机器学习：Bert and its family

在这里插入图片描述

Bert

在这里插入图片描述
先用无监督的语料去训练通用模型，然后再针对小任务进行专项训练学习。

在这里插入图片描述

ELMo
Bert
ERNIE
Grover
Bert&PALS

Outline

在这里插入图片描述

Pre-train Model

在这里插入图片描述

首先介绍预训练模型，预训练模型的作用是将一些token表示成一个vector

在这里插入图片描述
比如：

Word2vec
Glove

但是对于英文，有太多的英文单词，这个时候应该对单个字符进行编码：

FastText

对于中文，可以对部首偏旁，或者把中文字当做图片送人网络中得到输出：
在这里插入图片描述
上述方法的问题不会考虑每个句子意思中相同字会有不同的意思，产生相同的token：

contextualized word embedding

类似于sequence2sequence模型的encoder一样。

同样的token，给出不一样的embedding，上述句子都有苹果两字。

Bigger Model
Smaller Model

重点关注ALBERT，将模型变小的技术：

网络架构设计：

让模型能读很长的内容，不仅是一篇文章，有可能是一本书。
Transformer-XL
Reformer
Longformer

self-attention的计算复杂度是 $O(n^2)$

How to fine-tune

如何进行预训练
在这里插入图片描述

输入：
一个句子还是两个句子，[sep]进行分割。
输出部分：
输出一个class，加入一个[cls]，产生跟整个句子有关的embedding

如果没有cls，就是把所有的embedding合起来送入模型，得到一个输出。

第二种就是给每个token一个class，相当于每个embedding一个class

Extraction-based QA

General Sequence
如何用在生成文本呢？

上述结构encoder得不到好的使用

在这里插入图片描述
将预训练模型当做encoder使用，每次产生一个word后，送入模型继续生成，直到产生eos结束符。

在这里插入图片描述
微调有两种方法：

第一种：预训练模型不动，对其产生的embedding 针对具体任务进行训练，只对上层模型微调；
第二种：预训练模型和具体任务模型联合到一起训练，消耗会大一些；
第二种方法会比对第一种方法获得的效果要更好一点，但是训练整个模型会遇到的一些问题：
训练完了之后预训练模型也发生了改变，相当于每个任务都会有一个不同的预训练模型，每个模型都比较大，这样非常的浪费。

针对上述问题，解决方法：

Adapter：只训练少量的参数结构APT

在这里插入图片描述

fine-tune的时候只会调APT结构的参数，但是是插入到transformer结构中，加深了网络：

Weighted Features
综合每一层的embedding，送到具体的任务中学习，权重参数可以学出来。

模型的loss，泛化能力。start-point到end-point，两点间距离越宽，凹的越浅说明泛化能力越一般；两点间距离越近，凹得越深说明泛化能力越好。

How to pre-train

如何进行预训练：

在这里插入图片描述

翻译任务

Context Vector（Cove）

把输入的句子A送入encoder，然后decoder得到句子B，需要大量的pair对data

Self-supervised Learning

在这里插入图片描述
self-supervised的input和output是自己产生出来的。

Predict Next Token

给定输入，预测下一个token

在这里插入图片描述
有了w1预测w2，用w1, w2预测w3，然后用w1,w2,w3预测w4，但是不能用右边的数据用来预测左边的数据：

基础架构网络使用的是LSTM：

LM
ELMo
ULMFiT

后续一些算法将LSTM换成Self-attention
在这里插入图片描述

GPT
Megatron
Turing NLG

注意：控制Attention的范围

在这里插入图片描述
可以用来生成文章： talktotransformer.com

在这里插入图片描述

在这里插入图片描述
如果只考虑左边的出现关系，为什么不考虑右边文本呢？

Predict Next Token-Bidrectional

左右两边产生的context，二者联合起来作为最终表示：
在这里插入图片描述

但是问题是左边只能看到左边的，无法看到右边的结束，右边只能看到右边的，无法看到左边的开始。

Masking input

在这里插入图片描述

随机的盖住某个词，是看到了完整的句子才来预测这个词是什么。
这种思想往前推，跟以前的cbow非常像：
在这里插入图片描述
Bert与cbow的区别就是左右两边的长度可以无限，而不是有个window窗口长度。

随机mask是否够好呢？有几种mask方法：

wwm
ERNIE
SpanBert
SBO

盖住一整个句子或者盖住好几个词。或者先把Entity找出来，然后把这些词盖住：

盖住的长度按照上述图的出现概率。

盖住的左右两边的embedding来预测，以及输入的index来恢复中间的哪个词。
SBO的设计期待左右两边的token embedding能够包含左右两边的embeeding信息。

XLNet

结构不是使用的Transformer，而是使用Transformer-XL

在这里插入图片描述

随机把顺序打乱，用各式各样不同的信息训练一个token。

Bert的训练语料比较规整：
在这里插入图片描述
Bert不擅长做Generative任务，因为bert训练的时候给的是整个句子，而generative只是给一部分，然后由左得右预测下一个token

MASS/BART

在这里插入图片描述
要对w1,w2, w3,w4进行一些破坏，不然model学不到任何东西，破坏的方法：

mask（随机mask）
delete（直接删掉）
permutation（打乱)
rotation（改变起始位置）
Text Infilling （插入一个别的误导，少掉一个mask)

结果是：
在这里插入图片描述

UniLM

在这里插入图片描述

UniLM进行多项训练

Replace or Not

ELECTRA，避开了需要训练和生成的东西，判断哪个位置是否被置换，训练非常简单，另外每个输出都被用到。
*
置换的词不好弄，如果是随便置换肯定很容易知道。所以有了下面的结果，用一个小的bert预测的结果作为替换的结果，小的bert效果不要太好，不然预测的结果跟真实的一样，得不到替换的效果，因为替换的结果是一模一样的。

只需要四分之一的计算量，就能达到XLNet的效果。