预训练语言模型的前世今生 - 从Word Embedding到BERT

目录

• 一、预训练
  • 1.1 图像领域的预训练
  • 1.2 预训练的思想
• 二、语言模型
  • 2.1 统计语言模型
  • 2.2 神经网络语言模型
• 三、词向量
  • 3.1 独热（Onehot）编码
  • 3.2 Word Embedding
• 四、Word2Vec 模型
• 五、自然语言处理的预训练模型
• 六、RNN 和 LSTM
  • 6.1 RNN
  • 6.2 RNN 的梯度消失问题
  • 6.3 LSTM
  • 6.4 LSTM 解决 RNN 的梯度消失问题
• 七、ELMo 模型
  • 7.1 ELMo 的预训练
  • 7.2 ELMo 的 Feature-based Pre-Training
• 八、Attention
  • 8.1 人类的视觉注意力
  • 8.2 Attention 的本质思想
  • 8.3 Self Attention 模型
  • 8.4 Self Attention 和 RNN、LSTM 的区别
  • 8.5 Masked Self Attention 模型
  • 8.6 Multi-head Self Attention 模型
• 九、Position Embedding
• 十、Transformer
  • 10.1 Transformer 的结构
  • 10.2 Encoder
  • 10.3 Decoder
  • 10.4 Transformer 输出结果
• 十一、Transformer 动态流程展示
  • 11.1 为什么 Decoder 需要做 Mask
  • 11.2 为什么 Encoder 给予 Decoders 的是 K、V 矩阵
• 十二、GPT 模型
  • 12.1 GPT 模型的预训练
  • 12.2 GPT 模型的 Fine-tuning
• 十三、BERT 模型
  • 13.1 BERT：公认的里程碑
  • 13.2 BERT 的结构：强大的特征提取能力
  • 13.3 BERT 之无监督训练
  • 13.4 BERT之语言掩码模型（MLM）
  • 13.5 BERT 之下句预测（NSP）
  • 13.6 BERT 之输入表示
• 十四、BERT 下游任务改造
  • 14.1 句对分类
  • 14.2 单句分类
  • 14.3 文本问答
  • 14.4 单句标注
  • 14.5 BERT效果展示
• 十五、预训练语言模型总结
• 十六、参考资料

Bert 最近很火，应该是最近最火爆的 AI 进展，网上的评价很高，从模型创新角度看一般，创新不算大。但是架不住效果太好了，基本刷新了很多 NLP 的任务的最好性能，有些任务还被刷爆了，这个才是关键。另外一点是 Bert 具备广泛的通用性，就是说绝大部分 NLP 任务都可以采用类似的两阶段模式直接去提升效果，这个第二关键。客观的说，把 Bert 当做最近两年 NLP 重大进展的集大成者更符合事实。

本文的主题是预训练语言模型的前世今生，会大致说下 NLP 中的预训练技术是一步一步如何发展到 Bert 模型的，从中可以很自然地看到 Bert 的思路是如何逐渐形成的，Bert 的历史沿革是什么，继承了什么，创新了什么，为什么效果那么好，主要原因是什么，以及为何说模型创新不算太大，为何说 Bert 是近年来 NLP 重大进展的集大成者。

预训练语言模型的发展并不是一蹴而就的，而是伴随着诸如词嵌入、序列到序列模型及 Attention 的发展而产生的。

DeepMind 的计算机科学家 Sebastian Ruder 给出了 21 世纪以来，从神经网络技术的角度分析，自然语言处理的里程碑式进展，如下表所示：

年份	2013 年	2014 年	2015 年	2016 年	2017 年
技术	word2vec	GloVe	LSTM/Attention	Self-Attention	Transformer

年份	2018 年	2019 年	2020 年
技术	GPT/ELMo/BERT/GNN	XLNet/BoBERTa/GPT-2/ERNIE/T5	GPT-3/ELECTRA/ALBERT

本篇文章将会通过上表显示的 NLP 中技术的发展史一一叙述，由于 19 年后的技术大都是 BERT 的变体，在这里不会多加叙述，读者可以自行加以了解。

一、预训练

1.1 图像领域的预训练

在介绍图像领域的预训练之前，我们首先介绍下卷积神经网络（CNN），CNN 一般用于图片分类任务，并且CNN 由多个层级结构组成，不同层学到的图像特征也不同，越浅的层学到的特征越通用（横竖撇捺），越深的层学到的特征和具体任务的关联性越强（人脸-人脸轮廓、汽车-汽车轮廓），如下图所示：

由此，当领导给我们一个任务：阿猫、阿狗、阿虎的图片各十张，然后让我们设计一个深度神经网络，通过该网络把它们三者的图片进行分类。

对于上述任务，如果我们亲手设计一个深度神经网络基本是不可能的，因为深度学习一个弱项就是在训练阶段对于数据量的需求特别大，而领导只给我们合计三十张图片，显然这是不够的。

虽然领导给我们的数据量很少，但是我们是否可以利用网上现有的大量已做好分类标注的图片。比如 ImageNet 中有 1400 万张图片，并且这些图片都已经做好了分类标注。

上述利用网络上现有图片的思想就是预训练的思想，具体做法就是：

1. 通过 ImageNet 数据集我们训练出一个模型 A
2. 由于上面提到 CNN 的浅层学到的特征通用性特别强，我们可以对模型 A 做出一部分改进得到模型 B（两种方法）：
   1. 冻结：浅层参数使用模型 A 的参数，高层参数随机初始化，浅层参数一直不变，然后利用领导给出的 30 张图片训练参数
   2. 微调：浅层参数使用模型 A 的参数，高层参数随机初始化，然后利用领导给出的 30 张图片训练参数，但是在这里浅层参数会随着任务的训练不断发生变化

通过上述的讲解，对图像预训练做个总结（可参照上图）：对于一个具有少量数据的任务 A，首先通过一个现有的大量数据搭建一个 CNN 模型 A，由于 CNN的浅层学到的特征通用性特别强，因此在搭建一个 CNN 模型 B，其中模型 B 的浅层参数使用模型 A 的浅层参数，模型 B 的高层参数随机初始化，然后通过冻结或微调的方式利用任务 A 的数据训练模型 B，模型 B 就是对应任务 A 的模型。

1.2 预训练的思想

有了图像领域预训练的引入，我们在此给出预训练的思想：任务 A 对应的模型 A 的参数不再是随机初始化的，而是通过任务 B 进行预先训练得到模型 B，然后利用模型 B 的参数对模型 A 进行初始化，再通过任务 A 的数据对模型 A 进行训练。注：模型 B 的参数是随机初始化的。

二、语言模型

想了解预训练语言模型，首先得了解什么是语言模型。

语言模型通俗点讲就是**计算一个句子的概率。**也就是说，对于语言序列 w1,w2,⋯,wn�1,�2,⋯,��，语言模型就是计算该序列的概率，即 P(w1,w2,⋯,wn)�(�1,�2,⋯,��)。

下面通过两个实例具体了解上述所描述的意思：

1. 假设给定两句话 "判断这个词的磁性" 和 "判断这个词的词性"，语言模型会认为后者更自然。转化成数学语言也就是：P(判断，这个，词，的，词性)>P(判断，这个，词，的，磁性)�(判断，这个，词，的，词性)>�(判断，这个，词，的，磁性)
2. 假设给定一句话做填空 "判断这个词的____"，则问题就变成了给定前面的词，找出后面的一个词是什么，转化成数学语言就是：P(词性|判断，这个，词，的)>P(磁性|判断，这个，词，的)�(词性|判断，这个，词，的)>�(磁性|判断，这个，词，的)

通过上述两个实例，可以给出语言模型更加具体的描述：给定一句由 n� 个词组成的句子 W=w1,w2,⋯,wn�=�1,�2,⋯,��，计算这个句子的概率 P(w1,w2,⋯,wn)�(�1,�2,⋯,��)，或者计算根据上文计算下一个词的概率 P(wn|w1,w2,⋯,wn−1)�(��|�1,�2,⋯,��−1)。

下面将介绍语言模型的两个分支，统计语言模型和神经网络语言模型。

2.1 统计语言模型

统计语言模型的基本思想就是计算条件概率。

给定一句由 n� 个词组成的句子 W=w1,w2,⋯,wn�=�1,�2,⋯,��，计算这个句子的概率 P(w1,w2,⋯,wn)�(�1,�2,⋯,��) 的公式如下（条件概率乘法公式的推广，链式法则）：

P(w1,w2,⋯,wn)=P(w1)P(w2|w1)P(w3|w1,w2)⋯p(wn|w1,w2,⋯,wn−1)=∏iP(wi|w1,w2,⋯,wi−1)�(�1,�2,⋯,��)=�(�1)�(�2|�1)�(�3|�1,�2)⋯�(��|�1,�2,⋯,��−1)=∏��(��|�1,�2,⋯,��−1)

对于上一节提到的 "判断这个词的词性" 这句话，利用上述的公式，可以得到：

P(判断，这个，词，的，词性)=P(判断)P(这个|判断)P(词|判断，这个)P(的|判断，这个，词)P(词性|判断，这个，词，的)P(判断，这个，词，的，词性)�(判断，这个，词，的，词性)=�(判断)�(这个|判断)�(词|判断，这个)�(的|判断，这个，词)�(词性|判断，这个，词，的)�(判断，这个，词，的，词性)

对于上一节提到的另外一个问题，当给定前面词的序列 "判断，这个，词，的" 时，想要知道下一个词是什么，可以直接计算如下概率：

P(wnext|判断，这个，词，的)公式(1)�(�����|判断，这个，词，的)公式(1)

其中，wnext∈V�����∈� 表示词序列的下一个词，V� 是一个具有 |V||�| 个词的词典（词集合）。

对于公式（1），可以展开成如下形式：

P(wnext|判断，这个，词，的)=count(wnext，判断，这个，词，的)count(判断，这个，词，的)公式(2)�(�����|判断，这个，词，的)=�����(�����，判断，这个，词，的)�����(判断，这个，词，的)公式(2)

对于公式（2），可以把字典 V� 中的多有单词，逐一作为 wnext�����，带入计算，最后取最大概率的词作为 wnext����� 的候选词。

如果 |V||�| 特别大，公式（2）的计算将会非常困难，但是我们可以引入马尔科夫链的概念（当然，在这里只是简单讲讲如何做，关于马尔科夫链的数学理论知识可以自行查看其他参考资料）。

假设字典 V� 中有 "火星" 一词，可以明显发现 "火星" 不可能出现在 "判断这个词的" 后面，因此（火星，判断，这个，词，的）这个组合是不存在的，并且词典中会存在很多类似于 "火星" 这样的词。

进一步，可以发现我们把（火星，判断，这个，词，的）这个组合判断为不存在，是因为 "火星" 不可能出现在 "词的" 后面，也就是说我们可以考虑是否把公式（1）转化为

P(wnext|判断，这个，词，的)≈P(wnext|词，的)公式(3)�(�����|判断，这个，词，的)≈�(�����|词，的)公式(3)

公式（3）就是马尔科夫链的思想：假设 wnext����� 只和它之前的 k� 个词有相关性，k=1�=1 时称作一个单元语言模型，k=2�=2 时称为二元语言模型。

可以发现通过马尔科夫链后改写的公式计算起来将会简单很多，下面我们举个简单的例子介绍下如何计算一个二元语言模型的概率。

其中二元语言模型的公式为：

P(wi|wi−1)=count(wi−1,wi)count(wi−1)公式(4)�(��|��−1)=�����(��−1,��)�����(��−1)公式(4)

假设有一个文本集合：

basic

“词性是动词”
“判断单词的词性”
“磁性很强的磁铁”
“北京的词性是名词”

对于上述文本，如果要计算 P(词性|的)�(词性|的) 的概率，通过公式（4），需要统计 "的，词性" 同时按序出现的次数，再除以 "的" 出现的次数：

P(词性|的)=count(的，词性)count(的)=23公式(5)�(词性|的)=�����(的，词性)�����(的)=23公式(5)

上述文本集合是我们自定制的，然而对于绝大多数具有现实意义的文本，会出现数据稀疏的情况，例如训练时未出现，测试时出现了的未登录单词。

由于数据稀疏问题，则会出现概率值为 0 的情况（填空题将无法从词典中选择一个词填入），为了避免 0 值的出现，会使用一种平滑的策略------分子和分母都加入一个非 0 正数，例如可以把公式（4）改为：

P(wi|wi−1)=count(wi−1,wi)+1count(wi−1)+|V|公式(6)

excel计算时间差-显示每堂课时间-CSDN博客  https://blog.csdn.net/qq_41517071/article/details/141255523?spm=1000.2115.3001.6382&utm_medium=distribute.pc_feed_v2.none-task-blog-personrec_tag-4-141255523-null-null.329^v9^%E4%B8%AA%E6%8E%A8pc%E9%A6%96%E9%A1%B5%E6%8E%A8%E8%8D%90%E2%80%94%E6%A1%B67&depth_1-utm_source=distribute.pc_feed_v2.none-task-blog-personrec_tag-4-141255523-null-null.329^v9^%E4%B8%AA%E6%8E%A8pc%E9%A6%96%E9%A1%B5%E6%8E%A8%E8%8D%90%E2%80%94%E6%A1%B67