基于Conditional Layer Normalization的条件文本生成

作者丨苏剑林

单位丨追一科技

研究方向丨NLP，神经网络

个人主页丨kexue.fm

从文章从语言模型到Seq2Seq：Transformer如戏，全靠Mask中我们可以知道，只要配合适当的 Attention Mask，Bert（或者其他 Transformer 模型）就可以用来做无条件生成（Language Model）和序列翻译（Seq2Seq）任务。 

可如果是有条件生成呢？比如控制文本的类别，按类别随机生成文本，也就是 Conditional Language Model；又比如传入一副图像，来生成一段相关的文本描述，也就是 Image Caption。

相关工作

八月份的论文 Encoder-Agnostic Adaptation for Conditional Language Generation [1] 比较系统地分析了利用预训练模型做条件生成的几种方案；九月份有一篇论文 CTRL: A Conditional Transformer Language Model for Controllable Generation [2] 提供了一个基于条件生成来预训练的模型，不过这本质还是跟 GPT 一样的语言模型，只能以文字输入为条件；而最近的论文 Plug and Play Language Models: a Simple Approach to Controlled Text Generation [3] 将 p(x|y) 转化为 p(x)p(y|x) 来探究基于预训练模型的条件生成。 

不过这些经典工作都不是本文要介绍的。本文关注的是以一个固定长度的向量作为条件的文本生成的场景，而方法是 Conditional Layer Normalization——把条件融合到 Layer Normalization 的 β 和 γ 中去。

模型细节

Conditional Layer Normalization 的想法来源于图像中流行的条件 GAN 的思路——条件 BN（Conditional Batch Normalization），相关内容可以参考从DCGAN到SELF-MOD：GAN的模型架构发展一览。条件 BN 还有一个变种，称之为 AdaIN（Adaptive Instance Normalization）。条件 BN、AdaIN 都是将已有的 Normalization 方法中的 β 和 γ 变成输入条件的函数，从而可以通过条件来控制生成的行为。 

在 Bert 等 Transformer 模型中，主要的 Normalization 方法是 Layer Normalization，所以很自然就能想到将对应的 β 和 γ 变成输入条件的函数，来控制 Transformer 模型的生成行为，这就是 Conditional Layer Normalization 的线索思路。

▲ 条件Normalization示意图

对于已经预训练好的模型来说，已经有现成的、无条件的 β 和 γ 了，它们都是长度固定的向量。我们可以通过两个不同的变换矩阵，将输入条件变换到跟 β,γ 一样的维度，然后将两个变换结果分别加到 β 和 γ 上去。为了防止扰乱原来的预训练权重，两个变换矩阵可以全零初始化（单层神经网络可以用全零初始化，连续的多层神经网络才不应当用全零初始化），这样在初始状态，模型依然保持跟原来的预训练模型一致。

代码实现

直觉上，这种以文本生成为目的的 finetune 应该要用 GPT 等自回归预训练模型才能提升效果，但事实上，之前的文章从语言模型到Seq2Seq：Transformer如戏，全靠Mask已经表明，哪怕你加载 Bert 的预训练权重来做生成任务，表现依然良好。所以不管哪种 Transformer-based 的预训练模型，都可以考虑用来 finetune 做文本生成模型来。而本文还是以预训练 Bert 为基础模型进行实验。 

至于代码，本文所描述的 Conditional Layer Normalization 技巧，也已经被集成到笔者所开发的 bert4keras [4] 中了，现在基础函数 build_bert_model 新增了如下参数： 

1. layer_norm_cond：如果该参数非 None，则意味着它是一个张量，shape=[batch_size, cond_size]，用来作为 Layer Normalization 的条件； 

2. layer_norm_cond_size：如果该参数非 None 且 layer_norm_cond 为 None，则意味着它是一个整数，自行构建一个 shape=[batch_size, layer_norm_cond_size] 的输入层作为 Layer Normalization 的条件； 

3. layer_norm_cond_hidden_size：如果该参数为 None，则意味着它是一个整数，用于先将输入条件投影到更低维空间，这是因为输入的条件可能维度很高，直接投影到 hidden_size（比如 768）的话，参数可能过多，所以可以先投影到更低维空间，然后升维； 

4. layer_norm_cond_hidden_act：投影到更低维空间时的激活函数，如果为 None，则不加激活函数（线性激活）； 

5. additional_input_layers：额外的输入层，如果外部传入了张量作为条件，则需要把条件张量所依赖的所有输入层都添加进来，作为输入层，才能构建最终的模型。

实验效果

介绍再多，其实还不如看例子来得实际。笔者做了两个实验来验证 Conditional Layer Normalization 的效果。一个是通过情感极性来控制文本生成，也就是情感分类的反问题，这直接通过类的 Embedding 来作为 Layer Normalization 的条件；另一个是图像描述生成（Image Caption），通过预训练的 imagenet 模型将图片编码为一个固定长度的向量作为 Layer Normalization 的条件。 

这两个代码分别放在 task_conditional_language_model.py [5] 和 task_image_caption.py [6] 中。 

情感文本生成

情感文本生成就是用的训练集是笔者之前收集整理的情感分类语料 [7]，将输入文本和标签反过来用即可。最后生成的时候按概率随机采样，从而能生成不同的文本。 

部分输出： 

正面采样：[u'外观时尚、漂亮、性价比高。', u'外观漂亮，配置均衡，比较满意，性价比高，外观漂亮，性能较高。', u'我是在大学的时候看到这本书的，所以一直在买。书中的作者是林静蕾，她用自己的口吻写出了一个孩子成长中的心路历程，让我看到了她们成长中的不同之处，以及她们成长过程中的不同境界。让我很欣赏！', u'我想这是一本能够告诉读者什么是坏的，而不是教你怎样说话，告诉我什么是错。这里我推荐了《我要讲故事》，这本书是我很喜欢的一本书，我认为它的理由很多，但是，我相信我。如果你从中得到一些改进，或者你已经有了一个明智的决定。', u'我们一家五口住的是标间，大床房，大床的床很舒服；而我们在携程网上订了两套大床房，这个酒店的价格还是比较合理的；但是房间的隔音效果不太理想，有点响的声音；酒店门口的地铁在施工中，不方便；但是酒店的门口的出租车不知道是哪个车的，打车不是很方便；酒店外面的停'] 

负面采样：[u'不知道是不是因为电池不太好，不是我不喜欢。', u'看了评论才买的. 结果发现不是那么便宜, 价格也不便宜.', u'1、外壳不容易沾手印，不容易洗洗2、屏幕有点旧，不能下载铃声', u'我是7月6日订购了《杜拉拉升职记》并已通过银行付款，为什么订单下了两周多至今还未到货？是收货时间太快了，可能就这么过去了吧？', u'这本书我是在网上先看了一遍，后来我再看了一遍。感觉作者的文笔实在太烂了，特别是在写他的博客时特别别扭，写得很不专业，特别是他写股票时那个情绪调节的小男孩，简直就是自作聪明的样子，简直就是自作聪明的一种表现！'] 

Image Caption

Image Caption 以 COCO 数据集 [8] 为例，这个数据集的图片场景比较丰富一些。另外 2017 年的 challenger.ai 也举办过一个图像中文描述生成竞赛 [9]，里边也包含了一个不错的数据集（读者自己自行想办法收集），不过图片的场景相对来说单调一些。部分输出：

▲ 模型预测: a baseball game in progress with the batter up to plate.

▲ 模型预测: a train that is sitting on the tracks.

image_id: COCO_val2014_000000524611.jpg 

url: http://images.cocodataset.org/val2014/COCO_val2014_000000524611.jpg 

predict: a train that is sitting on the tracks. 

references: [u'A train carrying chemical tanks traveling past a water tower.', u'Dual train tracks with a train on one of them and a water tower in the background.', u'a train some trees and a water tower ', u'Train on tracks with water tower for Davis Junction in the rear.', u'A train on a train track going through a bunch of trees.'] 

image_id: COCO_val2014_000000202923.jpg 

url: http://images.cocodataset.org/val2014/COCO_val2014_000000202923.jpg 

predict: a baseball game in progress with the batter up to plate. 

references: [u'Batter, catcher, and umpire anticipating the next pitch.', u'A baseball player holding a baseball bat in the game.', u'A baseball player stands ready at the plate.', u'Baseball players on the field ready for the pitch.', u'A view from behind a mesh fence of a baseball game.']

文章小结

本文提出了利用 Conditional Layer Normalization 来将外部条件融入到预训练模型中的思路，其直接应用就是条件文本生成，但其实也不单单可以用于生成模型，也可以用于分类模型等场景（外部条件可能是其他模态的信息，来辅助分类）。最后基于 bert4keras 给出了代码实现以及两个例子。

相关链接

[1] https://arxiv.org/abs/1908.06938

[2] https://arxiv.org/abs/1909.05858

[3] https://arxiv.org/abs/1912.02164

[4] https://github.com/bojone/bert4keras

[5] https://github.com/bojone/bert4keras/blob/master/examples/task_conditional_language_model.py

[6] https://github.com/bojone/bert4keras/blob/master/examples/task_image_caption.py

[7] https://github.com/bojone/bert4keras/blob/master/examples/datasets/sentiment.zip

[8] http://cocodataset.org/#download

[9] https://challenger.ai/dataset/caption?lan=zh

点击以下标题查看作者其他文章： 

• 当Bert遇上Keras：这可能是Bert最简单的打开姿势

• 玩转Keras之Seq2Seq自动生成标题 | 附开源代码

• 一文读懂「Attention is All You Need」| 附代码实现

• 基于CNN的阅读理解式问答模型：DGCNN
  

• 基于DGCNN和概率图的轻量级信息抽取模型

• ICLR 2019最佳论文 | 用有序神经元表达层次结构

#投 稿 通 道#

 让你的论文被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学习心得或技术干货。我们的目的只有一个，让知识真正流动起来。

???? 来稿标准：

• 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向） 

• 如果文章并非首发，请在投稿时提醒并附上所有已发布链接 

• PaperWeekly 默认每篇文章都是首发，均会添加“原创”标志

???? 投稿邮箱：

• 投稿邮箱：[email protected] 

• 所有文章配图，请单独在附件中发送 

• 请留下即时联系方式（微信或手机），以便我们在编辑发布时和作者沟通

????

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。

▽ 点击 | 阅读原文 | 查看作者博客