李宏毅_ELMO, BERT, GPT

tags: Hung-yi Lee NTU ELMO, BERT, GPT

ELMO, BERT, GPT

課程連結

機器如何看懂人類的文字，課程說明目前比較知名的三種模型。

1-of-N Encoding

最早要讓機器懂人類的詞彙，我們的作法是每一個詞彙就是一個符號，每一個符號都有一個獨特的編碼，也就是1-of-N Encoding。

每一個詞彙都用一個向量來表示，如上圖所示，假設世界上只有五個詞彙，那就有五個向量來各別表示它們。這麼做的缺點是，機器無法知道詞彙之間是否存在關聯性，是否都為動物，是否都為水果之類的。

後續發展出Word Class，但這麼做很顯然的太粗糙，即使同為動物，但還是有種族之分。

最後有了Word Embedding，每一個詞彙都以一個向量來表示，每一個維度都是詞彙的某種屬性，而語意相近的詞彙在高維空間中它們會是相近的。

Word Embedding

Word Embedding可以想成是某成抽特徵的方法。

A word can have multiple senses.

上面案例，四個bank是不同的token但是相同的type。

同一個詞彙可能會有不同的意義，過往在實作Word Embedding的時候，每一個type都有一個embedding，因此不同的token有相同的type，那它所對應的就是相同的embedding，也就是說，過去所假設的是，所有不同的token只要擁有相同的type，那它們的語意就是相同的。

但事實並非如此，即使是不同token擁有相同的type，它們還是可能存在不相同的意義。

A word can have multiple senses.

上面例子來看，前兩個句子的bank以上下文來看，它們所指的皆為銀行，但後面兩個句子的bank所指的卻是河堤的意思。

過去傳統的embedding來說，每一個type是一個embedding，而這四個bank都會有一模一樣的embedding，因為我們假設這四個bank有相同的語意。但事實並非如此，我們希望機器給不同意思的token，即使擁有相同的type也要給它們不同的embedding。

過往的作法可能就是查查字典，然後知道bank有兩個意思之後就讓它們有兩個embedding，但有些字典會告訴你，bank還有另外的意思，像是blook bank，雖然一樣擁有儲存的概念，但本意上卻不是銀行，但其中存在著微妙的差異。

一樣?不一樣?

一樣是尼祿，都是羅馬帝國第五任皇帝。
一樣都是加賀號護衛艦。

但它們，好像一樣，又好像不一樣。

Contextualized Word Embedding

因此，我們希望機器可以每一個token都擁有一個embedding。我們希望上下文愈相近的token都擁有相同的embedding，而不是一個type一個embedding。

延續一開始的範例，我們希望三個bank可以各自擁有它們的embedding，即使它們的type是一樣的，而這樣的作法就稱為Contextualized Word Embedding。只是語意上，money in the bank與own blook bank的bank是比較相近，因此它們的embedding之間的距離也會比較接近。

Embeddings from Language model(ELMO)

論文連結_Deep contextualized word representations

ELMO是一個RNN-base的language model。RNN-base的模型所學習到的就是預測下一個token會是什麼，你所需要做的就是給它一堆文本學習。

訓練完之後你就擁有Contextualized Word Embedding，我們可以將RNN的hidden layer視為現在輸入的那個詞彙的Contextualized Word Embedding(例如，輸入退了，經過RNN所得的embedding即為Contextualized Word Embedding)。

一樣是退了，高燒退了與臣退了所得的embedding就會不一樣。因為在輸出退了的embedding的時候RNN會參考句語的上下文。

這就是ELMO的基本概念。

Embeddings from Language model(ELMO)

如果擔心單向的訓練只會單純的考慮到前文的上下文的話，那就使用雙向的RNN，從句子的後面開始往前，那就可以考慮完整句子的上下文了。

這時候要取得"退了"這個詞彙的Contextualized Word Embedding，只需要將兩端的embedding接起來就可以同時取得前後完整句子的上下文。

ELMO

ELMO也可以很Deep，這時候遇到的問題是，每一層都會有一個embedding，該用那一層?在ELMO的論文中有提到，就是全都用。

ELMO

每一層都會有一個Contextualized Word Embedding，每一個詞彙都會有多層的Contextualized Word Embedding的值，這時候要將所有的Contextualized Word Embedding加起來，ELMO的作法是將這些Contextualized Word Embedding做加權總和。

假設現在的ELMO有兩層，那作法就是將兩層的output分別乘上$\alpha 1,\alpha 2$再相加即可。其中$\alpha 1,\alpha 2$是由模型自己學習出來的。

在還沒有使用ELMO抽出來的embedding之前是不會知道$\alpha 1,\alpha 2$的值，先設定好要執行的任務，再將參數$\alpha 1,\alpha 2$與任務一起訓練，然後才得到$\alpha 1,\alpha 2$，總之就是視為模型的一部份，一起訓練學習而得。

因此不同的任務所用的$\alpha 1,\alpha 2$就不同，ELMO論文實驗說明(上面簡報右圖)，用於接下來的down stream task的三個來源，分別為圖上Token(沒有Contextualized Embedding)、LSTM1(ELMO第一層Embedding)、LSTM2(ELMO第二層Embedding)，分別計算上述三個的加權和，會因為不同的任務(SRL, Coref, SNLI, SQuAD, SST-5)而學習到不同的權重(以顏色的深淺_{(圖下進度條)}代表需求度)。

我們發現，Coref與SQuAD特別需要LSTM1的Contextualized Word Embedding，其它任務來看對各層的需求是比較平均的，因此不同的任務就需要抽不同的Contextualized Word Embedding來用。

Coref：將代名詞所指射的名詞找出，"他"代表句子中的誰的概念。
SQuAD：QA

Bidirectional Encoder Representations from Transformers(BERT)

在聽BERT之前請記得先看過Transformer：

• 影片連結
• 筆記連結

BERT是Transformer的Encoder，訓練BERT只需要一堆的句子，不需要有標記資料就可以train出一個encoder。

大致來說BERT就是給定一個句子，每一個句子都會輸出一個embedding，而它的架構就跟Transformer的encoder是一樣的。

另外，實作上，如果訓練的是中文，那以"字"為單位會比用"詞彙"來的恰當，也就是不以"潮水"為單位，而是"潮"、"水"。想法上，如果以詞做為輸入，那整個one-hot encoder的維度會太大，而且中文的詞量恐怕無法窮舉。但如果以字來表示的話，那字是有限的，而且常用字也不過數千個，即使one-hot encoder也不會造成維度過高的問題。

因此雖然課程上是以詞彙為例，但記得實作上以"字"為單位。

Training of BERT

文獻上有兩種訓練方法，第一種為Masked LM：即，輸入給BERT的詞彙會有15%的詞彙會被置換為一個特殊的token，這個token稱為"MASK"。也就是蓋掉句子裡面15%的資訊。BERT要做的就是猜這些被蓋掉的詞彙是那幾個詞彙。

作法如下說明：假設輸入的第二個詞彙是被蓋掉的，所有的input經過BERT得到一個output-embedding，然後將被蓋掉的那個詞彙丟到Linear Multi-class Classifier裡面，讓這個Classifier猜這個被蓋掉的是那一個詞彙。但是，因為這是一個Linear model，因此它很弱，要它能猜的出來就必需要BERT能夠抽出一個很好的representation，因此BERT所抽出來的embedding會跟上下文間的詞彙的embedding是相近的。

Training of BERT

第二種方法為Next Sentence Prediction：即，給BERT兩個句子，讓BERT預測這兩個句子是否為接在一起的句子。舉例來說，兩個句子，"醒醒吧"、"你沒有妹妹"，要讓BERT判斷這兩個句子是否接在一起。這時候會引入兩個特殊符號：

1. 兩個句子的中間會引入一個特殊符號"SET"，這意味著讓BERT知道兩個句子的中間交界
2. 在句子起始處加入一個特殊符號"CLS"，這意味著讓BERT知道這邊我們要做分類，這個特殊符號的output就是判斷後面的句子是否應該接在一起，這個classifier是跟整個架構一起訓練的

可以發現，"CLS"放在起始而不是結尾，這是因為BERT的內部是Transformer的encoder，裡面是Self-attention，不管天涯海角，句子都會有相關聯，因此放起始處還是可以取得所有訊息的context。

文獻上記錄著，兩個方法一起用的效果最好。基本上可以將BERT視為一種抽feature的方法，經過BERT取得embedding，就可以拿著這個embedding來做你想做的事情。

How to user BERT - Case 1

在BERT的論文中並非單純的將BERT視為抽feature的工具，而是與整個任務一起訓練，論文中說明了四種範例，這邊說明第一種。

假設任務input-sentence, output-class：舉例來說，輸入一個句子，判斷它的情緒是正面還是負面，或是文章分類。這時候"CLS"的output就可以去predict是那一個類別。

目前網路上已經有中文的BERT，因此取用的話，對於classifier的部份是重新訓練，而BERT的部份則是微調即可。

How to user BERT - Case 2

第二種範例，input-sentence，output-每一個word的class：舉例來說，Slot filling，決定每一個單詞應該放在那。這時候每一個input的output(embedding)都會經過一個classifier來決定它應該是那一個類別。

BERT與classifier是一起學習的，一樣的BERT是微調，而classifier是重新訓練。

How to user BERT - Case 3

第三種範例，input-兩個句子，output-class：舉例來說，要機器學會推論，給機器一個前提，一個假設，要機器回答對或不對，或者不知道，這是一個只有三個類別的分類問題。

一樣的在起始處放一個"CLS"，它的output就是用來給classifier預測對、不對、不知道

How to user BERT - Case 4

第四種範例，是解一種Extraction-based的問題，也就是QA。就跟以前考英聽一樣，聽一段很長的話，然後問機器問題，希望可以得到答案，可以注意到，答案都是在文章有出現的。

這種問題的解法，給定文章-$D$與問題-$Q$(以token sequence表示)，假設$D$有N個token，而$Q$有M個token，兩個input經過QA Model得到兩個output-$s,e$(皆為整數)，這兩個整數代表問題的答案落在第$ssime$個token間。

舉例來說，簡報上的問題一，答案gravity是第17個word，因此output為$s=17,e=17$，而within a cloud的話假設是第77到第79個word，那output就是$s=77,e=79$。

How to user BERT - Case 4

解QA Model的作法：

1. 給定問題$q$與文章$d$，中間以"SEP"接起來，起始一個"CLS"
2. 文章裡面的每一個詞彙經過BERT都會有一個embedding
3. 讓機器去學習兩個vector(紅、藍)，其維度與output的embedding一樣
4. vector(紅)與文章的每一個詞彙做點積計算(dot product)得到scalar
5. 將得到的scalar經過softmax讓文章裡面的每一個詞彙都得到一個分數(範例$d_2$最高，因此$s=2$)
6. vector(藍)與文章的每一個詞彙做點積計算(dot product)得到scalar
7. 將得到的scalar經過softmax讓文章裡面的每一個詞彙都得到一個分數(範例$d_3$最高，因此$e=3$)
8. 取得答案$s=2,e=3$，即$d_2,d_3$

如果這時候得到的答案是$e=3,s=2$，那應該就要回答此題無解。一樣的BERT只要微調，兩個vector是重頭訓練的。

Enhanced Representation through Knowledge Integration(ERNIE)

ERNIE是專門為中文所設計，因為BERT是單純的隨機蓋掉幾個WORD，這對中文而言太好猜出，因此ERNIE的概念是蓋掉一個詞彙。

What does BERT learn?

論文連結_BERT Rediscovers the Classical NLP Pipeline
WHAT DO YOU LEARN FROM CONTEXT? PROBING FOR
SENTENCE STRUCTURE IN CONTEXTUALIZED WORD
REPRESENTATIONS

BERT每一層所學的就像是NLP的pipeline，先決定詞性，再決定文法，找出代名詞所指射的名詞…等。所以可以看的到，橫軸所代表的是不同的layer，縱軸則NLP的pipeline，不同的pipeline所output的embedding做weighted sum的反應會有所不同。舉例來說，POS的時候所需的可能是中間的10~13層。

Multilingual BERT

Google利用維基百科的資料，訓練一個BERT以104種語言進行訓練，雖然沒有進行翻譯的訓練，但透過看104種語言的文章，模型自己學習到了部份語言之間的對應關係。舉例來說，你給BERT去學著做英文文章分類，這時候它會同時自己學會中文文章的分類。

Generative Pre-Training(GPT)

GPT是一個非常巨大的language model，以上圖來看確實巨大，參數量也嚇人。GPT就是Transformer的decoder。

Zero-shot Learning?

GPT2可以在完全沒有訓練資料的情況下完成幾件事：

• Reading Comprehension(QA)
  • 給定一篇文章$d$，問問題$Q:$，問它$A:$，就會得到答案
• Summarization
  • 給定一篇文章，問"TL;DL:"，就可以得到一篇摘要
• Translation
  • 給定兩個英、法句子，最後只要再給一個英文句子，GPT2就會給你法文句子

GPT2可以做到zero-shot learning，這人讓感到非常神奇，而且效果還不錯，以右上趨勢圖來看(縱軸為F1-score，橫軸為GPT2參數量)，在1542M參數量的時候可以達到DrQA的效能(上圖為Reading Comprehension的結果)。

GPT2是利用40G的資料所訓練出來的結果，或許是因為在文章內含有"A:"類的QA，因此只要看到"A:"，GPT2就會自動的給你答案。

Visualization

上圖是對GPT2的可視化觀察，右邊的圖所代表的說明：左邊為下一層的結果，右邊為上一層要被attention的對象，可以看的到"She"所atten的是"nurse"，而"He"所atten的是"The docker"

左邊的圖則是對不同層的不同head的分析，可以看的到，左邊很多都atten到右邊第一個詞彙，這有一種可能，就是不需要atten，因此機器自己學到這種情況就atten到第一個詞彙就可以。

OpenAI

GPT2是OpenAI所訓練，上圖就是讓GPT2自己生成一篇文章的結果，給定上面的一個起頭，下面都是由機器所生成，這也是為什麼GPT2的形象是獨角獸的原因。

Demo

Transformer Demo

所用的是完整版的GPT2，與課程時候相比已有更新。