繁依Fanyi0

这个屌丝很懒，什么也没留下！

热门标签

NLP笔记_软标签

作者：繁依Fanyi0 | 2024-04-23 02:30:09

踩

软标签

文本分类：

单文本分类任务：对于文本分类任务，BERT模型在文本前插入一个[CLS]符号，并将该符号对应的输出向量作为整篇文本的语义表示，用于文本分类，如下图所示。可以理解为：与文本中已有的其它字/词相比，这个无明显语义信息的符号会更“公平”地融合文本中各个字/词的语义信息。

语句对分类任务：该任务的实际应用场景包括：问答（判断一个问题与一个答案是否匹配）、语句匹配（两句话是否表达同一个意思）等。对于该任务，BERT模型除了添加[CLS]符号并将对应的输出作为文本的语义表示，还对输入的两句话用一个[SEP]符号作分割，并分别对两句话附加两个不同的文本向量以作区分，如下图所示。

一、数学知识

1、样本空间：所有基本事件的集合，记作 $\Omega$

2、样本点：样本空间的元素，记作 $\omega$

例子：一枚硬币的样本空间 $\Omega=$ {正，反}

两枚硬币的样本空间 $\Omega =$ {（正，正），（正，反），（反，正），（反，反）}

3、条件概率：在 $\Omega$ 样本空间中，有A,B两个事件，P(B)>0，在B已经发生的条件下A发生的概率，即A对B的条件概率，记作P(A|B)。

例子：男生有50人，女生有50人。成绩及格的学生：男生20人，女生30人。求及格的学生中女生占：30/50=3/5

P(A|B)= $\frac{n_{AB}/n}{n_{B}/n}$ = $\frac{P(AB)}{P(B)}$

n是样本点，n=100； $n_{AB}$ 是AB共同发生的样本点，即30； $n_{B}$ =50。

4、乘法公式 P(A)>0,P(B)>0

P(A|B)= $\frac{P(AB)}{P(B)}$ P(AB)=P(B)P(A|B)

P(B|A)= $\frac{P(AB)}{P(A)}$ P(AB)=P(A)P(B|A)

P( $A_{1}A_{2}$ ... $A_{n}$ )=P( $A_{1}$ )P( $A_{2}$ | $A_{1}$ )P( $A_{3}$ | $A_{1}A_{2}$ )...P( $A_{n}$ | $A_{1}A_{2}\cdots A_{n-1}$ )

5、全概率公式

事件 $A_{1}$ 、 $A_{2}$ 、...、 $A_{n}$ 构成一个完备事件组，即它们两两互不相融，并和为 $\Omega$ 。P( $A_{i}$ )>0，则对任一事件B有：P(B)= $\sum_{i=1}^{n}P(A_{i})P(B|A_{i})$

例子：将100人分成三队，分别是40、50、10，每一队的男生数量分别是：15、10、5。求男生的概率：P(B)= $\frac{40}{100}*\frac{15}{40}+\frac{50}{100}*\frac{10}{50}+\frac{10}{100}*\frac{5}{10}=\frac{3}{10}$

6、贝叶斯公式

全概率公式：因 $\rightarrow$ 果

贝叶斯公式：果 $\rightarrow$ 因（发烧由感冒引起的概率有多大）

例子：有四条生产线，生产产品占比分别为：15%、20%、30%、35%，生产不合格产品的概率为：0.05、0.04、0.03、0.02。

解：令 $A_{1}$ 、 $A_{2}$ 、 $A_{3}$ 、 $A_{4}$ 为四条生产线，B为生产不合格事件

$P(B)=P(A_{1})P(B|A_{1})+\cdots +P(A_{4})P(B|A_{4})$ (全概率公式)

$P(A_{4}|B)=\frac{P(A_{4}B)}{P(B)}=\frac{P(A_{4})P(B|A_{4})}{P(B)}=0.222$ (贝叶斯公式)

7、概率和似然的区别

概率：描述一个事件发生的可能性

似然性：正好相反，一个事件已经发生了，反推在什么参数条件下，这个事件发生的概率最大。

二、梯度下降

梯度下降是通过迭代找到目标函数的最小值，或收敛到最小值。

假设这样一个场景：一个人被困在山上，需要从山上下来(找到山的最低点，也就是山谷)。但此时山上的浓雾很大，导致可视度很低；因此，下山的路径就无法确定，必须利用自己周围的信息一步一步地找到下山的路。这个时候，便可利用梯度下降算法来帮助自己下山。怎么做呢，首先以他当前的所处的位置为基准，寻找这个位置最陡峭的地方，然后朝着下降方向走一步，然后又继续以当前位置为基准，再找最陡峭的地方，再走直到最后到达最低处；同理上山也是如此，只是这时候就变成梯度上升算法了。

梯度下降的基本过程：与下山场景类似。首先，有一个可微函数，求函数的最小值。先找到给定点的梯度，沿着梯度相反的方向，就能让函数值下降的最快。（因为梯度的方向是函数在给定点上升最快的方向，那么梯度的反方向就是函数在给定点下降最快的方向。）

微分

1.单变量的微分

$\frac{\mathrm{d}(x ^{2})}{\mathrm{d} x}=2x$

2.多变量微分

$\frac{\partial (x^{2}y^{2})}{\partial x}=2xy^{2}$

梯度下降数学公式

$\Theta ^{1}=\Theta ^{0}+\alpha \triangledown J(\Theta )\rightarrow evaluatedat\Theta ^{0}$

J是关于Θ的一个函数，初始点为Θ0，沿着梯度反方向找到最小值，α为步长。

例子：

函数 $J(\Theta )=\Theta ^{2}$

求微分 ${J}'(\Theta )=2\Theta$

设初始点Θ0=1，步长α=0.4

梯度前加负号，表示沿着梯度反方向前进

如图，经过四次的运算，也就是走了四步，基本就抵达了函数的最低点，也就是山底

三、BTM模型

BTM（Biterm topic model）是一个针对短文本的主题模型，还有一个常见的主题模型是LDA，但更适用于长文本。

这里有一句话“清风明月，草长莺飞，杨柳依依”，分词后得到三个词

['清风明月', '草长莺飞', '杨柳依依']

那么，这句话就包括三个biterm

['清风明月','草长莺飞'] ['杨柳依依','草长莺飞']['清风明月','杨柳依依']

再举一个例子，“今天天气不错，适合出游”，分词后得到

['今天','天气','不错','适合','出游']

则有10个词对


['今天','天气'],['今天','不错'],['今天','适合'],['今天','出游'],['天气','不错'],
['天气','适合'],['天气','出游'],['不错','适合'],['不错','出游'],['适合','出游']

采用吉布斯抽样（Gibbs sampling）方法进行推断，得到每个词对b=( $w_{i},w_{j}$ )的条件概率：

四、bert模型

特点：使用self-attention实现并行计算。同一词在不同语境中可能表达不同的意思，则它对应的词向量也不同。

Self-Attention:

例子：The animal didn't cross the street because it was too tired.

The animal didn't cross the street because it was too narrow.

这两句话中it分别指代什么，animal还是street？在第一句中，animal、tired权重占比大，it指代animal。第二句中street、narrow权重大，it指代street，所以it词向量不同。

五、ERNIE

2019年由百度提出的模型，是基于bert进行改进的。

根据github进行复现：

1、模型热启动：消除第⼀次⾼延迟的请求，模型加载后的第一个请求一般会进行形状推导等，这些操作耗时很⾼，比之后请求的 latency 可能会高出几个数量级。

六、知识蒸馏

知识蒸馏（Knowledge distillation）是一种模型压缩方法，是一种基于“教师-学生网络思想”的训练方式。"teacher"是“知识”的输出者，"student"的”知识“的接收者。知识蒸馏的过程分为两个阶段：

1、原始模型训练：训练”teacher模型“，简称为Net-T，它的特点是模型相对复杂，也可以由多个分别训练的模型集成而成。我们对"teacher模型"不做任何关于模型架构、参数量、是否集成方面的限制，唯一的要求就是，对于输入X，其都能输出Y，其中Y经过softmax的映射，输出值对应类别的概率值。

2、精简模型训练：训练"student模型"，简称为Net-S，它是参数量较小、模型结构相对简单的单模型。同样的，对于输入X，其都能输出Y，Y经过softmax映射后同样能输出对应类别的概率值。

softmax函数：

改进后的函数：

T表示温度。

温度：温度的高低改变的是Net-S训练过程中对负标签的关注程度。温度较低时，对负标签的关注，尤其是那些显著低于平均值的负标签的关注较少；而温度较高时，负标签相关的值会相对增大，Net-S会相对多地关注到负标签。

七、最大匹配分词算法

向前最大匹配（forward-max matching）

例子：我们经常有意见分歧

词典：[“我们”，“经常”，“有”，“有意见”，“意见”，“分歧”]

假设变量max-len=5，我们取前面5个词“我们经常有”跟词典进行比对，发现词典中没有这个词，则取4个词“我们经常”跟词典比对，以此类推……直到“我们”这个词可以和词典中匹配上，就把“我们”划分成一个词。

向后最大匹配（backward-max matching）

用上面的例子：取最后面的5个词“有意见分歧”跟词典进行比对。

这两个算法的缺点：

①采用贪心策略，时间复杂度高

②out of vocabulary

③没有考虑语义、上下文、单词之间的关系

八、Pytorch

1、Tensor（张量）

是一种数据结构，单个元素叫标量（scalar），一个序列叫向量（vector），多个序列组成的平面叫矩阵（matrix），多个平面组成的立方体叫张量（tensor）

九、语法任务：

word level

①morphological analysis（形态划分）一般针对于英文、阿拉伯、德语

(English) walking $\Rightarrow$ walk + ing

(Arabic) wktAbnA (意思：and our book) $\Rightarrow$ w(and) + ktAb(book) +A(our)

②word segmentation(分词) 一般针对于中文、泰文

中国外企业务 $\Rightarrow$ 中国外企业务

其中国外企业 $\Rightarrow$ 其中国外企业

③tokenization(词语切分) 一般针对于英文，与中文分词类似

Mr.Smith visited $\Rightarrow$ Mr. Smith visited

Wendy's new house $\Rightarrow$ Wendy 's new house

④POS tagging（词性标注）英文词性标注import nltk，中文词性标注import jieba，中英文标注词表不一样。

标注词表：
名词：NN,NNS,NNP,NNPS
代词：PRP，PRP$
形容词：JJ，JJR,JJS
数词：CD
动词：VB,VBD,VBG,VBN,VBP,VBZ
副词：RB,RBR,RBS

I can open this can. $\Rightarrow$ I(PRP) can(MD) open(VB) this(DT) can(NN)

标注词表：
普通名词：n
人名：nr
形容词：a
副词：d

猪肉 $\Rightarrow$ n 一直 $\Rightarrow$ d

Sentence level

①constituent parsing(成分句法)

②dependency parsing(依存句法)

十、N-gram

N-gram是一种基于统计语言模型的算法，基本思想是将文本里面的内容按照字节进行大小为N的滑动窗口操作，形成了长度为N的字节片段序列。

1、Unigram一元组： hello , bag

由m个词组成的一句话，这句话的概率为：

out-of vocabulary(OOV)训练集里未出现的词，称为未登录词，即便出现在词汇表里，用训练集计算词频时，概率为0

P(OOV)=0

当一句话中出现未登录词，这句话的概率会变成0，解决办法为add-one smoothing：把词汇表里每一个词在训练集里出现的次数都+1，来重新估算每一个词的概率。

P（w)=(某词在训练集的次数+1) / (训练集的数量+词汇表的数量)

2、Bigram二元组： eat pizza , come on

3、Trigram三元组：cat eat mouse , mouse eat cat

当词语比较稀疏，可采用回退法（backoff），一般不采用平滑(add-n smoothing)，因为会把少量的非0频率分配到未登录词，导致频率下降，出现分类偏差。

平滑算法：

①add-n smoothing

②KNessay-Ney Smoothing

③Good-Turning Smoothing

十一、朴素贝叶斯文本分类

十二、意图识别

①语义槽填充：理解一段文字的一种方法是标记那些对句子有意义的单词或记号。作用：将用户隐式的意图转化为显式的指令从而让计算机理解。

举例：

帮我订张机票，从杭州出发。

这里就应该填充了两个槽，把『机票』、『杭州』填入名为『交通工具』、『目的地』。

那么在对话系统钟就可以让reboot理解用户是想要买一张去往杭州的机票，由于缺少出发地点，可能还会有一轮询问的对话。

最后reboot根据补充的信息，生成指令，调用接口购买从xx去往杭州的机票。

经典方法

CRF: 条件随机场。通过设置各种特征函数来给序列打分。——（CRF）

深度方法

一、RNN 槽填充

二、RNN Encoder-Decoder 槽填充

三、Bi-GRU + CRF

四、Attention-Based Recurrent Neural Network Models for Joint Intent Detection and Slot Filling (比较经典，论文是意图识别和槽填充共同训练），加入了对齐信息和attention

对 BIO的解释

“B-X”表示此元素所在的片段属于X类型并且此元素在此片段的开头。

“I-X”表示此元素所在的片段属于X类型并且此元素在此片段的中间位置。

“O”表示不属于任何类型。

② 槽与槽位

槽是由槽位构成的，举个例子，出发地点槽，是打车必填的，要填充这个槽，可以通过历史对话取得值，也可以通过询问用户取得值，还可以通过GPS定位取得值等等。

这里的必填是槽的属性，而不同的取值方式是不同槽位的属性

十三、在Jupyter添加虚拟环境

进入到指定的虚拟环境中： activate 环境名

conda install nb_conda

conda install ipykernel

ipython kernel install --user --name=环境名

安装完成后输入： jupyter notebook进入

如果安装了nb_conda，在jupyter notebook中，会出现Python[conda env:环境名]，其实Python[conda env:pytorch1-hug]和pytorch1-hug是同一个虚拟环境，但是在Python[conda env:pytorch1-hug]中可以import torch，在pytorch1-hug不能import torch，我也不知道为什么。

如果没有出现Python[conda env:环境名]，从开始菜单点击Jupyter Notebook

###名词解释

1、软标签、硬标签、伪标签

伪标签（Pseudo Label）对未标注数据进行预测，进行二次训练

软标签（Soft Label）对标签转为离散值，进行二次训练，适用于大规模无监督的蒸馏模型

硬标签（hard Label）实际label值，过于绝对，适用于非黑即白的任务

2、学习率：将输出误差反向传播给网络参数，以此来拟合样本的输出，本质上是最优化的一个过程，逐步趋向于最优解，但是每一次更新参数利用多少误差，就需要通过一个参数来确定，这个参数就是学习率，也称步长。

学习率设置过小时，步长太小，下降速度太慢，要花很久才能找到最小值。

学习率设置过大时，步长太大，虽然收敛得速度很快，但是容易跨过或忽略了最小值，导致一直来回震荡而无法收敛。

3、batch_size

批次大小，表示单次传递给程序用以训练的数据（样本）个数。比如我们的训练集有1000个数据。这是如果我们设置batch_size=100，那么程序首先会用数据集中的前100个数据，即第1-100个数据来训练模型。当训练完成后更新权重，再使用第101-200的个数据训练，直至第十次使用完训练集中的1000个数据后停止。

我们在神经网络训练过程中，往往需要将训练数据划分为多个batch；而具体每一个batch有多少个样本，那么就是batch size指定的了。
4、epoch

一个epoch就是等于使用训练集中的全部样本训练一次的过程，所谓训练一次，指的是进行一次正向传播（forward pass）和反向传播( back pass )。

当一个epoch的样本（也就是训练集）数量太过庞大的时候，进行一次训练可能会消耗过多的时间，并且每次训练都使用训练集的全部数据是不必要的。因此，我们就需要把整个训练集分成多个小块，也就是就是分成多个Batch来进行训练。

一个epoch由一个或多个batch构成，batch为训练集的一部分，每次训练的过程只使用一部分数据，即一个batch。我们称训练一个batch的过程为一个iteration。

5、step

一般叫做“步骤”，表示在一个epoch中模型进行一次参数更新的操作。在神经网络训练过程中，每次完成对一个batch数据的训练，就是完成了一个step。很多情况下，step和iteration表示的是同样的含义。

6、Iteration

一般叫做“迭代”，多数情况下就表示在训练过程中经过一个step的操作。一个iteration包括了一个step中前向传播、损失计算、反向传播和参数更新的流程。当然，在某些情况下，step和iteration可能会有细微的区别——有时候iteration是指完成一次前向传播和反向传播的过程，而step是指通过优化算法对模型参数进行一次更新的操作。但是绝大多数情况下，我们就认为二者是一样的即可。

假设，有个训练集，样本数量为20000，如果我们把这20000条数据全部训练一次，就是一个epoch。如果要将其分为多个batch，其中我们决定1批训练500条数据，则batch_size=500，那么把数据全部训练完需要训练40批，batch=step=iteration=40。

如果我们要训练多次，也就是多个epoch。假如epoch=3，把20000条数据训练三次，则step、batch、iteration也会改变，等于3*40。

7、上下位关系

概括性较强的单词叫做特定性较强的单词的上位词，特定性较强的单词叫做概括性较强的单词的下位词。

例如，猩红色、鲜红色、胭脂红、绯红色都是“红色 ”的下位词，而红色则是猩红色的上位词。

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/繁依Fanyi0/article/detail/471716