【专题学习】对比学习原理及代码

本来的雄心壮志是大致看完计算机视觉 - 对比学习的13篇文章（精读+略读），结果看了前两篇发现真的很难理解。最后，调整下目标：先以InstDisc和CPC两篇文章作为引入，搞清楚NCE loss和InfoNCE loss的原理及代码，最后达到可以在自己的任务中设计这两种损失的程度…

InstDisc

2018-CVPR-Unsupervised Feature Learning via Non-Parametric Instance Discrimination
任务：无监督特征学习
代理任务：个体判别
基本思想：将每个个体都当作是一个独立的类，来学习每个类的特征表示
主要创新：类如果太多的话，常规的softmax方法会因为计算爆炸而无法处理那么多类，于是使用了NCE方法来将多分类问题转化为二分类问题
其他创新：1）将原本有参数的softmax分类器替换为存储个体特征的无参数内存银行；2）测试阶段使用加权的knn算法来对目标样本进行个体判别
备注：在距离计算中使用了温度超参数$\tau$来控制特征在映射空间中的分散程度
NCE loss原理分析：
$J_{NCE}(\theta )=-E_{P_d}[logh(i,v)]-m{E}_{P_n}[log(1-h(i,v^{{}^{\prime }}))]$，$P_n$包括两部分：target在噪声分布中对应的概率，记为$P_{n:target}$；及noise在噪声分布中对应的概率，记为$P_{n:noise}$
其中，$h(i,v):=P(D=1|i,v)=\frac{P(i|v)}{P(i|v)+m{P}_{n:target}(i)}$
而$P(i|v)=\frac{exp(v^T{f}_i/\tau )}{{\sum }_{j=1}^{n}exp(v_j^T{f}_i/\tau )}$
相应地，$h(i,v^{{}^{\prime }}):=P(D=0|i,v)=\frac{P(i|v^{{}^{\prime }})}{P(i|v^{{}^{\prime }})+m{P}_{n:noise}(i)}$
$P(i|v^{{}^{\prime }})=\frac{exp(v^{{}^{\prime }T}{f}_i/\tau )}{{\sum }_{j=1}^{n}exp(v_j^T{f}_i/\tau )}$
总结下，NCE损失是一个二元交叉熵损失的形式，其中第一项是对正例进行的计算，$P_d$是指真实分布；第二项是对负例进行的计算，$P_n$是指噪声分布；$v$表示target计算出的特征，$v^{{}^{\prime }}$表示noise计算出的特征
NCE loss代码分析：
这里找了一个github上面比较popular的RNNLM（RNN语言模型）的代码来分析（主要是因为轻松就能运行，不用复杂地下数据集配环境啥的），接下来以这个代码为例，结合上面的公式进行分析：

p_true = logit_model.exp() / (logit_model.exp() + self.noise_ratio * logit_noise.exp())

这一句是在计算$J_{NCE}$中的$h(i,v)$和$h(i,v^{{}^{\prime }})$，其中self.noise_ratio是指负样本数量是正样本数量的多少倍，即公式中的$m$，代码中是$50$；具体来说，p_true其实就是$[h(i,v),h(i,v^{{}^{\prime }})]$（$[\ast ,\ast \ast ]$表示对$\ast$和$\ast \ast$进行concat），维度是bsz, max_len, num_target+noise_ratio=1+m=51；有了p_true之后，再准备好label就可以进行二元交叉熵损失的计算了：

label = torch.zeros_like(logit_model)
label[:, :, 0] = 1

loss = self.bce_with_logits(p_true, label).sum(dim=2)

而logit_model和logit_noise及相应的变量（dim=2的维度上是51的变量）也都需要拆开为两部分来看，其中[:, :, 0]代表真实数据部分，而[:, :, 1:]代表噪声部分；下面分开介绍logit_model和logit_noise：

1. logit_model.exp()表示的是$[P(i|v),P(i|v^{{}^{\prime }})]$（logit_model是此概率的对数，维度是bsz, max_len, num_target+noise_ratio=51），其计算方式为：

logit_model = torch.cat([logit_target_in_model.unsqueeze(2), logit_noise_in_model], dim=2)

logit_target_in_model计算的是$P(i|v)$，表示模型计算出的正样本(target)单词的logit，维度是bsz, max_len, 1，其实是当前样本与正样本放入模型后的输出之间的内积，但是这个内积并没有经过温度超参数$\tau$的调整和softmax归一化（原InstDisc公式中之所以用softmax归一化，是因为个体判别任务中类别概念的存在）；

而logit_noise_in_model则表示模型计算出的负样本(noise)单词的logit，计算的是$P(i|v^{{}^{\prime }})$；维度是bsz, max_len, noise_ratio，其实是当前样本与负样本放入模型后的输出之间的内积；

先看logit_target_in_model，想要计算正样本的logit，只需要找到正样本的单词对应词汇表的index，再放入模型就可以了；正样本直接从数据集中拿

而logit_noise_in_model，则需要先构造负样本，构造过程需要确定三个东西：1）负样本符合的分布；2）负样本的数量；3）生成负样本的方法；代码中给出的解决方案是：
1）使用数据集中原本的单词分布来作为负样本的分布：

def build_unigram_noise(freq):
    total = freq.sum() # freq表示数据集中不同单词出现的频率，这个用很多现成包可以直接计算
    noise = freq / total
    assert abs(noise.sum() - 1) < 0.001
    return noise

2）负样本的数量即noise_ratio，这里是$50$
3）生成负样本的方法使用别名方法，听说这种方法更快，别名方法类存储在/nce/alias_multinomial.py中，其中__init__()方法用于初始化，draw()方法用于按照分布抽取某个数量的采样

2. logit_noise.exp()表示的是噪声分布，logit_noise的计算方式是：

logit_noise = torch.cat([logit_target_in_noise.unsqueeze(2), logit_noise_in_noise], dim=2)

其中，logit_target_in_noise表示的是噪声分布给出的正样本的logit，即$P_{n:target}$；logit_noise_in_noise表示的是噪声分布给出的负样本的logit，即$P_{n:noise}$。这两者的计算方式是：

probs = noise / noise.sum() # noise已经介绍过了，是所有的单词在词汇表中出现的频率
probs = probs.clamp(min=BACKOFF_PROB)
renormed_probs = probs / probs.sum()

self.register_buffer('logprob_noise', renormed_probs.log())
logit_noise_in_noise = self.logprob_noise[noise_samples.data.view(-1)].view_as(noise_samples)
logit_target_in_noise = self.logprob_noise[target.data.view(-1)].view_as(target)

也就是说，直接在归一化的负样本分布（也是所有单词的分布）中找到target_word（正样本对应的单词）或noise_word（负样本选取的单词）对应的频率；
总结：
总算是把公式和代码对应起来了，两者如此难理解的原因是，代码中把真实数据分布和噪声部分concat在一起做了计算，这个蜜汁操作一度让我百思不得其解…现在看来，代码和公式中唯一不同的地方就在于$P$的计算是否经过温度超参数$\tau$的调整和softmax归一化了

CPC

2018-arXiv-Representation Learning with Contrastive Predictive Coding
任务：无监督特征学习
代理任务：预测编码（本来是神经科学中的名词，这里解释一下，即利用前t个时间步的输入$\{x_1,x_2,...,x_t\}$学习时间步t的表示$c_t$，使这个表示能够更好地预测未来时间步的表示$\{x_{t+1},x_{t+2},...,x_{t+k}\}$）
动机：希望能够通过学习不同时间步信号的底层共享信息，来学习到一个好的表示
网络流程：将输入$\{x_1,x_2,...,x_t\}$首先放入编码器$g_{enc}$得到$\{z_1,z_2,...,z_t\}$，然后放入自回归模型$g_{ar}$得到目标表示$c_t$，通过$c_t$来预测未来的表示$\{\widehat{z_{t+1}},\widehat{z_{t+2}},...,\widehat{z_{t+k}}\}$，将此预测与真实的通过$\{x_{t+1},x_{t+2},...,x_{t+k}\}$放入$g_{enc}$得到的$\{z_{t+1},z_{t+2},...,z_{t+k}\}$比较，准确的说是构建对比损失InfoNCE，从而更好的学习目标表示$c_t$

InfoNCE loss原理分析：
$L_N=-E_X[log\frac{f_k(x_{t+k},c_t)}{{\sum }_{x_j\in X}{f}_k(x_j,c_t}]$
其中，$f_k(x_{t+k},c_t)=exp(z_{t+k}^T\widehat{z_{t+k}})$
其中，$\widehat{z_{t+k}}=W_k{c}_t$
损失函数是一个softmax交叉熵损失的形式，当分子越大，使得整个分式更接近1的时候（不会大于1），损失函数最小，因此要使预测得到的$\hat{z}$和真实的$z$尽可能相乘更大，即更相近
InfoNCE loss代码分析：

TO BE CONTINUED

构造NCE损失

构造过程如下：

1. 确定公式中的样本$i$和正样本$v$，从而计算出$P(i|v)$（这一步还是比较容易的）
2. 确定负样本服从的分布及采样方式。这一步通常是较困难的，它往往跟特定任务有关；比如InstDisc这篇文章中，就是以$\frac{1}{n}$这个均匀分布作为样本服从的分布，$n$为类别数（因为是个体判别任务，所以也是样本数）；而NCE代码中介绍的RNN语言模型任务，就是以每个单词在训练集中出现的频率作为选择负样本的分布；我的任务是一个检索任务，一般来说，检索任务的正样本和负样本都是现成的，可以直接用，但是负样本的选取往往会影响模型最终的性能，负样本与正样本的区分难度越大，模型越容易competitive
3. 调整$m$、$\tau$等超参数以适应特定网络