神经网络语言模型
神经网络语言模型(Neural Network Language Model, NNLM)是一种利用神经网络架构来预测文本序列中下一个词的语言模型。NNLM通过学习大量文本数据中的词汇之间的概率关系,能够捕捉到语言的结构和语境,从而生成连贯且符合上下文的文本。
本文旨在结合经典论文《A Neural Probabilistic Language Model》的内容,详细解析NNLM的基本原理、网络架构及模型训练。
一种神经概率语言模型
一、NNLM的基本原理
Yoshua Bengio及其团队在2003年的论文《A Neural Probabilistic Language Model》中首次展示了如何使用神经网络(特别是多层感知器MLP)来构建语言模型,这一工作不仅为后续的深度学习在NLP中的应用奠定了基石,还意外地催生了词嵌入(word embedding)这一重要概念。
NNLM的核心思想:利用神经网络来建模自然语言中的词语序列,从而预测给定上下文条件下下一个词出现的概率。与传统的n-gram模型相比,NNLM能够捕捉更长的上下文依赖关系,并且通过词嵌入技术将词语映射到连续的向量空间中,使得相似的词语在向量空间中具有相近的表示。
NNLM开山之作
NNLM中的Distributed Representation(分布式表示)是Embedding(嵌入)最早的理论支撑之一,它代表了一种将单词或文本表示为连续向量空间的技术。这种表示方法相比传统的独热编码(One-Hot Encoding)具有显著的优势,能够捕捉到单词之间的语义关系。
-
减少维度灾难:传统的独热编码方式在词汇表很大时会导致向量维度极高,而分布式表示则通过低维向量表示单词,大大减少了计算复杂度。
-
捕捉语义信息:分布式表示能够捕捉到单词之间的语义相似性,使得在向量空间中相似的单词具有相近的表示,这对于处理NLP任务至关重要。
-
提高模型泛化能力:由于分布式表示能够捕捉到单词之间的语义关系,因此模型在处理未见过的单词或句子时具有更好的泛化能力。
distributed representation vs one-hot representation
二、NNLM的网络架构
NNLM的目标:NNLM是一个用于语言建模的神经模型,该模型旨在学习一个函数f,该函数可以根据给定的前置词汇预测序列中的下一个词汇。
函数f
模型 f 分解为两个主要部分:词嵌入层(C)和概率函数(g)。词嵌入层将词汇转换为向量表示,而概率函数则利用这些向量预测文本序列中下一个词汇的概率分布。
-
词嵌入层(C):将词汇表中的每个词汇转换成一个实值向量。这些向量代表了词汇的分布式特征,即它们不仅仅表示词汇本身,还包含了词汇在不同上下文中的语义信息。
-
概率函数(g):
根据给定的上下文信息来预测下一个词汇出现的概率。由多个词汇组成的上下文(比如前面的n-1个词汇),概率函数g会利用这些词汇的向量表示(即词嵌入层输出的向量)来估计下一个词汇出现的概率分布。
词嵌入层(C)和概率函数(g)
NNLM的网络架构:根据《A Neural Probabilistic Language Model》中的描述,NNLM主要由输入层、隐藏层及输出层三部分组成。通过输入层接收前文单词序列的向量表示,在隐藏层中捕捉复杂的语言结构,最后在输出层输出每个单词作为下一个词出现的概率分布。
NNLM的网络架构
一、输入层
输入层
-
作用:输入层负责接收原始数据,并将其转换为神经网络可以处理的格式。在自然语言处理中,输入层通常接收的是词汇的向量表示,即词嵌入(word embedding)。
-
上下文词汇向量:如上文所述,输入层连接的是上下文词汇向量
x = (C(wt-1), C(wt-2), …, C(wt-n+1))
,其中C(wt-i)
表示在时间步t-i
时词汇wt-i
的词嵌入向量。这些向量共同构成了神经网络的输入。
二、隐藏层
隐藏层
-
作用:隐藏层是神经网络中的核心部分,负责学习数据的复杂特征表示。在自然语言处理中,隐藏层通常包含多个神经元,并且这些神经元之间以及与前一层和下一层之间都有连接。
-
非线性激活函数:为了引入非线性,隐藏层中的神经元通常使用非线性激活函数,如双曲正切函数(tanh)。激活函数使得神经网络能够学习非线性关系,从而捕捉数据的复杂模式。
-
权重和偏置:隐藏层中的每个神经元都与其前一层的神经元通过权重矩阵U和H(以及偏置向量d)相连接。这些权重和偏置在训练过程中被学习,以最小化预测误差。
三、输出层
输出层
-
作用:输出层是神经网络的最后一层,负责产生最终的预测结果。在自然语言处理中,输出层通常使用softmax函数将隐藏层的输出转换为概率分布,以便在每个时间步预测下一个词汇。
-
softmax函数:softmax函数将隐藏层的输出转换为概率分布
P^(wt | wt-1, …, wt-n+1)
。这个概率分布表示在给定上下文条件下,每个词汇作为下一个词汇的概率。 -
预测:最终,神经网络通过选择概率最高的词汇作为预测结果。
NNLM的网络架构
三、NNLM的模型训练
NNLM的模型训练:NNLM的训练过程旨在最大化训练数据中序列的联合概率,即最大化给定前文单词的条件下,下一个单词出现的概率。在训练过程中,分布式表示(即词嵌入)是作为模型的训练参数之一进行更新的。
NNLM
NNLM训练过程:通过前向传播计算输出,利用损失函数评估差异,然后反向传播更新权重,迭代优化直至收敛或达到预设迭代次数。这通常通过最小化负对数似然(negative log-likelihood)损失函数来实现。
最小化负对数似然
其中 R( θ) 是正则化项(例如,权重衰减),使用随机梯度上升法更新参数 θ:
更新参数 θ
其中 ϵ 是学习率。
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。