• 作者：韩信子@ShowMeAI，路遥@ShowMeAI，奇异果@ShowMeAI
• 教程地址：https://www.showmeai.tech/tutorials/36
• 本文地址：https://www.showmeai.tech/article-detail/250
• 声明：版权所有，转载请联系平台与作者并注明出处
• 收藏ShowMeAI查看更多精彩内容

---

ShowMeAI为斯坦福CS224n《自然语言处理与深度学习(Natural Language Processing with Deep Learning)》课程的全部课件，做了中文翻译和注释，并制作成了GIF动图！视频和课件等资料的获取方式见文末。

---

引言

本篇内容覆盖

• Reflections on word representations / 词向量知识回顾
• Pre-ELMo and ELMO / ELMo模型
• ULMfit and onward / ULMfit模型
• Transformer architectures / Transformer结构
• BERT / BERT

1.词向量知识回顾

1.1 词向量表征

• 现在我们可以获得一个单词的表示
  • 我们开始时学过的单词向量
    • Word2vec，GloVe，fastText

1.2 预训练的词向量

• POS和NER两种表征体系
• 11个词窗，100个隐层神经元，在12w词上训练7周

• 我们可以随机初始化词向量，并根据我们自己的下游任务训练它们
• 但在绝大多数情况下，使用预训练词向量是有帮助的，因为它们本身是自带信息的 (我们可以在更大体量的预训练语料上训练得到它们)

1.3 未知词的词向量应用建议

• 简单且常见的解决方案：

• 训练时：词汇表 {  words occurring, say,  ≥ 5  times  } ∪ { < UNK > } \{\text { words occurring, say, } \geq 5 \text { times }\} \cup\{<\text{UNK}>\} {  words occurring, say, ≥5 times }∪{ <UNK>}

  • 将所有罕见的词 (数据集中出现次数小于 5) 都映射为 $<\text{UNK}>$，为其训练一个词向量

• 运行时：使用 $<\text{UNK}>$ 代替词汇表之外的词 OOV

• 问题：

  • 没有办法区分不同 UNK words，无论是身份还是意义

解决方案

1. 使用字符级模型学习词向量

• 特别是在 QA 中，match on word identity 是很重要的，即使词向量词汇表以外的单词

2. 尝试这些建议 (from Dhingra, Liu, Salakhutdinov, Cohen 2017)

• 如果测试时的 $<\text{UNK}>$ 单词不在你的词汇表中，但是出现在你使用的无监督词嵌入中，测试时直接使用这个向量

• 此外，你可以将其视为新的单词，并为其分配一个随机向量，将它们添加到你的词汇表

• 帮助很大或者也许能帮点忙

• 你可以试试另一件事

  • 将它们分解为词类 (如未知号码，大写等等)，每种都对应一个 $<\text{UNK-class}>$

1.4 单词的表示

存在两个大问题

• 对于一个 word type 总是是用相同的表示，不考虑这个 word token 出现的上下文
  • 我们可以进行非常细粒度的词义消歧
• 我们对一个词只有一种表示，但是单词有不同的方面，包括语义，句法行为，以及表达 / 含义

1.5 我们一直都有解决这个问题的办法吗？

• 在NLM中，我们直接将单词向量 (可能只在语料库上训练) 插入LSTM层
• 那些LSTM层被训练来预测下一个单词
• 但这些语言模型在每一个位置生成特定于上下文的词表示

1.6 #论文解读#

• Semi-supervised sequence tagging with bidirectional language models
• 想法：想要获得单词在上下文的意思，但标准的 RNN 学习任务只在 task-labeled 的小数据上 (如 NER )
• 为什么不通过半监督学习的方式在大型无标签数据集上训练 NLM，而不只是词向量

1.7 标签语言模型 (Tag LM )

• 步骤3：在序列标记模型中同时使用单词嵌入和 LM 嵌入

• 步骤2：为输入序列中的每个标记准备单词嵌入和 LM 嵌入

• 步骤1：预训练词嵌入和语言模型

• 与上文无关的单词嵌入 + RNN model 得到的 hidden states 作为特征输入

$${\mathbf{h}}_{k,l}=\left[{\overrightarrow{\mathbf{h}}}_{k,1};{\overleftarrow{\mathbf{h}}}_{k,1};{\mathbf{h}}_k^{LM}\right]$$

• Char CNN / RNN + Token Embedding 作为 bi-LSTM 的输入
• 得到的 hidden states 与 Pre-trained bi-LM (冻结的) 的 hidden states 连接起来输入到第二层的 bi-LSTM 中

1.8 命名实体识别 (NER)

• 一个非常重要的NLP子任务：查找和分类文本中的实体

1.9 CoNLL 2003命名实体识别 (en news testb)

1.10 #论文解读#

• 语言模型在 Billion word benchmark 的8亿个训练单词上训练

语言模型观察结果

• 在监督数据集上训练的语言模型并不会受益
• 双向语言模型仅有助于 forward 过程，提升约 0.2
• 具有巨大的语言模型设计 (困惑度 30) 比较小的模型 (困惑度 48) 提升约 0.3

任务特定的BiLSTM观察结果

• 仅使用LM嵌入来预测并不是很好：88.17 F1
  • 远低于仅在标记数据上使用 BiLSTM 标记器

1.11 #论文解读#

• https://arxiv.org/pdf/1708.00107.pdf

• 也有一种思路：使用训练好的序列模型，为其他NLP模型提供上下文

• 思路：机器翻译是为了保存意思，所以这也许是个好目标？

• 使用 seq2seq + attention NMT system 中的 Encoder，即 2 层 bi-LSTM，作为上下文提供者

• 所得到的 CoVe 向量在各种任务上都优于 GloVe 向量

• 但是，结果并不像其他幻灯片中描述的更简单的 NLM 训练那么好，所以似乎被放弃了

  • 也许NMT只是比语言建模更难？
  • 或许有一天这个想法会回来？

2.ELMo模型

2.1 #论文解读#ELMo

• Deep contextualized word representations. NAACL 2018.
• word token vectors or contextual word vectors 的爆发版本
• 使用长上下文而不是上下文窗口学习 word token 向量 (这里，整个句子可能更长)
• 学习深度 Bi-NLM，并在预测中使用它的所有层

• 训练一个双向语言模型 (LM)

• 目标是效果 OK 但不要太大的语言模型 (LM)

  • 使用 2 个 biLSTM 层
  • (仅) 使用字符CNN构建初始单词表示
    • 2048 个 char n-gram filters 和 2 个 highway layers，512 维的 projection
  • 4096 dim hidden/cell LSTM状态，使用 512 dim 的对下一个输入的投影
  • 使用残差连接
  • 绑定 token 的输入和输出的参数 (softmax)，并将这些参数绑定到正向和反向语言模型 (LM) 之间

• ELMo 学习 biLM 表示的特定任务组合
• 这是一个创新，TagLM 中仅仅使用堆叠 LSTM 的顶层，ELMo 认为 BiLSTM 所有层都是有用的

$$\begin{array}{rl}{R}_k& =\left\{{\mathbf{x}}_k^{LM},{\overrightarrow{\mathbf{h}}}_{k,j}^{LM},{\overleftarrow{\mathbf{h}}}_{k,j}^{LM}\mid j=1,\dots ,L\right\}\\ & =\left\{{\mathbf{h}}_{k,j}^{LM}\mid j=0,\dots ,L\right\}\end{array}$$

$$\mathbf{ELM}{\mathbf{o}}_k^{task}=E\left(R_k;{\Theta }^{task}\right)={\gamma }^{task}\sum _{j=0}^L{s}_j^{task}{\mathbf{h}}_{k,j}^{LM}$$

• ${\gamma }^{task}$ 衡量 ELMo 对任务的总体有用性，是为特定任务学习的全局比例因子

• ${\mathbf{s}}^{task}$ 是 softmax 归一化的混合模型权重，是 BiLSTM 的加权平均值的权重，对不同的任务是不同的，因为不同的任务对不同层的 BiLSTM 的

• 首先运行 biLM 获取每个单词的表示

• 然后，让 (无论什么) 最终任务模型使用它们

  • 冻结 ELMo 的权重，用于监督模型
  • 将 ELMo 权重连接到特定于任务的模型中
    • 细节取决于任务
      • 像 TagLM 一样连接到中间层是典型的
      • 可以在生产输出时提供更多的表示，例如在问答系统中

2.2 ELMo在序列标记器中的使用

2.3 CoNLL 2003命名实体识别 (en news testb)

2.4 ELMo结果：适用于所有任务

2.5 ELMo ：层权重

• 这两个 biLSTM NLM 层有不同的用途 / 含义

  • 低层更适合低级语法，例如
    • 词性标注(part-of-speech tagging)、句法依赖(syntactic dependency)、NER
  • 高层更适合更高级别的语义
    • 情绪、语义角色标记、问答系统、SNLI

• 这似乎很有趣，但它是如何通过两层以上的网络来实现的看起来更有趣

3.ULMfit模型

3.1 ULMfit

• Howard and Ruder (2018) Universal Language Model Fine-tuning for Text Classification.
  • 转移 NLM 知识的一般思路是一样的
  • 这里应用于文本分类

• 在大型通用领域的无监督语料库上使用 biLM 训练

  • 在目标任务数据上调整 LM
  • 对特定任务将分类器进行微调

• 使用合理大小的 1 GPU 语言模型，并不是真的很大

• **在LM调优中要注意很多 **

  • 不同的每层学习速度
  • 倾斜三角形学习率 (STLR) 计划

• 学习分类器时逐步分层解冻和STLR

• 使用 $\left[h_T,\mathrm{maxpool}(\mathbf{h}),\mathrm{meanpool}(\mathbf{h})\right]$ 进行分类

• 使用大型的预训练语言模型，是一种提高性能的非常有效的方法

3.2 ULMfit性能

• 文本分类器错误率

3.3 ULMfit迁移学习

• 迁移学习

3.4 让我们扩大规模

补充说明

• 如果使用监督数据进行训练文本分类器，需要大量的数据才能学习好

3.5 GPT-2语言模型(cherry-picked)输出

补充说明

• 文本生成的样例

3.6 GPT-2语言模型(cherry-picked)输出

4.Transformer结构

4.1 Transformer介绍

• 所有这些模型都是以Transformer为主结构的，我们应该学习一下Transformer吧

补充说明

• Transformer 不仅很强大，而且允许扩展到更大的尺寸

4.2 Transformers 动机

• 我们想要并行化，但是RNNs本质上是顺序的

• 尽管有 GRUs 和 LSTMs，RNNs 仍然需要注意机制来处理长期依赖关系——否则状态之间的 path length 路径长度 会随着序列增长

• 但如果注意力让我们进入任何一个状态……也许我们可以只用注意力而不需要RNN?

4.3 Transformer 概览

• Attention is all you need. 2017. Aswani, Shazeer, Parmar, Uszkoreit, Jones, Gomez, Kaiser, Polosukhin

• 序列到序列编码解码模型，但它是非循环非串行结构

• 任务：平行语料库的机器翻译

• 预测每个翻译单词

• 最终成本/误差函数是 softmax 分类器基础上的标准交叉熵误差

4.4 Transformer 基础

• 自学 transformer

  • 主要推荐资源
    • http://nlp.seas.harvard.edu/2018/04/03/attention.html
    • The Annotated Transformer by Sasha Rush
  • 一个使用PyTorch的Jupyter笔记本，解释了一切！

• 现在：我们定义 Transformer 网络的基本构建块：第一，新的注意力层

4.5 点乘注意力 Dot-Product Attention

• 输入：对于一个输出而言的查询 $q$ 和一组键-值对 ($k-v$)

• Query，keys，values，and output 都是向量

• 输出值的加权和

• 权重的每个值是由查询和相关键的内积计算结果

• Query 和 keys 有相同维数 $d_k$，value 的维数为 $d_v$

$$A(q,K,V)=\sum _i\frac{e^{q\cdot k_i}}{{\sum }_j{e}^{q\cdot k_j}}{v}_i$$

4.6 点乘注意力矩阵表示法

• 当我们有多个查询 $q$ 时，我们将它们叠加在一个矩阵 $Q$ 中

$$A(Q,K,V)=\mathrm{softmax}\left(Q{K}^T\right)V$$

4.7 缩放点乘注意力

• 问题：$d_k$ 变大时，$q^{T}k$ 的方差增大 → 一些 softmax 中的值的方差将会变大 → softmax 得到的是峰值 → 因此梯度变小了

• 解决方案：通过 query / key 向量的长度进行缩放

$$A(Q,K,V)=\mathrm{softmax}\left(\frac{Q{K}^T}{\sqrt{d_k}}\right)V$$

4.8 编码器中的自注意力

• 输入单词向量是 queries，keys and values

• 换句话说：这个词向量自己选择彼此

• 词向量堆栈= Q = K = V

• 我们会通过解码器明白为什么我们在定义中将他们分开

4.9 多头注意力

• 简单 self-attention 的问题

  • 单词只有一种相互交互的方式

• 解决方案：多头注意力

• 首先，通过矩阵 $W$ 将 $Q$，$K$，$V$ 映射到 $h=8$ 的许多低维空间

• 然后，应用注意力，然后连接输出，通过线性层

$$\text{MultiHead}(\mathbf{Q},\mathbf{K},\mathbf{V})={\text{Concat(head}}_1,\dots ,{\text{ head }}_h)$$

$${\text{where head}}_i=\text{Attention}\left(Q{W}_i^Q,K{W}_i^K,V{W}_i^V\right)$$

4.10 完整的transformer模块

• 每个 Block 都有两个 子层

  • 多头 attention
  • 两层的前馈神经网络，使用 ReLU

• 这两个子层都

  • 残差连接以及层归一化
  • LayerNorm(x+Sublayer(x))
  • 层归一化将输入转化为均值是 $0$，方差是 $1$，每一层和每一个训练点 (并且添加了两个参数)

$${\mu }^l=\frac{1}{H}\sum _{i=1}^H{a}_i^l{\sigma }^l=\sqrt{\frac{1}{H}\sum _{i=1}^H{\left(a_i^l-{\mu }^l\right)}^2}{h}_i=f\left(\frac{g_i}{{\sigma }_i}\left(a_i-{\mu }_i\right)+b_i\right)$$

• Layer Normalization by Ba, Kiros and Hinton,
• https://arxiv.org/pdf/1607.06450.pdf

4.11 编码器输入

• 实际的词表示是 byte-pair 编码

• 还添加了一个 positional encoding 位置编码，相同的词语在不同的位置有不同的整体表征

$$\begin{array}{r}\{\begin{array}{l}PE(pos,2i)=\sin \left(pos/10000^{2i/d_{model}}\right)\\ PE(\text{pos},2i+1)=\cos \left(pos/10000^{2i/d_{model}}\right)\end{array}\end{array}$$

4.12 完整编码器Encoder

• encoder 中，每个 Block 都是来自前一层的 $Q$，$K$，$V$

• Blocks 被重复 6 次 (垂直方向)

• 在每个阶段，你可以通过多头注意力看到句子中的各个地方，累积信息并将其推送到下一层。在任一方向上的序列逐步推送信息来计算感兴趣的值

• 非常善于学习语言结构

4.13 第5层的注意力可视化

• 词语开始以合理的方式关注其他词语
• 不同的颜色对应不同的注意力头

4.14 注意力可视化

• Implicit anaphora resolution
• 对于代词，注意力头学会了如何找到其指代物
• 在第五层中，从 head 5 和 6 的单词 its 中分离出来的注意力。请注意，这个词的注意力是非常鲜明的。

4.15 Transformer解码器

• decoder 中有两个稍加改变的子层

• 对之前生成的输出进行 Masked decoder self-attention

• Encoder-Decoder Attention，queries 来自于前一个 decoder 层，keys 和 values 来自于 encoder 的输出

• Blocks 同样重复 6 次

4.16 Transformer的技巧与建议

细节(论文/之后的讲座)

• Byte-pair encodings

• Checkpoint averaging

• Adam 优化器控制学习速率变化

• 训练时，在每一层添加残差之前进行 Dropout

• 标签平滑

• 带有束搜索和长度惩罚的自回归解码

• 因为 transformer 正在蔓延，但他们很难优化并且不像LSTMs那样开箱即用，他们还不能很好与其他任务的构件共同工作

4.17 Transformer机器翻译实验结果

4.18 Transformer解析任务实验结果

5.BERT模型

5.1 #论文解读# BERT

• BERT (Bidirectional Encoder Representations from Transformers): Pre-training of Deep Bidirectional Transformers for Language Understanding
• BERT：用于语言理解的预训练深度双向 transformers

• 问题：语言模型只使用左上下文或右上下文，但语言理解是双向的

• 为什么LMs是单向的？

  • 原因1：方向性对于生成格式良好的概率分布是有必要的 [我们不在乎这个]
  • 原因2：双向编码器中单词可以 看到自己

• 单向 与 双向 上下文对比

• 解决方案：掩盖 $k\%$ 的输入单词，然后预测 masked words

• 不再是传统的计算生成句子的概率的语言模型，目标是填空

  • 总是使用 $k=15\%$

• Masking 太少：训练太昂贵

• Masking 太多：没有足够的上下文

• GPT 是经典的单项的语言模型
• ELMo 是双向的，但是两个模型是完全独立训练的，只是将输出连接在一起，并没有使用双向的 context
• BERT 使用 mask 的方式进行整个上下文的预测，使用了双向的上下文信息

5.2 BERT 训练任务：预测下一句

• 学习句子之间的关系，判断句子 B 是句子 A 的后一个句子还是一个随机的句子。

5.3 BERT 句对编码

• token embeddings 是 word pieces (paly, ##ingpaly, ##ing)
• 使用学习好的分段嵌入表示每个句子
• 位置嵌入与其他 Transformer 体系结构类似
• 将以上三种 embedding 相加，作为最终输入的表示

5.4 BERT 模型结构与训练

• Transformer encoder (和之前的一样)

• 自注意力 ⇒ 没有位置偏差

  • 长距离上下文 机会均等

• 每层乘法 ⇒ GPU / TPU上高效

• 在 Wikipedia + BookCorpus 上训练

• 训练两种模型尺寸

  • BERT-Base: 12-layer, 768-hidden, 12-head
  • BERT-Large: 24-layer, 1024-hidden, 16-head

• Trained on 4x4 or 8x8 TPU slice for 4 days

5.5 BERT 模型微调

• 只学习一个建立在顶层的分类器，微调的每个任务

5.6 BERT GLUE多任务结果

• GLUE benchmark 是由自然语言推理任务，还有句子相似度和情感

• MultiNLI

  • Premise: Hills and mountains are especially sanctified in Jainism.
  • Hypothesis: Jainism hates nature.
  • Label: Contradiction

• CoLa

  • Sentence: The wagon rumbled down the road. Label: Acceptable
  • Sentence: The car honked down the road. Label: Unacceptable

5.7 CoNLL 2003命名实体识别 (en news testb)

5.8 BERT在SQuAD问答上的表现

5.9 BERT预训练任务效果

5.10 BERT参数量级对效果影响

• 从 119M 到 340M 的参数量改善了很多
• 随参数量提升还在提高

5.11 推荐阅读

• The Annotated Transformer 代码解析

  • https://github.com/rsennrich/subword-nmt
  • https://github.com/opennmt/opennmt-py

• jalammar 的一系列可视化简单教程

  • Visualizing A Neural Machine Translation Model (Mechanics of Seq2seq Models With Attention)
  • The Illustrated Transformer

6.视频教程

可以点击 B站 查看视频的【双语字幕】版本

7.参考资料

• 《斯坦福NLP名课带学详解 | CS224n》本讲带学的动态翻页PPT在线阅翻页-Lecture13
• 《斯坦福CS224n深度学习与自然语言处理》课程学习指南
• 《斯坦福CS224n深度学习与自然语言处理》课程大作业解析
• 【双语字幕视频】斯坦福CS224n | 深度学习与自然语言处理(2019·全20讲)
• Stanford官网 | CS224n: Natural Language Processing with Deep Learning

ShowMeAI 深度学习与自然语言处理教程（完整版）

• ShowMeAI 深度学习与自然语言处理教程(1) - 词向量、SVD分解与Word2vec
• ShowMeAI 深度学习与自然语言处理教程(2) - GloVe及词向量的训练与评估
• ShowMeAI 深度学习与自然语言处理教程(3) - 神经网络与反向传播
• ShowMeAI 深度学习与自然语言处理教程(4) - 句法分析与依存解析
• ShowMeAI 深度学习与自然语言处理教程(5) - 语言模型、RNN、GRU与LSTM
• ShowMeAI 深度学习与自然语言处理教程(6) - 神经机器翻译、seq2seq与注意力机制
• ShowMeAI 深度学习与自然语言处理教程(7) - 问答系统
• ShowMeAI 深度学习与自然语言处理教程(8) - NLP中的卷积神经网络
• ShowMeAI 深度学习与自然语言处理教程(9) - 句法分析与树形递归神经网络

ShowMeAI 斯坦福NLP名课 CS224n带学详解（20讲·完整版）

• 斯坦福NLP名课带学详解 | CS224n 第1讲 - NLP介绍与词向量初步
• 斯坦福NLP名课带学详解 | CS224n 第2讲 - 词向量进阶
• 斯坦福NLP名课带学详解 | CS224n 第3讲 - 神经网络知识回顾
• 斯坦福NLP名课带学详解 | CS224n 第4讲 - 神经网络反向传播与计算图
• 斯坦福NLP名课带学详解 | CS224n 第5讲 - 句法分析与依存解析
• 斯坦福NLP名课带学详解 | CS224n 第6讲 - 循环神经网络与语言模型
• 斯坦福NLP名课带学详解 | CS224n 第7讲 - 梯度消失问题与RNN变种
• 斯坦福NLP名课带学详解 | CS224n 第8讲 - 机器翻译、seq2seq与注意力机制
• 斯坦福NLP名课带学详解 | CS224n 第9讲 - cs224n课程大项目实用技巧与经验
• 斯坦福NLP名课带学详解 | CS224n 第10讲 - NLP中的问答系统
• 斯坦福NLP名课带学详解 | CS224n 第11讲 - NLP中的卷积神经网络
• 斯坦福NLP名课带学详解 | CS224n 第12讲 - 子词模型
• 斯坦福NLP名课带学详解 | CS224n 第13讲 - 基于上下文的表征与NLP预训练模型
• 斯坦福NLP名课带学详解 | CS224n 第14讲 - Transformers自注意力与生成模型
• 斯坦福NLP名课带学详解 | CS224n 第15讲 - NLP文本生成任务
• 斯坦福NLP名课带学详解 | CS224n 第16讲 - 指代消解问题与神经网络方法
• 斯坦福NLP名课带学详解 | CS224n 第17讲 - 多任务学习(以问答系统为例)
• 斯坦福NLP名课带学详解 | CS224n 第18讲 - 句法分析与树形递归神经网络
• 斯坦福NLP名课带学详解 | CS224n 第19讲 - AI安全偏见与公平
• 斯坦福NLP名课带学详解 | CS224n 第20讲 - NLP与深度学习的未来

ShowMeAI系列教程精选推荐

• 大厂技术实现：推荐与广告计算解决方案
• 大厂技术实现：计算机视觉解决方案
• 大厂技术实现：自然语言处理行业解决方案
• 图解Python编程：从入门到精通系列教程
• 图解数据分析：从入门到精通系列教程
• 图解AI数学基础：从入门到精通系列教程
• 图解大数据技术：从入门到精通系列教程
• 图解机器学习算法：从入门到精通系列教程
• 机器学习实战：手把手教你玩转机器学习系列
• 深度学习教程：吴恩达专项课程 · 全套笔记解读
• 自然语言处理教程：斯坦福CS224n课程 · 课程带学与全套笔记解读
• 深度学习与计算机视觉教程：斯坦福CS231n · 全套笔记解读