2019年CS224N课程笔记-Lecture 11: ConvNets for NLP

资源链接：https://www.bilibili.com/video/BV1r4411

想看书吗

推荐了一本书～可以自己去了解了解

正课内容

本周主要是CNN专题

从RNNs到卷积神经网络

递归神经网络不能捕获没有前缀上下文的短语
经常在最终向量中捕获太多的最后单词，如下图

例如，如上图，softmax通常只在最后一步计算

卷积网络的主要想法：
如果我们为每个可能的子序列计算一定长度的向量呢？例如：“tentative deal reached to keep government open” 计算的向量为tentative deal reached, deal reached to, reached to keep, to keep government, keep government open
不管短语是否合乎语法，在语言学上或认知上看似是合理的，然后就是如何将他们它们进行分组～（下面会讨论如何分组）

一维离散卷积一般为：

卷积可以很好的从图像中提取特征～

2维的例子：

可以自己计算一下试试～

• 黄色的是卷积核扫描的区域，为什么有的*0有的*1，这个其实就是卷积核参数（初始是随机的，然后会训练得出的）
• 绿色的是输入（其实就这个大矩阵）
• 红色的是卷积后的矩阵

上述的2D卷积可能是我们在视觉中了解的～（上述其实就对图片的卷积～）

下面继续来看1D卷积，也就是人们在文本数据中使用的

卷积核是3个字*词向量长度，也就是连续3个字给卷积到一起，一个卷积核卷积后得到一个通道的数值

在图像卷积中，我们经常补0，实际上，在文本中也可以这么做，如下图：

在图像处理中也经常多个卷积核，在NLP中也可以，如下图：n卷积核卷积后会产生n个通道的卷积后向量，关注的文本潜在特征也不同

（max p其实就是最大池化，通过 max pooling over time，获得最大的激活值）

In PyTorch

batch_size= 16 
word_embed_size= 4 
seq_len= 7 
input = torch.randn(batch_size, word_embed_size, seq_len) 
conv1 = Conv1d(in_channels=word_embed_size, out_channels=3, kernel_size=3) # can add: padding=1 
hidden1 = conv1(input)
hidden2 = torch.max(hidden1, dim=2)  # max pool

也可以使用不同的步伐，stride=2，可以减少计算量～

看一下步伐=1和=2的对比，通过数据对比我们可以发现，对步伐=1的每两行做最大池化与步伐=2是等价的

上述说的每两行做一次最大池化，被称为步长为2的局部最大池化

再看一个叫k-max pooling over time的概念，直接看图就能明白（其实就间隔k取最大值）

还有一种扩张卷积（思想就是跳过某些行做卷积），如下：（使用两个步长，右下角两个是卷积核，取1，3，5与两个矩阵做卷积，得出0.3和0.0这两个数值，后面的同上）

可以在第一步的卷积中将卷积核从3改为5，即可实现这样的效果，既保证了矩阵很小，又保证了一次卷积中看到更大范围的句子（这一部分可以参考感受野的概念，简单说，之前的时候一行代表3个词，现在可以代表5个词，而且卷积后更小）

总结：

• 在CNN中，一次能看一个句子的多少内容是很重要的概念，一定要搞懂
• 可以使用更大的filter、扩张卷积或者增大卷积深度（层数）

用于句子分类的单层CNN

• Yoon Kim (2014): Convolutional Neural Networks for Sentence Classification. EMNLP 2014. https://arxiv.org/pdf/1408.5882.pdf Code: https://arxiv.org/pdf/1408.5882.pdf[Theano!, etc.]
• A variant of convolutional NNs of Collobert, Weston et al. (2011)
• 目标：句子分类 
  • 主要是句子的积极或消极情绪
  • 其他任务 
    • 判断句子主观或客观
    • 问题分类：问题是关于什么实体的？关于人、地点、数字、……
• 一个卷积层和池化层的简单使用
• 词向量：
• 句子： (向量连接)
• 连接：  范围内的句子 (对称更常见)
• 卷积核：  (作用范围为 h 个单词的窗口)
• 注意，filter是向量，size 可以是2,3或4

单层CNN

• 过滤器 W 应用于所有可能的窗口(连接向量)
• 为CNN层计算特征(一个通道)

• 所有可能的长度为 h 的窗口 
• 结果是一个 feature map 

Pooling and channels

 

• 池化：max-over-time pooling layer/最大池化
• 想法：捕获最重要的激活(maximum over time)
• 从feature map中 
• 池化得到单个数字 
• 使用多个过滤器权重 W
• 不同窗口大小 h 是有用的
• 由于最大池化  ，和c的长度无关

• 所以我们可以有一些 filters 来观察 unigrams, bigrams, tri-grams, 4-grams,等等

Multi-chanenl input idea

• 使用预先训练的单词向量初始化(word2vec或Glove)
• 从两个副本开始
• 只有一个副本进行了反向传播，保持其他“静态”
• 两个通道集都在最大池化前添加到ci

Classificantion after one CNN layer

• 首先是一个卷积，然后是一个最大池化
• 为了获得最终的特征向量 

• 假设我们有 m 个 filter  W
• 使用100个大小分别为3、4、5的特征图

• 最终是简单的 softmax layer 

用三个不同的过滤器进行特征提取，在此提取变成6个一块，最后softmax进行概率估计～秀～

具体过程如下：

• 输入长度为 7 的一句话，每个词的维度是 5 ，即输入矩阵是 7*5
• 使用不同的filter_size : (2,3,4)，并且每个size都是用两个filter，获得两个channel的feature，即共计6个filter
• 对每个filter的feature进行1-max pooling后，拼接得到 6 维的向量，并使用softmax后再获得二分类结果

正规化

• 使用 Dropout : 使用概率 p (超参数)的伯努利随机变量（只有0 1并且p是为1的概率）创建mask向量 r
• 训练过程中删除特征

• 解释：防止互相适应(对特定特征的过度拟合)(Srivastava, Hinton, et al. 2014)
• 在测试时不适用dropout，使用概率p缩放最终向量

• 此外：限制每个类的权重向量的L2 Norm(softmax 权重  的每一行)不超过固定数 s (也是超参数)
• 如果  ，则重新缩放为 
  • 这不是很常见的

（关于Dropout建议自己查阅一下，课程将的不是很细）

Kim（2014）的所有超参数

问题的比较

• Dropout提供了2 - 4%的精度改进
• 很多比较系统没有使用Dropout就已过时了，如果使用的话可能获得更好的效益
• 仍然被视为一个简单架构的显著结果（比较建议所有模型使用）
• 与我们在前几节课中描述的窗口和RNN架构的不同之处：池化、许多过滤器和dropout
• 这些想法中有的可以被用在RNNs中

模型比较：我们成长中的工具箱

• Bag of Vectors ：对于简单的分类问题，这是一个非常好的基线。特别是如果后面有几个ReLU层(See paper: Deep Averaging Networks)
• Window Model ：对于不需要广泛上下文的问题（即适用于local问题），适合单字分类。例如POS, NER
• CNNs ：适合分类，较短的短语需要零填充，难以解释，易于在gpu上并行化
• RNNs ：从左到右的认知更加具有可信度，不适合分类(如果只使用最后一种状态)，比CNNs慢得多，适合序列标记和分类以及语言模型，结合注意力机制时非常棒，RNN对序列标记和分类之类的事情有很好的效果，以及语言模型预测下一个单词，并且结合注意力机制会取得很好的效果，但是对于某个句子的整体解释，CNN做的是更好的（原因一开始也说了）

Gated units used vertically

（主要讨论了门控结构）

• 我们在LSTMs和GRUs中看到的门/跳过是一个普遍的概念，现在在很多地方都使用这个概念（对于梯度消失很有帮助）
• 您还可以使用垂直的门（下面两个图是它很成功的两个样例）
• 实际上，关键的概念——用快捷连接对候选更新求和——是非常深的网络工作所需要的

（第一个比较简单，仅仅是跳转，也被称为残差块，用于剩余网络，也被称为ResNets，第二个多个T门和C门进行控制）

注：用于conv的pad，所以添加时大小是相同的

批量标准化

• 常用于 CNNs
• 通过将激活量缩放为零均值和单位方差，对一个mini-batch的卷积（小批量的卷积）输出进行变换 
  • 这是统计学中熟悉的 Z-transform
  • 但在每组mini-batch都会更新，所以波动的影响不大 
• 使用BatchNorm使模型对参数初始化的敏感程度下降，因为输出是自动重新标度的 
  • 也会让学习率的调优更简单
  • 模型的训练会更加稳定
• 可以使用PyTorch: nn.BatchNorm1d

1 x 1 Convolutions

• 这个概念有意义吗?是的，非常有意义
• 1x1卷积，即网络中的 Network-in-network (NiN) connections，是内核大小为1的卷积内核
• 1x1卷积为您提供了一个跨通道的全连接的线性层
• 它可以用于从多个通道映射到更少的通道（这一点非常重要～）
• 1x 1卷积添加了额外的神经网络层，附加的参数很少， 
  • 与全连接(FC)层不同，全连接(FC)层添加了大量的参数

CNN应用：翻译

• 最早成功的神经机器翻译之一
• 使用CNN进行编码（蓝色部分），使用RNN进行解码（黄色部分）
• Kalchbrenner和Blunsom（2013）的“递归连续翻译模型”论文，第一个神经机器翻译的论文

词性标注中字符级表示的学习

Dos Santos and Zadrozny(2014)

• 对字符进行卷积以生成单词嵌入
• 固定窗口的词嵌入被用于POS标签

（详细的字词模型将会在后面课程中进行介绍～）

字符感知神经语言模型

• 基于字符的单词嵌入
• 利用卷积、highway network和LSTM

用于文本分类的非常深的卷积网络

• Conneau, Schwenk, Lecun, Barrault. EACL 2017.
• 出发点：序列模型(LSTMs)在NLP中占主导地位；还有CNNs、注意力等等，但是所有的模型基本上都不是很深入——不像计算机视觉中的深度模型（因为跳跃链接的出现，导致可以更深～）
• 当我们为NLP构建一个类似视觉的系统时会发生什么（很多视觉系统可以几百层，吓人～）
• 从字符级开始工作

（虽然这四个人这么声称在在弄非常深的网络，但是实际上他们还是用的3层，尴尬不）

很深的一个网络：

对于图片输入，大小一般是固定的，对于文字也是一样，输入是固定长度（实际上文本不一定是固定长度的，所以多了就砍掉，少了就补0）

Convolutional block in VD-CNN

• 每个卷积块是两个卷积层，每个卷积层后面跟着BatchNorm和一个ReLU
• 卷积大小为3
• pad 以保持(或在局部池化时减半)维数

大数据集样例

使用大文本分类数据集，比NLP中经常使用的小数据集大得多，如Yoon Kim(2014)的论文

以上数据均为错误率，所以越低越好，深度网络会取得更好的结果，残差层取得很好的结果，但是深度再深时并未取得效果提升
实验表明使用 MaxPooling 比 KMaxPooling 和 使用stride的卷积 的两种其他池化方法要更好
ConvNets可以帮助我们建立很好的文本分类系统

RNNs are Slow ...

RNNs是深度NLP的一个非常标准的构建块，但它们的并行性很差，因此速度很慢，解决想法：取RNNs和CNNs中最好且可并行的部分
Quasi-Recurrent Neural Networks by James Bradbury, Stephen Merity, CaimingXiong& Richard Socher. ICLR 2017（该论文研究了上述问题，解决方法如下：Quasi-Recurrent Neural Network）

Quasi-Recurrent Neural Network

努力把两个模型家族的优点结合起来～（RNN、CNN）

上图内容：时间上并行的卷积，卷积计算候选，遗忘门和输出门

跨通道并行性的逐元素的门控伪递归是在池化层中完成的

Q-RNN Experiments: 语言模型

James Bradbury,Stephen Merity,CaimingXiong,Richard Socher (ICLR 2017)

用于情绪分析的Q-RNNs

通常比LSTMs更好更快，更加的可解释，例如：

QRNN限制

对于字符级的LMs并不像LSTMs那样有效 ，建模时遇到的更长的依赖关系问题

通常需要更深入的网络来获得与LSTM一样好的性能，当它们更深入时，速度仍然更快，有效地使用深度作为真正递归的替

（下次将会讨论变压器模型）