2.大语音模型技术发展与演进

大语言模型技术发展与演进

统计语言模型

统计语言模型是什么？

N-gram 模型 与 马尔科夫假设

神经网络语言模型

开山之作 Neural Network Language Model (NNLM)

One-hot Representation

RNN 网络（Mikolov, 2010）

NNLM 普遍采用 RNN / LSTM 作为神经网络

两个问题：

1. 长距离依赖（梯度消失）
2. 计算效率（RNN 难以并行）

基于Transformer的大语言模型

注意力机制

解决RNNs 带来的问题

Encoder decoder architecture

Encoder-decoder Architecture with Attention Model

注意力机制的特点和优势

1. 注意力机制有助于克服循环神经网络（RNNs）的一些挑战，例如输
   入序列长度增加时性能下降和顺序处理输入导致的计算效率低下。
2. 在自然语言处理（NLP）、计算机视觉（Computer Vision）、跨模
   态任务和推荐系统等多个领域中，注意力机制已成为多项任务中的最
   先进模型，取得了显著的性能提升。
3. 注意力机制不仅可以提高主要任务的性能，还具有其他优势。它们被
   广泛用于提高神经网络的可解释性，帮助解释模型的决策过程，使得
   原本被认为是黑盒模型的神经网络变得更易解释。这对于人们对机器
   学习模型的公平性、可追溯性和透明度的关注具有重要意义。

Transformer

self-attention

Transformer : Encoder - Decoder

预训练 Transformer 时代

NLP基准测试介绍

• MNLI-m (Multi-Genre Natural Language Inference, matched)：这是一个自然语言推理任务，其中包括了五个不同类型（类型指的是来源，例如口语、小说等）的文本，并且这些文本在训练和测试集上都是匹配的。任务的目标是根据一个给出的前提判断一个假设是蕴含、矛盾，还是无关。

• MNLI-mm (Multi-Genre Natural Language Inference, mismatched)：这也是一个自然语言推理任务，但与

  MNLI-m不同的是，训练集和测试集的文本类型是不匹配的。这需要模型具有更好的泛化能力。

• SNLI (Stanford Natural Language Inference)：这是一个由斯坦福大学创建的自然语言推理任务，包含了大约55万个人类注释的英文句子对。任务的目标同样是根据一个给出的前提判断一个假设是蕴含、矛盾，还是无关。

• SciTail：这是一个开放的自然语言推理任务，所有的问题和答案都来自科学领域的教材。任务的目标是根据一个给出的前提判断一个假设是蕴含还是矛盾。

• QNLI (Question Natural Language Inference)：这是一个基于问答的自然语言推理任务，数据来源于SQuAD数据集。任务的目标是根据给出的上下文判断一个假设（问题）是否被蕴含。

• RTE (Recognizing Textual Entailment)：这是一个文本蕴含识别任务，数据来源于多个版本的PASCAL RTE挑战赛。任务的目标是根据一个给出的前提判断一个假设是蕴含还是矛盾。

以上基准测试都是关于自然语言推理的任务，目的是检验模型是否能够理解句子之间的逻辑关系，例如蕴含、矛盾或无关。这些任务在许多自然语言处理任务中都是非常重要的，例如问答、文本摘要、机器翻译等。
NLP基准测试介绍

以前方法的问题
• 问题：语言模型仅使用左上下文或右上下文，但语言理解是双向的。
为什么 LM 是单向的？
• 原因1：需要方向性来生成格式良好的概率分布。(我们不关心这个)
• 原因2：单词可以在双向编码器中“see themselves”。

单向和双向模型

单向上下文增量构建表示；双向上下文单词可以“see themselves”

Masked LM

Next Sentence Prediction

基准测试	描述
GLUE Benchmark	一个包含九个自然语言理解任务的基准测试，例如：文本蕴含识别、语义角色标注、情感分析等。BERT在多项任务中刷新了记录。
SQuAD v1.1	斯坦福问答数据集（Stanford Question Answering Dataset），是一个阅读理解型问答任务的基准测试。BERT在此任务中超过了人类的表现。
SQuAD v2.0	与v1.1版本类似，但增加了一部分问题并没有答案的情况，这对模型的理解能力提出了更高的要求。BERT也在此任务中取得了最优成绩。
SWAG	一个多选问答任务，需要根据前文预测下一句话的内容。BERT在这个任务中也刷新了最好的成绩。
CoNLL-2003 NER	命名实体识别（Named Entity Recognition）的基准测试，BERT在此任务上表现优异。

BERT : Pre-training + Fine-Tuning Paradigm

BERT 独特价值

1.全方位上下文理解：与以前的模型（例如GPT）相比，BERT能够双向理解上下文，即同时考虑一个词
的左边和右边的上下文。这种全方位的上下文理解使得BERT能够更好地理解语言，特别是在理解词义、
消歧等复杂任务上有明显优势。
2.预训练+微调（Pre-training + Fine-tuning）的策略：BERT模型先在大规模无标签文本数据上进行预
训练，学习语言的一般性模式，然后在具体任务的标签数据上进行微调。这种策略让BERT能够在少量标
签数据上取得很好的效果，大大提高了在各种NLP任务上的表现。
3.跨任务泛化能力：BERT通过微调可以应用到多种NLP任务中，包括但不限于文本分类、命名实体识
别、问答系统、情感分析等。它的出现极大地简化了复杂的NLP任务，使得只需一种模型就能处理多种
任务。
4.多语言支持：BERT提供了多语言版本（Multilingual BERT），可以支持多种语言，包括但不限于英
语、中文、德语、法语等，使得NLP任务能够覆盖更广的语言和区域。
5.性能优异：自BERT模型提出以来，它在多项NLP基准测试中取得了优异的成绩，甚至超过了人类的表
现。它的出现标志着NLP领域进入了预训练模型的新时代。
6.开源和可接入性：BERT模型和预训练权重由Google公开发布，让更多的研究者和开发者可以利用
BERT模型进行相关研究和应用开发，推动了整个NLP领域的发展。

暴力美学 GPT 系列模型