。

5. BERT模型在实际场景的应用

BERT模型在现实中的应用：

  • 情感分类：通过用户对商品评价来对商品质量问题进行分析，比如是否新鲜、服务问题等；
  • 意图识别；
  • 问答匹配；
  • 槽位提取：BERT后接CRF来做命名实体识别；

6. BERT模型的预训练及其改进

7. BERT的Fine-tuning不同训练方式及常见的改进策略

7.1 Fine-tuning的不同训练方式

7.2 BERT的Fine-tuning中常见的改进策略

如果机器不足、预料不足，一般都会直接考虑用原始的BERT、Roberta、XLnet等在下游任务中微调，这样我们就不能在预训练阶段进行改进，只能在Fine-tuning阶段进行改进。改进方案如下图所示：

7.3 BERT在实践中的trick

  • 筛选训练数据，剔除过短或者过长的数据；
  • 尝试bert+conv, bert+conv+avg_max_pooling,