Task01 Transform在NLP中的兴起

本文为NLP入门之transform的学习笔记，学习资料为DataWhale的transform开源资料，黑马程序员bufen课程。

---

一、NLP的应用

• 文本分类：对单个、两个或者多段文本进行分类
  例：“这个教程真棒！”这段文本的情感倾向是正向的，“我在学习transformer”和“如何学习transformer”这两段文本是相似的。
• 序列标注：对文本序列中的token、字或者词进行分类
  例：“我在国家图书馆学transformer。”这段文本中的国家图书馆是一个地点，可以被标注出来方便机器对文本的理解。
• 问答任务——抽取式问答和多选问答

  • 1、抽取式问答根据问题从一段给定的文本中找到答案，答案必须是给定文本的一小段文字。
    例：问题“小学要读多久?”和一段文本“小学教育一般是六年制。”，则答案是“六年”。

  • 多选式问答，从多个选项中选出一个正确答案
    例：“以下哪个模型结构在问答中效果最好？“和4个选项”A、MLP，B、cnn，C、lstm，D、transformer“，则答案选项是D。

• 生成任务——语言模型、机器翻译和摘要生成
  根据已有的一段文字生成（generate）一个字通常叫做语言模型，根据一大段文字生成一小段总结性文字通常叫做摘要生成，将源语言比如中文句子翻译成目标语言比如英语通常叫做机器翻译。

即NLP可以用于分子性质预测（分类和回归）以及分子生成的任务中。

二、Transformer的诞生

• 2017年，Attention Is All You Need论文首次提出了Transformer模型结构并在机器翻译任务上取得了The State of the Art(SOTA, 最好)的效果
• 2018年，BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding使用Transformer模型结构进行大规模语言模型（language model）预训练（Pre-train），再在多个NLP下游（downstream）任务中进行微调（Finetune），一举刷新了各大NLP任务的榜单最高分，轰动一时
• 2019年-2021年，研究人员将Transformer这种模型结构和预训练+微调这种训练方式相结合，提出了一系列Transformer模型结构、训练方式的改进（比如transformer-xl，XLnet，Roberta等等）
  图来源：A Survey of Transformers

三、Transformer的优势

相比之前占领市场的LSTM和GRU模型，Transformer有两个显著的优势:

1. Transformer能够利用分布式GPU进行并行训练，提升模型训练效率.
2. 在分析预测更长的文本时, 捕捉间隔较长的语义关联效果更好.