目录
3.1.2 Approach 2:Next Sentence Prediction(NSP)
3.2.2 case 2: Slot Filling（插槽填充）
4. Generative Pre-Training(GPT)
摘要
本节主要讲的是解决一词多意问题的方法的三种方法：ELMO，BERT，GPT。首先概略地复习一下，在有ELMO, BERT, GPT这些技术前，我们如何做NLP：使用对词独热编码（one-hot），之后考虑了Word Class，Word Embedding技术。但是，一个词汇可能有不同的意义，因此，我们不考虑word type，而是word token对嵌入。
为了做到Contextualized Word Embedding，具体来说使用Embeddings from Language Model (ELMO)，动态的去更新词的word embedding。之后，介绍了Bidirectional Encoder Representations from Transformers (BERT)。包括BERT的训练与用法。接下来进入Generative Pre-Training (GPT)部分，其体积巨大，BERT是Transformer的Encoder，而GPT是Transformer的Decoder。
这三种方法的在训练和使用都是分为两阶段：预训练和通过fine-tuning模式应用到下游任务。
1. Background
机器是如何理解我们的文字的呢？最早的技术是1-of-N encoding，把每一个词汇表示成一个向量，每一个向量都只有一个地方为1，其他地方为0。但是这么做词汇之间的关联没有考虑，因为不同词之间的距离都是一样的。
所以，接下来有了word class的概念，举例说dog、cat和bird都是动物，它们应该是同类。但是动物之间也是有区别的，如dog和cat是哺乳类动物，和鸟类还是有些区别的。
后来有了更进阶的想法，称作word embedding，我们用一个向量来表示一个单词，相近的词汇距离较近，如cat和dog。那word embedding怎么训练呢？比较熟知的就是word2vec方法。
但是呢，同一个词是可能有不同的意思的，如下图中的bank，前两个指银行，后两个指河堤：
尽管有不同的意思，但使用传统的word embedding的方法，相同的单词都会对应同样的embedding。但我们希望针对不同意思的bank，可以给出不同的embedding表示。
根据上下文语境的不同，同一个单词bank我们希望能够得到不同的embedding，如果bank的意思是银行，我们期望它们之间的embedding能够相近，同时能够与河堤意思的bank相距较远。
基于这个思想，首先有了ELMO。
2. ELMO
ELMO是Embeddings from Language Model的简称。它是一个RNN-based的语言模型，其任务是学习句子中的下一个单词或者前一个单词是什么。
它是一个双向的RNN网络，这样每一个单词都对应两个hidden state，进行拼接便可以得到单词的Embedding表示。当同一个单词上下文不一样，得到的embedding就不同。
当然，我们也可以搞更多层：
这么多层的RNN，内部每一层输出都是单词的一个表示，那我们取哪一层的输出来代表单词的embedding呢？ELMO的做法就是我全都要：
在ELMO中，一个单词会得到多个embedding，对不同的embedding进行加权求和，下图中只画了两层RNN输出的hidden state，其实输入到RNN的原始embedding也是需要的，所以你会看到说右下角的图片中，包含了三个embedding。
但不同的权重是基于下游任务学习出来的，上图中右下角给了5个不同的任务，其得到的embedding权重各不相同。
3. BERT
Bert是Bidirectional Encoder Representations from Transformers的缩写，中文意思就是来自于转换器的双向编码表示，它也是芝麻街的人物之一。Transformer中的Encoder就是Bert预训练的架构。李宏毅老师特别提示：如果是中文的话，可以把字作为单位，而不是词。
3.1 Training of BERT
只是Transformer中的Encoder，那Bert怎么训练呢？给出了两种训练的方法，第一个称为Masked LM，做法是随机把一些单词变为Mask，让模型去猜测盖住的地方是什么单词。假设输入里面的第二个词汇是被盖住的，把其对应的embedding输入到一个多分类模型中，来预测被盖住的单词。
3.1.1 Approach 1:MaskedLM
由于BERT需要通过上下文信息，来预测中心词的信息，同时又不希望模型提前看见中心词的信息，因此提出了一种 Masked Language Model 的预训练方式，即随机从输入预料上 mask 掉一些单词，然后通过的上下文预测该单词，类似于一个完形填空任务。
3.1.2 Approach 2:Next Sentence Prediction(NSP)
仅仅一个MLM任务是不足以让 BERT 解决阅读理解等句子关系判断任务的，因此添加了额外的一个预训练任务，即 Next Sequence Prediction。
具体任务即为一个句子关系判断任务，即判断句子B是否是句子A的下文，如果是的话输出’IsNext‘，否则输出’NotNext‘。
训练数据的生成方式是从语料中随机抽取的连续两句话，其中50%保留抽取的两句话，它们符合IsNext关系，另外50%的第二句话是随机从预料中提取的，它们的关系是NotNext的。先把两句话连起来，中间加一个[SEP]作为两个句子的分隔符。而在两个句子的开头，放一个[CLS]标志符，将其得到的embedding输入到二分类的模型，输出两个句子是不是接在一起的。
3.2 How to use BERT
训练BERT后不但可以获得词向量表示，由于训练BERT一般和下游任务模型一起训练，所以还会获得别的信息，下面看四种使用BERT的方法。
3.2.1 case 1: classification
如果现在的任务是 classification，首先在输入句子的开头加一个代表分类的符号 [CLS]，然后将该位置的 output，丢给 Linear Classifier，让其 predict 一个 class 即可。整个过程中 Linear Classifier 的参数是需要从头开始学习的，而 BERT 中的参数微调(fine-tuning)就可以了。
3.2.2 case 2: Slot Filling（插槽填充）
如果现在的任务是 Slot Filling，将句子中各个字对应位置的 output 分别送入不同的 Linear，预测出该字的标签。其实这本质上还是个分类问题，只不过是对每个字都要预测一个类别。
3.2.3 case 3: NLI（自然语言推理）
如果现在的任务是 NLI（自然语言推理）。即给定一个前提，然后给出一个假设，模型要判断出这个假设是 正确、错误还是不知道。这本质上是一个三分类的问题，和 Case 1 差不多，对 [CLS] 的 output 进行预测即可。
3.2.4 case 4: QA(问答)
如果现在的任务是 QA（问答），举例来说，如上图，将一篇文章，和一个问题（这里的例子比较简单，答案一定会出现在文章中）送入模型中，模型会输出两个数 s,e，这两个数表示，这个问题的答案，落在文章的第 s 个词到第 e 个词。具体流程我们可以看下面这幅图。
首先将问题和文章通过 [SEP] 分隔，送入 BERT 之后，得到上图中黄色的输出。此时我们还要训练两个 vector，即上图中橙色和蓝色的向量。首先将橙色和所有的黄色向量进行 dot product，然后通过 softmax，看哪一个输出的值最大，例如上图中d2对应的输出概率最大，那我们就认为 s=2。同样地，我们用蓝色的向量和所有黄色向量进行 dot product，最终预测得 d3的概率最大，因此 e=3。最终，答案就是 s=2,e=3
3.3 What does BERT learn
4. Generative Pre-Training(GPT)
GPT是Generative Pre-Training 的简称。从名字上就可以看出其是一个生成式的预训练模型，即与ELMo类似，是一个自回归语言模型。与ELMo不同的是，其采用多层Transformer Decoder作为特征抽取器，它的思想也很简单，使用单向 Transformer 学习一个语言模型，对句子进行无监督的 Embedding，然后根据具体任务对 Transformer 的参数进行微调。
4.1 无监督的 Pretraining
我们知道transformer里有encoder层和decoder层，而GPT里主要用的是decoder层。
整个过程如上图所示，词向量（token embedding）和位置向量（position embedding）的和作为输入，经过12层的Masked Multi-Head Attention和Feed Forward（当然中间也包括Layer Norm），得到预测的向量和最后一个词的向量，最后一个词的词向量会作为后续fine-tuning的输入。
4.2 GPT2
GPT-2依然沿用GPT单向transformer的模式，只不过做了一些改进与改变。那GPT-2相对于GPT有哪些不同呢？看看下面几方面：
- GPT-2去掉了fine-tuning层
- 增加数据集
- 增加网络参数
- 调整transformer
4.3 Example
输入一个句子中的上一个词，我们希望模型可以得到句子中的下一个词。
由于GPT-2的模型非常巨大，它在很多任务上都达到了惊人的结果，甚至可以做到zero-shot learning，如阅读理解任务，不需要任何阅读理解的训练集，就可以得到很好的结果。
结论与展望
本节讲的ELMO、BERT和GPT这三种解决一词多意的方法的总结：
1.ELMO的提出就是为了解决语境问题，动态的去更新词的word embedding。ELMO的本质思想是：事先用语言模型在一个大的语料库上学习好词的word embedding，但此时的多义词仍然无法区分，不过没关系，我们接着用我们的训练数据（去除标签）来微调 预训练好的ELMO 模型。这样利用我们训练数据的上下文信息就可以获得词在当前语境下的word embedding。
ELMO的缺点是：
- 使用LSTM特征抽取方式而不是transformer
- 使用向量拼接方式融合上下文特征融合能力较弱
2.GPT从名字上就可以看出其是一个生成式的预训练模型，即与ELMo类似，是一个自回归语言模型。与ELMo不同的是，其采用多层Transformer Decoder作为特征抽取器，因为Transformer的特征抽取能力是强于LSTM的。它的思想是使用单向 Transformer 学习一个语言模型，对句子进行无监督的 Embedding，然后根据具体任务对 Transformer 的参数进行微调。
GPT的缺点是：
- 虽然使用了使用transformer提取特征，但使用单项的语言模型，即单向transformer
- 占用内存大
3.BERT使用masked language model（MLM）的方法来预训练，这种方法能够训练一个双向的语言模型。除了masked language model的预训练的方法（将句子中的一些word用标志符[mask]代替，让machine去猜被代替的词是什么，这样就可以找到每个word Embedding），BERT还使用了next sentence prediction的预训练方法。BERT主要应用在自然语言推断（natural language inference）和复述（paraphrasing）和问答（question answering）。
313
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
