NLP系列文章（五）——发展历程中的GPT、BERT_gpt 怎么应用到下游任务

接文章《NLP系列文章（一）——按照学习思路整理发展史》《NLP系列文章（二）——NLP领域任务分类、NNLM语言模型》《NLP系列文章（三）——word embedding》《NLP系列文章（四）——发展历程中的ELMO》继续讲述NLP预训练的那些事

                                                                                                                 来源看系列文章（一）其次真的很感谢 张俊林，继续崇拜

 

 

GPT是“Generative Pre-Training”的简称，生成式的预训练。
GPT也采用两阶段结构，①语言模型进行预训练，②通过Fine-tuning的模式解决下游任务。
1>预训练
下图展示了GPT的预训练过程，其实和ELMO是类似的，主要不同在于两点：
①特征抽取器不是用的RNN，而是用的Transformer，上面提到过它的特征抽取能力要强于RNN，这个选择很明显是很明智的；
②GPT的预训练虽然仍然是以语言模型作为目标任务，但是采用的是单向的语言模型，GPT则只采用Context-before这个单词的上文来进行预测，而抛开了下文，这限制了其在更多应用场景的效果，比如阅读理解，在做任务的时候是可以允许同时看到上文和下文一起做决策的。

2>下游任务怎么用？

它有自己的个性，和ELMO的方式大有不同。如下图所示。
①对于不同的下游任务，要求其网络结构和GPT的一致，所以要改造下游任务网络。然后，利用第一步预训练好的参数 初始化GPT的网络结构，这样通过预训练学到的语言学知识就被引入到当前任务里了。
②用新任务去训练这个网络，对网络参数进行Fine-tuning，使得这个网络更适合解决当前问题。
【发现这和之前讲的图像领域的预训练思路是一致的】

怎么改造五花八门的NLP任务模型结构，才能靠近GPT的网络结构呢？

GPT论文中给出改造模型图如下
①分类问题：加上一个起始和终结符号即可；
②句子关系判断问题：如Entailment，两个句子中间再加个分隔符即可；
③文本相似性判断问题：把两个句子顺序颠倒，做出两个输入即可，这是为了告诉模型句子顺序不重要；
④多项选择问题：则多路输入，每一路把文章和答案选项拼接作为输入即可。
从图可知，这种改造还是很方便的，不同任务只需要在输入部分修改即可。

GPT效果如何？

GPT的效果是非常令人惊艳的，在12个任务里，9个达到了最好的效果，有些任务性能提升非常明显。

GPT有什么值得改进的地方呢？
其实最主要的就是单向语言模型。

---

Bert

Bert采用和GPT完全相同的两阶段模型，首先是语言模型预训练；其次是使用Fine-Tuning模式解决下游任务。和GPT的最主要不同在于：①预训练阶段采用了类似ELMO的双向语言模型，②语言模型的数据规模要比GPT大。

Fine-Tuning阶段，这个阶段的做法和GPT是一样的。也面临着下游任务网络结构改造的问题，在改造任务方面Bert和GPT有些不同。
正如前面所讲，NLP下游任务可分为四类，其中各包含很多任务。对于种类如此繁多而且各具特点的下游NLP任务。
Bert如何改造输入输出部分使得大部分NLP任务都可以使用Bert预训练好的模型参数呢？

①句子关系类任务：和GPT类似，加上一个起始和终结符号，句子之间加个分隔符即可。对于输出来说，把第一个起始符号CLS对应的Transformer最后一层位置上面串接一个softmax分类层即可。
②分类问题：与GPT一样，只需要增加起始和终结符号，输出部分同上。
③序列标注问题，输入部分和单句分类是一样的，只需要输出部分Transformer最后一层每个单词对应位置都进行分类即可。
从这里可以看出，NLP四大任务里面，除了生成类任务外，Bert其它都覆盖到了，而且改造起来很简单直观。

其实对于机器翻译或者文本摘要，聊天机器人这种生成式任务，同样可以稍作改造即可引入Bert的预训练成果。只需要附着在S2S结构【sequence to sequence】上，encoder部分是个深度Transformer结构，decoder部分也是个深度Transformer结构。根据任务选择不同的预训练数据初始化encoder和decoder即可。
当然，也可以更简单一点，比如直接在单个Transformer结构上加装隐层产生输出也是可以的。

不论如何，从这里可以看出，NLP四大类任务都可以比较方便地改造成Bert能够接受的方式。这其实是Bert的非常大的优点，这意味着它几乎可以做任何NLP的下游任务，具备普适性，这是很强的。

bert效果如何？
在11个各种类型的NLP任务中达到目前最好的效果，某些任务性能有极大的提升。

8、word2vec、ELMO、GPT、BERT演进关系

从上图可见，如果把GPT预训练阶段换成双向语言模型，那么就得到了Bert；如果把ELMO的特征抽取器换成Transformer，那么也会得到Bert。
所以可以看出：Bert最关键两点，一点是特征抽取器采用Transformer；第二点是预训练的时候采用双向语言模型。

对于Transformer来说，怎么才能在这个结构上做双向语言模型任务呢？
直观做法：只需要把ELMO的两个LSTM替换成两个Transformer，一个负责正向，一个负责反向提取特征即可。而Bert没这么做。
那么Bert是怎么做的呢？
前面说word2vec的时候提到了CBOW方法，bert的处理方法和它很像：在做语言模型任务的时候，将要预测的单词mask掉，然后根据它的上下文预测单词。【bert论文中讲这个思路是来自完形填空，但是梳理过来表面上还是和CBOW相似的】
模型上似乎没有很大的创新，但是效果很好、普适性也很强。

Bert本身在模型和方法角度有什么创新？
Masked 语言模型和Next Sentence Prediction。

而Masked语言模型上面讲了，本质思想类似CBOW，但是细节方面有改进。
Masked语言模型做法：
随机选择语料中15%的单词，把它抠掉，也就是用[Mask]掩码代替原始单词，然后要求模型去正确预测被抠掉的单词。
但是这里有个问题：训练过程看到大量的[mask]标记，但最后并不会有这个标记的。
这就会导致模型认为输出是针对[mask]这个标记的，但是实际并没有这个标记，这就会产生问题。
为了避免，Bert选取语料15%做掩码改造，同时这15%中只有80%被替换成[mask]，10%被随机换成另一个单词，10%还在保持不变。

Next Sentence Prediction：指的是做语言模型预训练的时候，分两种情况选择两个句子，一种是选择语料中真正顺序相连的两个句子；另一种是第二个句子从语料库中随机选一个拼到第一个句子后面。

这就要求模型除了做Masked语言模型任务，还要再做一个句子关系预测，判断第二个句子是不是第一个句子的后续句子。主要是考虑到很多NLP下游任务是句子关系判断，单词级的预测训练到不了句子关系这个层级，增加NSP有助于下游句子关系判断任务。所以BERT的预训练是个多任务过程【创新点】

BERT的输入
BERT的输入部分是个线性序列，两个句子通过分隔符[SEP]分割，最前面和最后增加两个标识符号；
每个单词有三个embedding:
①位置信息embedding：因为NLP中单词顺序是很重要的特征，需要在这里对位置信息进行编码；
②单词embedding：这个就是之前一直提到的单词embedding；
③句子embedding：论文中训练的时候都是由两个句子构成的，那么每个句子都要有表示为同一个句子的embedding赋给每个单词。
把每个单词的三个embedding叠加，就形成了Bert的输入。

Bert在预训练的输出处理

Bert效果特别好的原因是什么？
跟GPT相比，双向语言模型起到了最主要的作用，尤其是针对下游任务。
NSP对整体性能影响不算太大，跟具体任务关联度比较高。

对Bert的评价和看法
Bert借鉴了ELMO，GPT及CBOW，主要提出了Masked 语言模型及Next Sentence Prediction，但是这里Next Sentence Prediction基本不影响大局，而Masked LM明显借鉴了CBOW的思想。
所以说Bert的模型没什么大的创新，更像最近几年NLP重要进展的集大成者，这点如果你看懂了上文估计也没有太大异议。
归纳进展：
①两阶段模型，第一阶段双向语言模型预训练，第二阶段采用具体任务Fine-tuning或者特征集成；
②特征抽取用Transformer而不是RNN或者CNN；
③双向语言模型可以采取CBOW的方法去做

Bert最大的亮点在于效果好及普适性强，几乎所有NLP任务都可以套用Bert这种两阶段解决思路，而且效果应该会有明显提升。