Transformer系列模型笔记

1.word2vec

1.1 CBOW(词袋模型)

根据上下出现的单词预测中间的单词，包括输入层、投影层、输出层。输入层包括上下出现单词的向量化表示；投影层是把输入层的向量累加求和后做映射；输出层(计算语料库中所有单词的概率，计算量大！)所以设计的底层是一颗哈夫曼树，按照语料库中单词出现的频率作为权重进行构建，出现频率越高的节点在树中层数越浅。

1.2 skip-gram

与词袋模型刚好相反，skip-gram模型是根据当前词推测当前单词可能的前后单词。

构建上下文词–目标词的数据集，采用了负采样技巧，使用上下文词+随机从语料库中选取词语构成负样本，将任务转化为逻辑回归N元分类任务。

2.Transformer

2.1预训练模型

为什么要研究预训练模型？

有大量任务中存在无标注数据，若采用人工标注则费时费力。那么我们可以采用先使用大规模数据集训练一个大模型，再利用我们手头少量数据集做微调。

2.2训练过程

略

2.3模型优势

比起CNN，CNN只能通过卷积核提取到局部信息，而对于文本数据忽略了长距离的依赖。

比起RNN，RNN随着距离的增加，信息衰减严重，而transformer不存在距离问题它只取决于两者的相关性。RNN建模当前词时只会用到前面的词，而transformer建模当前词时不仅可以用到前面的词也会用到后面的词。RNN无法做到并行计算，只能一步一步计算隐藏层状态。

2.4位置编码

为了解决句子中的时序问题，transformer引入了位置编码。

当位置为偶数时为sin(××)，位置为奇数时为cos(××)。

2.5解码器的两个注意力层

第一个是带masked的多头注意力层，本质上是一个自注意力层，与Encoder不同的是该自注意力层只允许关注已输出位置的信息，在通过softmax之前进行mask使之变为一个很大的负数。

第二个是不带masked的多头注意力层，也叫Encoder-Decoder注意力层。不同的是，Decoder中的qkv只有q来源于上一个Decoder的输出，kv全部来源于Encoder的最后一层输出。

3.ELMO模型

产生原因：因为word2vec无法区分多义词的不同语义，因此ELMO可以根据上下文动态调整：预训练（双层双向LSTM）+ 特征融合。伪双向—分开训练的！！！

本质思想：事先用语言模型学好一个单词的Word Embedding，然后在实际使用Word Embedding的时候，单词已经具备了特定的上下文了，这个时候可以根据上下文单词的语义去调整单词的Word Embedding表示，这样经过调整后的Word Embedding更能表达在这个上下文中的具体含义，自然也就解决了多义词的问题了。

ELMO虽然采用的双向结构，但两个方向是彼此独立训练的，从而避免了已知答案去预测答案的情况。

**【使用】**ELMO会得到三个Embedding向量：单词的word Embedding、第一层LSTM对应的Embedding(表示单词的句法信息)、第二次LSTM对应的Embedding(表示单词的语义信息)。分别给予这三个Embedding一个权重(这个权重可以通过学习得到)，将三个Embedding分别乘以权重再进行累加后得到一个Embedding，将它作为补充的新特征用于下游任务。

4.生成式预训练模型GPT

GPT使用了transformer中的Encoder结构，其中的self-Attention替换为了masked的self-Attention，从而每个位置的词看不到后面的词。

为什么采用单向不采用双向：因为模型要训练预测能力，双向结构可以看到中间要预测的单词。因此GPT放弃了transformer的双向结构改用单向结构，也奠定了GPT根据已有的上下文生成下文的任务。

**【使用】**下游任务要向GPT的网络结构看齐，在做下游任务时GPT的参数初始化为预训练好的GPT网络参数，最后使用手头的任务训练这个网络并进行微调。

5.集大成者Bert

Bert使用了双向的transformer的结构集成，Bert综合了ELMO的双向优势与GPT的transformer特征提取优势。

**【使用】**同样是预训练，在下游任务中进行微调。

【输入输出部分的处理】为了适配多任务下的迁移学习，Bert设计了更通用的输入层和输出层。起始位置用[CLS]标识，两个句子用[SEP]分割，每个单词有三个Embedding—单词Embedding（有的单词会被拆分为一组公共字词单元，如playing被拆为play和ing）、句子Embedding、位置信息Embedding，将这三个Embedding直接相加得到最终输入。

**【两个创新】**Bert除了集中了前两个模型的优势之外，还做出了两个创新。

一个是让Bert具备通过上下文做预测的能力。具体做法是将大量的词替换为，模型需要通过上下文去预测这些标签。但是，直接将大量的词替换为标签可能会造成一些问题，模型可能会认为只需要预测相应的输出就行，其他位置的输出就无所谓。同时Fine-Tuning阶段的输入数据中并没有标签，也有数据分布不同的问题。因此文本中15%的词用于预测，这15%中的80%被替换为，10%的词被替换为其他词，另外10%保持不动。

另一个是让Bert具备判断句子B是否为句子A下文的能力。50%的训练数据选择语料库中真正相连的两个句子，50%的训练数据是从语料库中随机选取一个句子拼在第一个句子后面。这个做法相当于token级别的完形填空。