OMSCS-DL课程笔记12-Language Models

这个系列是Gatech OMSCS 深度学习课程(CS 7643: Deep Learning)的同步课程笔记。课程内容涉及深度学习的基本理论方法以及它在计算机视觉、自然语言处理以及决策理论等领域中的应用，本节主要介绍语言模型。

Modeling Language

语言模型(language models)是自然语言处理(natural language processing, NLP)的重要技术之一。通过语言模型我们可以计算任意一个给定句子出现的概率，也可以比较不同句子出现的可能性。

严格来说语言模型的目标是计算给定词序列的联合概率，它等价于对序列中每个词的条件概率进行累乘。

语言模型在日常生活中已经有了大量的应用：从输入法的自动联想到语音识别乃至文本的语法检查，这些技术的背后都有语言模型作为基础。

需要说明的一点是尽管语言模型是定义在词序列的联合概率上，但在实际应用中语言模型往往会定义为某个给定条件\(c\)下的联合概率。根据不同的应用场景，\(c\)可以表示话题、文档、语种等等不同的条件。

Recurrent Neural Networks

Sequence Modeling

为了处理这种序列数据人们开发出了循环神经网络(Recurrent Neural Networks, RNN)，它的典型应用包括语音识别、情感分析、话题分类等。

How to Feed Words to an RNN?

RNN的大部分应用都与文本有关，因此在继续介绍RNN之前首先需要考虑如何对文本进行建模。最简单的建模方法是首先建立一个词典，然后把每个词都转换成一个one-hot vector进行表示。在后面的课程中会陆续介绍更高级的词向量表示方法。

Modeling Sequences with MLPs

有了词向量后就需要考虑如何把词向量构成的序列送入神经网络中。以情感分析为例，我们可以设计一个全连接网络，网络的输入为词向量构成的序列而输出为正向情感或负向情感。

而这种全连接网络的缺陷在于它只能处理固定长度的序列，如果句子的长度发生改变就不能再使用这个网络了。

总结一下，传统的全连接网络无法适应变长的序列作为输入，也无法产生序列形式的输出。同时全连接网络也无法捕捉序列的时序特性，因此不适合序列形式的任务。

Recurrent Neural Networks

接下来我们开始介绍能够处理序列数据的RNN模型。严格来说RNN是指一类处理序列类型数据的神经网络，它们的特点是在\(t\)时刻接收输入\(x_t\)以及上一时刻隐状态\(h_{t-1}\)作为输入，然后更新当前时刻的隐状态\(h_t\)。

得到隐状态后就可以利用隐状态(序列)执行下游的不同任务。

Backpropagation Through Time

需要说明的是由于RNN在计算上是有时序依赖的，在进行反向传播时需要从后向前按照计算顺序的反向来计算导数。显然这种计算方式在序列比较长的情况下会十分低效，因此在RNN的训练过程中往往还会对最大时间进行截断。

Vanilla (Elman) RNN

标准RNN的计算方式与全连接网络没有明显差异，只不过需要同时考虑序列数据\(x_t\)以及上一时刻隐状态\(h_{t-1}\)两个输入。

然而这种形式的RNN容易出现梯度消失(vanishing gradients)或是梯度爆炸(exploding gradients)的问题。如果梯度的模大于1，在反向传播时会使得前面的梯度发散；而如果梯度的模小于1，则会使前面的梯度趋于0。

Long Short-Term Memory (LSTM) Networks

为了克服这个缺陷人们又开发出了长短记忆网络(long short-term memory networks, LSTM)。LSTM包含两个隐状态\(h_t\)和\(c_t\)，同时还引入了4种不同的门控制输入。

LSTM的正向计算过程可参见下图。

RNN Language Model

使用RNN训练语言模型只需要把词序列中的每个词作为输入然后用RNN来预测输出即可。

Evaluating LM Performance

要衡量模型的性能一般可以使用交叉熵(cross entropy)，交叉熵越小模型的性能就越好。

另一种常用的度量是困惑度(perplexity)，它是交叉熵的指数形式。

Training

还需要说明的是在训练RNN时会使用给定的序列作为输入而不是语言模型预测出的词来进行训练。

Masked Language Models

目前性能最好的语言模型是基于掩码的预训练语言模型。这类语言模型一般是通过设计一个单独的预训练任务来获得，然后结合到不同的下游任务中以提高下游任务的性能。

在训练语言模型时要求遮住一部分输入数据，然后利用模型来预测这些词来完成训练。

得到语言模型和词嵌入后可以把它们作为下游任务的一部分继续训练。

同样的思路也可以用在机器翻译中，通过一个额外的语种嵌入来训练语言模型。

Knowledge Distillation

目前这种基于预训练的超大规模语言模型已经统治了整个NLP领域，并且在一些指标上已经接近甚至超过了人类水平。

然而这些语言模型都具有海量的参数，在训练时也需要非常多的资源，在很多应用场景中我们无法部署这样的大型模型。为了缓解这样的问题，可以使用知识蒸馏(knowledge distillation)的方式来训练一个比较小的student模型作为替代。使用知识蒸馏进行训练时需要让大型的预训练模型来指导student模型，这需要在设计损失函数时同时考虑student模型与目标结果以及预训练模型结果这两部分的损失。