AIGC算法工程师面经：NLP基础篇——文本解码超全总结

一、前言

1. 文本解码

2. 解码策略分类

二、贪婪采样（Argmax Decoding）

1. Greedy Search

2. Beam Search

3. Beam Search的优化

4. 总结

三、随机采样（Stochastic Decoding）

1. Temperature Sampling

2. Top-k Sampling

3. Top-p Sampling（ Nucleus Sampling ）

4. 总结

四、手撕beam search代码（简易可直接上手版）

一、前言

1. 文本解码

先用比较通俗的意思解释一下解码：

在生成文本结果的时候，模型的输出是一个时间步一个时间步依次获得的，而且前面时间步的结果还会影响后面时间步的结果。

也就是说，每一个时间步，模型给出的都是基于历史生成结果的条件概率。

那么解码就是：为了生成完整的句子，融合模型多个时间步的输出，使得最终得到的序列的每一步条件概率连乘起来最大。

2. 解码策略分类

文本生成中的decoding strategy主要可以分为两大类：

• Argmax Decoding: 主要包括beam search, class-factored softmax等

• Stochastic Decoding: 主要包括temperature sampling, top-k sampling等。

在生成模型中，最终会生成一个大小固定的hidden state ℎ𝑐；基于输入句子的hidden state ℎ𝑐 和先前生成的第1到t-1个词 𝑥1:𝑡−1；

Decoder会生成当前第t个词的hidden state ℎ𝑡 ，最后通过softmax函数得到第t个词 𝑥𝑡 的vocabulary probability distribution 𝑃(𝑥|𝑥1:𝑡−1)。

两类decoding strategy的主要区别就在于，如何从vocabulary probability distribution 𝑃(𝑥|𝑥1:𝑡−1) 中选取一个词 𝑥𝑡 ：

• Argmax Decoding的做法是选择词表中probability最大的词，即𝑥𝑡=𝑎𝑟𝑔𝑚𝑎𝑥𝑃(𝑥|𝑥1:𝑡−1) ;

• Stochastic Decoding则是基于概率分布𝑃(𝑥|𝑥1:𝑡−1) 随机sample一个词 𝑥𝑡，即 𝑥𝑡∼𝑃(𝑥|𝑥1:𝑡−1) 。

在做seq predcition时，需要根据假设模型每个时刻softmax的输出概率来sample单词，合适的sample方法可能会获得更有效的结果。

二、贪婪采样（Argmax Decoding）

1. Greedy Search

• 核心思想

每一步取当前最大可能性的结果，作为最终结果。

• 具体方法

获得新生成的词是vocab中各个词的概率，取argmax作为需要生成的词向量索引，继而生成后一个词。

2. Beam Search

• 核心思想

beam search尝试在广度优先基础上进行进行搜索空间的优化（类似于剪枝）达到减少内存消耗的目的。

• 具体方法

在decoding的每个步骤，都保留着 top K 个可能的候选单词，然后到了下一个步骤的时候，对这 K 个单词都做下一步 decoding，分别选出 top K，然后对这 K^2 个候选句子再挑选出 top K 个句子。以此类推一直到 decoding 结束为止。

• 举例

1）在第一个时间步，A和C是最优的两个，因此得到了两个结果[A],[C]，其他三个就被抛弃了；

2）第二步会基于这两个结果继续进行生成，在A这个分支可以得到5个候选，[AA],[AB],[AC],[AD],[AE]，C也同理得到5个，此时会对这10个进行统一排名，再保留最优的两个，即图中的[AB]和[CE]；

3）第三步同理，也会从新的10个候选里再保留最好的两个，最后得到了[ABD],[CED]两个结果。可以发现，beam search在每一步需要考察的候选数量是贪心搜索的num_beams倍，因此是一种牺牲时间换性能的方法。

3. Beam Search的优化

• 惩罚短句：Length normalization

Beam Search倾向于选择最短的句子，因为在这个连乘操作中，每个因子都是小于1的数，因子越多，最后的概率就越小。

解决这个问题的方法，最后的概率值除以这个生成序列的单词数，这样比较的就是每个单词的平均概率大小。此外，连乘因子较多时，可能会超过浮点数的最小值，可以考虑取对数来缓解这个问题。谷歌给的公式如下：

其中α∈[0,1]，谷歌建议取值为[0.6,0.7]之间，α用于length normalization。

• Coverage normalization：惩罚重复

序列到序列任务中经常会发现一个问题，2016 年， 华为诺亚方舟实验室的论文提到，机器翻译的时候会存在over translation or undertranslation due to attention coverage。

作者提出coverage-based atttention机制来解决coverage 问题。Google machine system 利用了如下的方式进行了length normalization 和 coverage penalty。

跟上述公式差不多，β用于控制coverage penalty

coverage penalty 主要用于使用 Attention 的场合，通过 coverage penalty 可以让 Decoder 均匀地关注于输入序列 X 的每一个 token，防止一些 token 获得过多的 Attention。

• End of sentence normalization：抑制长句

有的时候我们发现生成的序列一直生成下去不会停止，有的时候我们可以显式的设置最大生成长度进行控制，这里我们可以采用下式来进行约束：

其中|X| 是source的长度，|Y| 是当前target的长度，那么由上式可知，target长度越长的话，上述得分越低，这样就会防止出现生成一直不停止的情况。

4. 总结

Greedy Search和Beam Search存在的问题：

• 容易出现重复的、可预测的词；

• 句子/语言的连贯性差。

三、随机采样（Stochastic Decoding）

1. Temperature Sampling

• 核心思想

根据单词的概率分布随机采样

• 具体方法

在softmax中引入一个temperature来改变vocabulary probability distribution，使其更偏向high probability words：

另一种表示：假设𝑝(𝑥)为模型输出的原始分布，给定一个 temperature 值，将按照下列方法对原始概率分布（即模型的 softmax 输出） 进行重新加权，计算得到一个新的概率分布。

当𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑒→0，就变成greedy search；当𝑡𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑒→∞，就变成均匀采样（uniform sampling）。详见论文：[The Curious Case of Neural Text Degeneration]

2. Top-k Sampling

可以缓解生成罕见单词的问题。比如说，我们可以每次只在概率最高的50个单词中按照概率分布做采样。我只保留top-k个probability的单词，然后在这些单词中根据概率做sampling。

• 核心思想

对概率进行降序排序，然后对第k个位置之后的概率转换为0。

• 具体方法

在decoding过程中，从𝑃(𝑥|𝑥1:𝑡−1) 中选取probability最高的前k个tokens，把它们的probability加总得到𝑝′=∑𝑃(𝑥|𝑥1:𝑡−1) ;

然后将 𝑃(𝑥|𝑥1:𝑡−1) 调整为 𝑃′(𝑥|𝑥1:𝑡−1)=𝑃(𝑥|𝑥1:𝑡−1)/𝑝′ ，其中 𝑥∈𝑉(𝑘)! ;

最后从 𝑃′(𝑥|𝑥1:𝑡−1) 中sample一个token作为output token。详见论文：[Hierarchical Neural Story Generation]

• 存在的问题

Top-k Sampling存在的主要问题是，k不太好选：

常数k是提前给定的值，对于长短大小不一，语境不同的句子，可能有时需要比k更多的tokens；

此外，因为这个概率分布变化比较大，有时候可能很均匀(flat)，有的时候比较集中(peaked)。对于集中的情况还好说，当分布均匀时，一个较小的k容易丢掉很多优质候选词。但如果k定的太大，这个方法又会退化回普通采样。

3. top-p sampling（ Nucleus Sampling ）

• 核心思想

通过对概率分布进行累加，然后当累加的值超过设定的阈值p，则对之后的概率进行置0。

• 具体方法

提出了Top-p Sampling来解决Top-k Sampling的问题，基于Top-k Sampling，它将 𝑝′=∑𝑃(𝑥|𝑥1:𝑡−1) 设为一个提前定义好的常数𝑝′∈(0,1) ，而selected tokens根据句子history distribution的变化而有所不同。

详见论文：[The Curious Case of Neural Text Degeneration]

论文有一个效果对比图，对比了这几种采样方式的效果。红字是前后不符，蓝字是重复。Nucleus效果拔群。

本质上Top-p Sampling和Top-k Sampling都是从truncated vocabulary distribution中sample token，区别在于置信区间的选择。

4. 总结

随机采样存在的问题：

• 生成的句子容易不连贯，上下文比较矛盾。

• 容易生成奇怪的句子，出现罕见词。

四、手撕beam search代码

下面我们来写一个基础版本的beam search函数，由于大部分提供的库写得比较复杂，涉及Beam类以及其中各个 score函数、extend函数，但实际面试过程中可能没法这么写，因此这里总结一个简便又便于理解的版本。

详细步骤如下：

1. 初始化Result列表用来存储每次得到的最大k个概率结果，初始化为[[list(),1]] 1为当前初始化的成绩

2. 遍历最大解码长度S（解码出来S个字）,

3. 编历Result，用来为每个当前为止的最大k个结果解码出候选集

4. 每个解码出的k个结果统一存储在Condidate列表中

5. 按照成绩选取前k个作为Result，继续遍历，直到解码出S长度或者

代码如下

from math import log``from numpy import array``from numpy import argmax``   ``# 集束搜索``def beam_search_decoder(data, k):`  `sequences = [[list(), 1.0]]#初始化存储最后结果的列表，存储k个`  `# 遍历序列中的每一步`  `for row in data:#序列的最大长度`    `all_candidates = list()`    `# 扩展每个候选项，即解码当前所得序列的下一个字`    `for i in range(len(sequences)):`      `seq, score = sequences[i]`      `for j in range(len(row)):#计算每个词表中的字的成绩`        `candidate = [seq + [j], score * -log(row[j])]`        `all_candidates.append(candidate)`    `# 根据分数排列所有候选项`    `ordered = sorted(all_candidates, key=lambda tup:tup[1])`    `# 选择k个最有可能的`    `sequences = ordered[:k]`  `return sequences``   ``# 定义一个由10个单词组成的序列，单词来自于大小为5的词汇表``data = [[0.1, 0.2, 0.3, 0.4, 0.5],`    `[0.5, 0.4, 0.3, 0.2, 0.1],`    `[0.1, 0.2, 0.3, 0.4, 0.5],`    `[0.5, 0.4, 0.3, 0.2, 0.1],`    `[0.1, 0.2, 0.3, 0.4, 0.5],`    `[0.5, 0.4, 0.3, 0.2, 0.1],`    `[0.1, 0.2, 0.3, 0.4, 0.5],`    `[0.5, 0.4, 0.3, 0.2, 0.1],`    `[0.1, 0.2, 0.3, 0.4, 0.5],`    `[0.5, 0.4, 0.3, 0.2, 0.1]]``data = array(data)``# 解码输出序列``result = beam_search_decoder(data, 3)``# 打印结果``   ``for seq in result:`  `print(seq)

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】