Mindspore 公开课 - prompt

prompt 介绍

Fine-Tuning to Prompt Learning

Pre-train, Fine-tune

1. BERT

• bidirectional transformer，词语和句子级别的特征抽取，注重文本理解
• Pre-train: Maked Language Model + Next Sentence Prediction
• Fine-tune: 根据任务选取对应的representation（最后一层hidden state输出），放入线性层中

例：Natural Language Inference

Pre-train, Fine-tune: models

1. BERT
   • bidirectional transformer，词语和句子级别的特征抽取，注重文本理解
   • Pre-train: Maked Language Model + Next Sentence Prediction
   • Fine-tune: 根据任务选取对应的representation（最后一层hidden state输出），放入线性层中
     例：Named Entity Recognition
     

Pre-train, Fine-tune: models

2. GPT
   • auto-regressive model，通过前序文本预测下一词汇，注重文本生成
   • Pre-train: L 1 ( U ) = ∑ i log ⁡ P ( u i ∣ u i − k , ... , u i − 1 ; Θ ) L_1(\mathcal{U})=\sum_i \log P\left(u_i \mid u_{i-k}, \ldots, u_{i-1} ; \Theta\right) L1(U)=∑ilogP(ui∣ui−k,...,ui−1;Θ)
   • Fine-tune: task-specific input transformations + fully-connected layer
     

Pre-train, Fine-tune: challenges

1. gap between pre-train and fine-tune

少样本学习能力差、容易过拟合

Pre-train, Fine-tune: challenges

1. gap between pre-train and fine-tune

少样本学习能力差、容易过拟合

Pre-train, Fine-tune: challenges

2. cost of fine-tune

现在的预训练模型参数量越来越大，为了一个特定的任务去 finetuning 一个模型，然后部署于线上业务，也会造成部署资源的极大浪费

Pre-train, Prompt, Predict: what is prompting

• fine-tuning: 通过改变模型结构，使模型适配下游任务
• prompt learning: 模型结构不变，通过重构任务描述，使下游任务适配模型

Pre-train, Prompt, Predict: workflow of prompting

Pre-train, Prompt, Predict: workflow of prompting

1. Template: 根据任务设计prompt模板，其中包含 input slot[X] 和 answer slot [Z]，后根据模板在 input slot 中填入输入
2. Mapping (Verbalizer): 将输出的预测结果映射回label

Pre-train, Prompt, Predict: prompt design

Prompting 中最主要的两个部分为 template 与 verbalizer 的设计。

他们可以分别基于任务类型和预训练模型选择(shape)或生成方式(huamn effort)进行分类。