1.  BERT模型深度解析

2.  大規(guī)模參數(shù)的語言模型Megatron-BERT

我們今天主要是溫故知新我先帶大家復(fù)習(xí)一下BERT模型的整體架構(gòu)，內(nèi)容不會(huì)特別偏數(shù)學(xué)，主要把BERT一些要點(diǎn)給大家說清楚，包括BERT的輸入/輸出以及具體它是怎么工作的，然后介紹NVIDIA基于BERT開發(fā)出的一系列好的模型。

先介紹一下自然語言處理常見的應(yīng)用方向，類是序列標(biāo)注，比如命名實(shí)體的識別、語義標(biāo)注、詞性標(biāo)注，循環(huán)智能也是用了序列標(biāo)注。第二類是分類任務(wù)，如文本分類和情感分析，這個(gè)方向目前在量化金融L域，尤其是對沖基金上應(yīng)用性很強(qiáng)，尤其是情感分析。我記得3、4年前，有一條新聞?wù)f斯坦福大學(xué)的一個(gè)碩士生，暑期在他的宿舍里用幾塊GPU卡，自己搭建了一個(gè)小的超J計(jì)算機(jī)，他把Twitter上的信息全部錄下來，每天更新。他使用了BERT進(jìn)行情感分析，把每天每個(gè)人的信息分成三類：positive積J、neutral中性、negative消J。他把三類情感的量化信息和當(dāng)天納斯達(dá)克股票的升跌情況匯總，進(jìn)行了統(tǒng)計(jì)分析，發(fā)現(xiàn)如果Twitter上的信息大部分都是積J的，那么股票就有很大的概率會(huì)上漲。我們現(xiàn)在把這類數(shù)據(jù)叫做情感分析因子，它在股票分析上是一個(gè)特別重要的推進(jìn)方向，能讓模型越發(fā)準(zhǔn)確。第三類NLP應(yīng)用方向就是對句子關(guān)系的判斷，如自然語言的推理、問答系統(tǒng)，還有文本語義相似性的判斷。后一類，是生成式任務(wù)，如機(jī)器翻譯、文本摘要，還有創(chuàng)造型的任務(wù)比如機(jī)器寫詩、造句等。

BERT模型深度解析

現(xiàn)在我們進(jìn)入正題:對BERT的講解。要了解BERT，先我們要說一下Transformer，因?yàn)锽ERT主要就是基于Transformer和注意力機(jī)制，這兩點(diǎn)也是BERT能從GPT、RNN、LSTM等一系列架構(gòu)中能脫穎而出的很大原因。Attention，專業(yè)的叫法是Attention Mechanism，Attention是一個(gè)Encoder+Decoder的模型機(jī)制。Encoder-Decoder模型是在深度學(xué)習(xí)中比較常見的模型結(jié)構(gòu)：在計(jì)算機(jī)視覺中這個(gè)模型的應(yīng)用是CNN+RNN的編輯碼框架；在神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯的應(yīng)用是sequence to sequence模型，也就是seq2seq。而編碼(Encoder)就是將序列編碼成一個(gè)固定長度的向量,解碼(Decoder)就是將之前生成的向量再還原成序列。

那么問題來了，為什么要在Encoder-Decoder模型機(jī)制中引入Attention呢？因?yàn)?Encoder-Decoder模型有兩個(gè)比較顯著的弊端：

一是Encoder會(huì)把序列信息壓縮成一個(gè)固定長度的向量，那么在Encoder的輸出中，我們暫且把它叫做語義編碼c，c就有可能無法完全地表示出全部序列的信息，尤其是當(dāng)信息特別長時(shí)。

二是先輸入到網(wǎng)絡(luò)中的信息會(huì)被后輸入的信息覆蓋掉，輸入的信息越長，對先前輸入信息的遺忘程度就越大。因?yàn)檫@兩個(gè)弊端，Decoder在解碼的一開始就沒有獲得一個(gè)相對完整的信息，也就是語義編碼c沒有一個(gè)相對完整的信息輸入，那么它解碼的效果自然就不好。有的同學(xué)可能會(huì)說想要解決RNN記憶力差的問題，可以考慮用LSTM。我們的確可以考慮LSTM,但LSTM對超長距離的信息記憶，效果也不是很好。

我們再來看看Attention為什么能夠解決這個(gè)問題。Attention,顧名思義是注意力。它是模仿人類的注意力，人類在處理一個(gè)問題時(shí)會(huì)把注意力放到那個(gè)特別重要的地方，比如我們在短時(shí)間內(nèi)去看一張照片，眼落到照片上的位置可能是某個(gè)建筑物或者是某個(gè)人，這取決于我們不同的目的和興趣等。我們不會(huì)在短時(shí)間之內(nèi)記清楚甚至是看清楚照片上的全部細(xì)節(jié)，但是我們會(huì)將注意力聚焦在某個(gè)特定的細(xì)節(jié)上并記住它。Attention模型終輸出結(jié)果也是能夠達(dá)到這么一個(gè)效果。 

Attention的機(jī)制早也是應(yīng)用在計(jì)算機(jī)視覺上面，然后是在自然語言處理上面發(fā)揚(yáng)光大。由于2018年在GPT模型上的效果非常顯著，所以Attention和 Transformer才會(huì)成為大家比較關(guān)注的焦點(diǎn)。之所以Attention的能力在NLPL域得到了徹底釋放，是因?yàn)樗�解決了RNN不能并行計(jì)算的弊端，Attention使其每一步的計(jì)算不依賴于上一步的計(jì)算，達(dá)到和CNN一樣的并行處理效果。并且由于Attention只關(guān)注部分的信息，所以它的參數(shù)較少，速度就會(huì)快。其次RNN記憶能力較差，所以大家一開始想到的解決方式都是用LSTM和GRU(Gated Recurrent Unit)來解決長距離信息記憶的問題，但是都沒有起到很好的效果。Attention由于只關(guān)注長文本中的一個(gè)小部分，可以準(zhǔn)確地識別出關(guān)鍵信息，所以取得了特別不錯(cuò)的效果。

下面我們來說一下Attention是怎么實(shí)現(xiàn)的聚焦。主要是因?yàn)樗�是采用了雙向的RNN,能夠同時(shí)處理每個(gè)單詞前后的信息。在Decoder中，它先計(jì)算每一個(gè)Encoder在編碼隱藏層的狀態(tài)，然后會(huì)和Decoder隱藏層狀態(tài)比較，做出相關(guān)程度的評定。得到的權(quán)值會(huì)通過softmax歸一化得到使用的權(quán)重，也就是我們前面所說的編碼向量c。然后對Encoder中對應(yīng)的不同狀態(tài)的權(quán)重進(jìn)行加權(quán)求和，有了編碼c之后，我們就可以先計(jì)算Decoder隱藏層的狀態(tài)，然后再計(jì)算Decoder的輸出。這就是一個(gè)比較完整的在BERT當(dāng)中運(yùn)用Attention以及Encoder-Decoder模型的使用案例。Attention根據(jù)計(jì)算區(qū)域、權(quán)值的計(jì)算方式等會(huì)有很多不同變種。

不止是在NLPL域，在其他很多L域中，Transformer的模型由于很好用都是大家選的，主要的一個(gè)運(yùn)用機(jī)制就是Attention。我們之后會(huì)說到的Transformer模型會(huì)用到 Multi-head Attention和Self-Attention。先說一下Self-Attention，Self-Attention是將原文中每個(gè)詞和該句子中所有單詞之間進(jìn)行注意力的計(jì)算，主要是為了尋找原文內(nèi)部的關(guān)系。對應(yīng)到閱讀理解任務(wù)，這個(gè)模型就可以判定一篇文章中的兩段話是不是同一個(gè)意思。Multi-head Attention，則是對一段原文使用多次的注意力，每次會(huì)關(guān)注到原文的不同部分，相當(dāng)于多次地在單層中使用Attention，然后把結(jié)果給拼接起來。