图解NLP模型发展:从RNN到Transformer
图解NLP模型发展:从RNN到Transformer
自然语言处理 (NLP) 是深度学习中一个颇具挑战的问题,与图像识别和计算机视觉问题不同,自然语言本身没有良好的向量或矩阵结构,且原始单词的含义也不像像素值那么确定和容易表示。一般我们需要用词嵌入技术将单词转换为向量,然后再输入计算机进行计算。
词嵌入可用于多种任务,例如情感分类、文本生成、名称实体识别或机器翻译等。它以一种巧妙的处理方式,让模型在某些任务上的性能与人类能力相当。
那么,接下来的问题是:如何处理词嵌入? 如何为此类数据建立模型?这是本文接下来重点介绍的内容。
文章目录
循环神经网络(RNN)
人类的阅读习惯不会从头开始思考每个出现单词的含义,而是透过前面单词的信息来理解当前单词的含义。基于这种行为,循环神经网络 (RNN) 应运而生。
本节我们将重点关注 RNN 单元及其改进。 稍后,我们会将RNN单元组合在一起看整体架构。
普通RNN
Vanilla RNN 由若干重复单元组成,每个单元按顺序接收输入嵌入 xtx_txt,并通过隐藏状态 ht−1h_{t-1}ht−1 记忆过去的序列。隐藏状态更新为 hth_tht 并发送到下一个单元,或者输出预测结果。下图展示了 RNN 单元的内部工作原理。
ht=tanh(W⋅[ht−1,xt]+b)h_t = \\tanh(W \\sdot [h_{t-1}, x_t]+b) ht=tanh(W⋅[ht−1,xt]+b)
普通RNN单元
优点
- 以一种自然好理解的方式处理顺序和先前输入
缺点
- 每一步的操作都依赖前一步的输出,因此很难并行化 RNN 操作。
- 处理长序列可能出现梯度爆炸或消失。
长短期记忆网络(LSTM)
解决梯度爆炸或消失问题的一种方法是使用门控 RNN,门控 RNN可以有选择地保留信息并能够学习长期依赖性。门控 RNN 有两种流行变体:长短期记忆 (LSTM) 和门控循环单元 (GRU)。
LSTM单元
ft=σ(Wf⋅[ht−1,xt]+bf)it=σ(Wi⋅[ht−1,xt]+bi)C~t=tanh(Wc⋅[ht−1,xt]+bc)ot=σ(Wo⋅[ht−1,xt]+bo)Ct=ft∘Ct−1+it∘C~tht=ot∘tanh(Ct)\\begin{align} f_t&=\\sigma(W_f \\sdot [h_{t-1}, x_t]+b_f)\\notag\\\\ i_t&=\\sigma(W_i \\sdot [h_{t-1}, x_t]+b_i)\\notag\\\\ \\tilde{C}_t &= \\tanh(W_c \\sdot [h_{t-1}, x_t]+b_c)\\notag\\\\ o_t&=\\sigma(W_o \\sdot [h_{t-1}, x_t]+b_o)\\notag\\\\ C_t&=f_t \\circ C_{t-1}+i_t \\circ \\tilde{C}_t\\notag\\\\ h_t &= o_t \\circ \\tanh(C_t)\\notag \\end{align} ftitC~totCtht=σ(Wf⋅[ht−1,xt]+bf)=σ(Wi⋅[ht−1,xt]+bi)=tanh(Wc⋅[ht−1,xt]+bc)=σ(Wo⋅[ht−1,xt]+bo)=ft∘Ct−1+it∘C~t=ot∘tanh(Ct)
为了避免长期依赖问题,LSTM 配备了一个类似于高速公路的单元状态 CtC_tCt,因此信息可以很容易地流过而不会发生变化。
为了有选择地保留信息,LSTM 也有三个门:
- 遗忘门 →\\rarr→ 查看 ht−1h_{t-1}ht−1 和 xtx_txt,并输出一个由 0 到 1 之间的数字组成的向量 ftf_tft,它告诉我们要从单元状态 Ct−1C_{t-1}Ct−1 中丢弃哪些信息。
- 输入门 →\\rarr→ 相似遗忘门,但这次输出的 iti_tit 用于根据虚拟单元状态 cˊt\\acute{c}_tcˊt 来决定我们要将哪些新信息存储在单元状态中。
- 输出门 →\\rarr→ 相似遗忘门,但是输出oto_tot用于过滤更新后的单元状态 CtC_tCt 得到新的隐藏状态 hth_tht。
门控循环单元(GRU)
LSTM 非常复杂。GRU 提供与 LSTM 相似的性能,但复杂性更低(权重更少)。它合并了单元状态和隐藏状态。 还将遗忘门和输入门组合成一个“更新门”。
GRU单元
rt=σ(Wr⋅[ht−1,xt]+br)zt=σ(Wz⋅[ht−1,xt]+bz)h~t=tanh(Wh⋅[rt∘ht−1,xt]+bh)ht=(1−zt)∘ht−1+zt∘h~t\\begin{align} r_t&=\\sigma(W_r \\sdot [h_{t-1}, x_t]+b_r)\\notag\\\\ z_t&=\\sigma(W_z \\sdot [h_{t-1}, x_t]+b_z)\\notag\\\\ \\tilde{h}_t &= \\tanh(W_h \\sdot [r_t \\circ h_{t-1}, x_t]+b_h)\\notag\\\\ h_t &= (1-z_t) \\circ h_{t-1} + z_t \\circ \\tilde{h}_t\\notag \\end{align} rtzth~tht=σ(Wr⋅[ht−1,xt]+br)=σ(Wz⋅[ht−1,xt]+bz)=tanh(Wh⋅[rt∘ht−1,xt]+bh)=(1−zt)∘ht−1+zt∘h~t
GRU中有两个门:
- 重置门 →\\rarr→ 查看 ht−1h_{t-1}ht−1和 xtx_txt,并输出一个由 0 到 1 之间的数字组成的向量 rtr_trt,它决定需要忽略多少过去的信息 ht−1h_{t-1}ht−1。
- 更新门 →\\rarr→ 确定我们要在新的隐藏状态 hth_tht中保存的信息或基于 rtr_trt丢弃的信息。
RNN架构
当我们了解了 RNN 单元的工作原理后,就可以按一定顺序将它们连接起来。 这里,预测的输出概率 yty_tyt 可以表示为:
yt=g(Wht+b)y_t = g(Wh_t+b) yt=g(Wht+b)
其中WWW是权重,bbb是偏差,ggg是激活函数。具体选择哪个激活函数以及RNN单元如何连接取决于具体任务。
不同任务下的RNN结构
其中,上图最后一个结构(机器翻译)就是我们所谓的seq2seq模型。其中输入序列 x1,x2,…,xtx_1,x_2,\\dots,x_tx1,x2,…,xt 被翻译成输出序列 y1,y2,…,ymy_1,y_2,\\dots,y_my1,y2,…,ym。前 ttt 个 RNN 单元组成编码器,后 mmm 个 RNN 单元组成解码器。
另外,RNN 单元也可以如下图一样翻转或堆叠。 此类架构通常仅由两层或三层组成。这样做可以以增加计算量为代价提高模型性能。
RNN 变体,此类架构通常仅由两层或三层组成
注意力
seq2seq 只能使用编码器最末端的输出,输入给解码器解释。解码器只能看到来自最后一个编码器 RNN 单元的输入序列。但是,输入序列的不同部分在输出序列的每个生成步骤中可能更有用。 这就是注意力的概念。
优点
- 无论输入标记的位置如何,都会考虑适当的编码表示。
缺点
- 另一个计算步骤涉及学习权重。
带注意力的seq2seq
每个解码器token会查看每个编码器token,并通过其隐藏状态来决定哪些token需要更多关注。
带注意力的seq2seq工作流程
H=[h1,h2,…,ht]TAttention(si,H)=softmax(siHTdh)⋅H\\begin{align} H&=[h_1, h_2, \\dots, h_t]^T\\notag\\\\ \\text{Attention}(s_i, H)&=\\text{softmax}(\\frac{s_iH^T}{\\sqrt{d_h}})\\sdot H\\notag \\end{align} HAttention(si,H)=[h1,h2,…,ht]T=softmax(dhsiHT)⋅H
在 seq2seq 中合并注意力分为三个步骤:
- 标量注意力分数是根据一对解码器和编码器隐藏状态 (si,hj)(s_i, h_j)(si,hj) 计算的,它表示编码器token jjj 与解码器token iii 的“相关性”。
- 所有注意力分数都通过 softmax 传递以产生注意力权重,这些注意力权重形成解码器和编码器token对相关性的概率分布。
- 计算具有注意力权重的编码器隐藏状态的加权和,并将其送入到下一个解码器单元。
在上面的案例中,分数函数为
score(si,hj)=siThjdh\\text{score}(s_i, h_j) = \\frac{s_i^Th_j}{\\sqrt{d_h}} score(si,hj)=dhsiThj
其中 dhd_hdh 是 hjh_jhj(和 sis_isi)的维度。
自注意力
接下来我们完全抛弃 seq2seq,只关注注意力。 一种流行的注意力机制是自注意力。自注意力不去寻找解码器token与编码器token的相关性,而是寻找一组token中的每个token与同一组中所有其他token的相关性。
自注意力工作流程
X=[x1,x2,…,xt]TQ=[q1,q2,…,qt]T=XWQK=[k1,k2,…,kt]T=XWKV=[v1,v2,…,vt]T=XWVAttension(Q,K,V)=softmax(QKTdk)⋅V\\begin{align} X=[x_1, x_2, \\dots, x_t]^T\\notag\\\\ Q=[q_1, q_2, \\dots, q_t]^T &= XW_Q\\notag\\\\ K=[k_1, k_2, \\dots, k_t]^T &= XW_K\\notag\\\\ V=[v_1, v_2, \\dots, v_t]^T &= XW_V\\notag\\\\ \\text{Attension}(Q, K, V) &= \\text{softmax}(\\frac{QK^T}{\\sqrt{d_k}})\\sdot V\\notag \\end{align} X=[x1,x2,…,xt]TQ=[q1,q2,…,qt]TK=[k1,k2,…,kt]TV=[v1,v2,…,vt]TAttension(Q,K,V)=XWQ=XWK=XWV=softmax(dkQKT)⋅V
自注意力使用注意力函数创建基于输入token对之间相似性的加权表示,它提供了输入序列的丰富表示,这些表示关注其元素之间的关系。
自注意力与普通注意力之间存在三个主要区别:
- 由于自注意力中没有解码器token,取而代之的是“查询”向量 qiq_iqi,它与输入嵌入 xix_ixi 线性相关。
- 注意分数是根据 (qi,kj)(q_i, k_j)(qi,kj)对计算得到的,其中 kjk_jkj 是与 qiq_iqi 具有相同维度的“关键”向量,并且也与 xjx_jxj 线性相关。
- 与普通注意力中的 kjk_jkj 再次乘以注意力权重不同,自注意力将新的“值”向量 vjv_jvj 与注意力权重相乘。 请注意,vjv_jvj 可能具有与 kjk_jkj 不同的维度,并且也与 xjx_jxj 线性相关。
多头注意力
注意力可以并行运行多次,以产生所谓的多头注意力。 然后将独立的注意力输出连接起来并线性转换为预期维度。
多头注意力允许以不同方式关注输入序列的各个部分(例如,长期依赖与短期依赖),因此它可以提高单一注意力的性能。
带n个注意力机制的多头注意力工作流程
X=[x1,x2,…,xt]TQ=XWQK=XWKV=XWVheadi=Attension(QWQ(i),KWk(i),VWV(i))MultiHead(Q,K,V)=Concat(head1,…,headn)W0\\begin{align} X&=[x_1, x_2, \\dots, x_t]^T\\notag\\\\ Q&=XW_Q\\notag\\\\ K&=XW_K\\notag\\\\ V&=XW_V\\notag\\\\ \\text{head}_i&=\\text{Attension}(QW_Q^{(i)},KW_k^{(i)},VW_V^{(i)})\\notag\\\\ \\text{MultiHead}(Q,K,V) &= \\text{Concat}(\\text{head}_1, \\dots,\\text{head}_n)W_0\\notag \\end{align} XQKVheadiMultiHead(Q,K,V)=[x1,x2,…,xt]T=XWQ=XWK=XWV=Attension(QWQ(i),KWk(i),VWV(i))=Concat(head1,…,headn)W0
上图中的自注意力可以换成任何类型的注意力或其他实现,只要其变量的维度匹配即可。
Transformer
给定输入嵌入 XXX 和输出嵌入 YYY,一般来说,Transformer有 NNN 个编码器堆叠而成,连接到 NNN 个解码器也堆叠在一起。 没有递归或卷积,每个编码器和解码器只需要注意力(attention is all you need)。
带n个编码器和解码器的 Transformer 工作流程
pi,2j=sin(1/100002j/dx)pi,2j+1=cos(1/100002j/dx)X=[x1,x2,…,xt]T+[Pij]Y=[<bos>,x1,…,ym]T+[Pij]For r=1,2,…,NX:=LayerNorm(X+MultiHead(XWQ,XWK,XWV))X:=LayerNorm(X+max{0,XW1(r)+b1(r)}W2(r)+b2(r))For r=1,2,…,NY:=LayerNorm(Y+MaskMultiHead(YWQ,YWK,YWV))Y:=LayerNorm(Y+MultiHead(YWQ,XWK,XWV))Y:=LayerNorm(Y+max{0,YW3(r)+b3(r)}W4(r)+b4(r))proba=softmax(YW0)\\begin{align} p_{i, 2j}&=\\sin(1/10000^{2j/d_x})\\notag\\\\ p_{i, 2j+1}&=\\cos(1/10000^{2j/d_x})\\notag\\\\ X&=[x_1, x_2, \\dots, x_t]^T+[P_{ij}]\\notag\\\\ Y&=[\\text{<bos>},x_1, \\dots, y_m]^T+[P_{ij}]\\notag\\\\ \\notag\\\\ \\text{For }r &= 1,2,\\dots,N\\notag\\\\ \\quad X&:=\\text{LayerNorm}(X+\\text{MultiHead}(XW_Q, XW_K,XW_V))\\notag\\\\ \\quad X&:=\\text{LayerNorm}(X+\\max\\{0,XW_1^{(r)}+b_1^{(r)}\\}W_2^{(r)}+b_2^{(r)})\\notag\\\\ \\notag\\\\ \\text{For }r &= 1,2,\\dots,N\\notag\\\\ \\quad Y&:=\\text{LayerNorm}(Y+\\text{MaskMultiHead}(YW_Q, YW_K,YW_V))\\notag\\\\ \\quad Y&:=\\text{LayerNorm}(Y+\\text{MultiHead}(YW_Q, XW_K,XW_V))\\notag\\\\ \\quad Y&:=\\text{LayerNorm}(Y+\\max\\{0,YW_3^{(r)}+b_3^{(r)}\\}W_4^{(r)}+b_4^{(r)})\\notag\\\\ \\notag\\\\ \\text{proba} &= \\text{softmax}(YW_0)\\notag \\end{align} pi,2jpi,2j+1XYFor rXXFor rYYYproba=sin(1/100002j/dx)=cos(1/100002j/dx)=[x1,x2,…,xt]T+[Pij]=[<bos>,x1,…,ym]T+[Pij]=1,2,…,N:=LayerNorm(X+MultiHead(XWQ,XWK,XWV)):=LayerNorm(X+max{0,XW1(r)+b1(r)}W2(r)+b2(r))=1,2,…,N:=LayerNorm(Y+MaskMultiHead(YWQ,YWK,YWV)):=LayerNorm(Y+MultiHead(YWQ,XWK,XWV)):=LayerNorm(Y+max{0,YW3(r)+b3(r)}W4(r)+b4(r))=softmax(YW0)
优点
- 更好地表示输入token,其中token表示基于使用自注意力的特定相邻token。
- (并行)使用所有输入token,不受顺序处理(RNN)的内存限制。
缺点
- 计算量大。
- 需要大量数据(可以使用预训练模型缓解)。
接下来,让我们深入理解Transformer的工作原理!
第一步. 将位置编码加入词嵌入
pi,2j=sin(1/100002j/dx)pi,2j+1=cos(1/100002j/dx)X=[x1,x2,…,xt]T+[Pij]Y=[<bos>,x1,…,ym]T+[Pij]\\begin{align} p_{i, 2j}&=\\sin(1/10000^{2j/d_x})\\notag\\\\ p_{i, 2j+1}&=\\cos(1/10000^{2j/d_x})\\notag\\\\ X&=[x_1, x_2, \\dots, x_t]^T+[P_{ij}]\\notag\\\\ Y&=[\\text{<bos>},x_1, \\dots, y_m]^T+[P_{ij}]\\notag \\end{align} pi,2jpi,2j+1XY=sin(1/100002j/dx)=cos(1/100002j/dx)=[x1,x2,…,xt]T+[Pij]=[<bos>,x1,…,ym]T+[Pij]
由于Transformer不包含递归和卷积,为了让模型可以利用序列的顺序,我们必须注入token在序列中相对或绝对位置的信息。
因此,我们必须通过“位置编码”的方式让模型明确地知道token的位置:
pi,2j=sin(1/100002j/dx)pi,2j+1=cos(1/100002j/dx)\\begin{align} p_{i, 2j}&=\\sin(1/10000^{2j/d_x})\\notag\\\\ p_{i, 2j+1}&=\\cos(1/10000^{2j/d_x})\\notag \\end{align} pi,2jpi,2j+1=sin(1/100002j/dx)=cos(1/100002j/dx)
其中 iii 是token的位置(#0、#1 等),jjj 是编码的列号,dxdₓdx 是编码的维度(与输入嵌入 XXX 的维度相同 )。
下图是对编码维度为 512512512 的前 204820482048 个token的位置编码矩阵 PPP 的可视化。
与 seq2seq 模型一样,输出嵌入 YYY 向右移动,第一个token是“句子开始”标记<bos>
。 接着将位置编码添加到 XXX 和 YYY,然后分别发送到第一个编码器和解码器。
第二步. 编码器:多头注意力和前馈
For r=1,2,…,NX:=LayerNorm(X+MultiHead(XWQ,XWK,XWV))X:=LayerNorm(X+max{0,XW1(r)+b1(r)}W2(r)+b2(r))\\begin{align} \\text{For }r &= 1,2,\\dots,N\\notag\\\\ \\quad X&:=\\text{LayerNorm}(X+\\text{MultiHead}(XW_Q, XW_K,XW_V))\\notag\\\\ \\quad X&:=\\text{LayerNorm}(X+\\max\\{0,XW_1^{(r)}+b_1^{(r)}\\}W_2^{(r)}+b_2^{(r)})\\notag \\end{align} For rXX=1,2,…,N:=LayerNorm(X+MultiHead(XWQ,XWK,XWV)):=LayerNorm(X+max{0,XW1(r)+b1(r)}W2(r)+b2(r))
编码器由两部分组成:
- 输入嵌入 XXX ——在添加位置编码 PPP 之后——被送入多头注意力。多头注意力采用了残差连接,这意味着我们将词嵌入(或前一个编码器的输出)加到注意力的输出上。 然后将结果归一化。
- 归一化后,信息传入一个前馈神经网络,该网络由两层组成,分别具有 ReLU 和线性激活函数。同样,我们在此部分采用了残差连接和归一化。
编码器内部计算结束后,输出可以发送到另一个编码器,最后一个编码器将特定部分发送给每个解码器。
Transformer 编码器和解码器
第三步. 解码器:(掩码)多头注意力和前馈
For r=1,2,…,NY:=LayerNorm(Y+MaskMultiHead(YWQ,YWK,YWV))Y:=LayerNorm(Y+MultiHead(YWQ,XWK,XWV))Y:=LayerNorm(Y+max{0,YW3(r)+b3(r)}W4(r)+b4(r))\\begin{align} \\text{For }r &= 1,2,\\dots,N\\notag\\\\ \\quad Y&:=\\text{LayerNorm}(Y+\\text{MaskMultiHead}(YW_Q, YW_K,YW_V))\\notag\\\\ \\quad Y&:=\\text{LayerNorm}(Y+\\text{MultiHead}(YW_Q, XW_K,XW_V))\\notag\\\\ \\quad Y&:=\\text{LayerNorm}(Y+\\max\\{0,YW_3^{(r)}+b_3^{(r)}\\}W_4^{(r)}+b_4^{(r)})\\notag \\end{align} For rYYY=1,2,…,N:=LayerNorm(Y+MaskMultiHead(YWQ,YWK,YWV)):=LayerNorm(Y+MultiHead(YWQ,XWK,XWV)):=LayerNorm(Y+max{0,YW3(r)+b3(r)}W4(r)+b4(r))
解码器包含三部分:
- 输出嵌入 YYY ——在右移并添加位置编码 PPP 之后——被输入到多头注意力中。 在注意力中,我们屏蔽掉(设置为 −∞-\\infin−∞ )softmax 输入中对应于后续位置连接的所有值。
- 然后信息通过另一个多头注意力——没有掩码——作为查询向量传递。 键和值向量来自最后一个编码器的输出。 这允许解码器中的每个位置都关注输入序列中的所有位置。
- 跟编码器一样,结果会发送到具有激活函数的前馈神经网络。
解码器内部计算的结束后,输出可以发送到另一个解码器,最后一个解码器将输出发送给分类器。
第四步. 分类器
proba=softmax(YW0)\\text{proba} = \\text{softmax}(YW_0) proba=softmax(YW0)
这是最后一步,非常简单。 我们使用习得的线性变换和 softmax 将解码器输出转换为预测的下一个token的概率。
∗∗∗\\ast\\ast\\ast ∗∗∗
Transformer 在 NLP 中取得了巨大的成功。它的出现是机器学习领域的一个里程碑。许多预训练模型(例如 GPT-2、GPT-3、BERT、XLNet 和 RoBERTa)等都是从Transformer发展而来。最近大火的ChatGPT也是以Transformer为基础,在各种 NLP 相关任务(例如机器翻译、文档摘要、文档生成、命名实体识别)和语义理解中展现了超出预期的经验表现。
总结
尽管NLP 相关任务很难,但依然有许多方法可以解决它们。最直观的是 RNN,虽然它很难并行化,且在处理长序列时会出现梯度爆炸或梯度消失。但我们还有 LSTM 和 GRU!
如何组织排列 RNN 单元有很多种方式,其中一种称为 seq2seq。 在 seq2seq 中,解码器只能看到来自最后一个编码器 RNN 单元的输入序列。这激发了注意力机制的诞生,在输出序列的每个生成步骤中,可以关注输入序列的不同部分。
随着自注意力的发展,RNN 单元被完全抛弃。被称为多头注意力的自注意力与前馈神经网络形成了Transformer ,Transformer 作为一个重要的里程碑,影响并创建了许多先进的 NLP 模型,如 GPT-3、BERT 等。