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。

在这里插入图片描述

文章目录

- 循环神经网络（RNN)
- - 普通RNN
  - 长短期记忆网络（LSTM）
  - 门控循环单元（GRU)
- RNN架构
- 注意力
- - 带注意力的seq2seq
  - 自注意力
  - 多头注意力
- Transformer
- - 第一步. 将位置编码加入词嵌入
  - 第二步. 编码器：多头注意力和前馈
  - 第三步. 解码器：（掩码）多头注意力和前馈
  - 第四步. 分类器
- 总结

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 $x_t$ ，并通过隐藏状态 $h_{t-1}$ 记忆过去的序列。隐藏状态更新为 $h_t$ 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。
在这里插入图片描述 $h_t = \tanh(W \sdot [h_{t-1}, x_t]+b)$

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)。

在这里插入图片描述

LSTM单元

$\begin{align} f_t&=\sigma(W_f \sdot [h_{t-1}, x_t]+b_f)\notag\\ i_t&=\sigma(W_i \sdot [h_{t-1}, x_t]+b_i)\notag\\ \tilde{C}_t &= \tanh(W_c \sdot [h_{t-1}, x_t]+b_c)\notag\\ o_t&=\sigma(W_o \sdot [h_{t-1}, x_t]+b_o)\notag\\ C_t&=f_t \circ C_{t-1}+i_t \circ \tilde{C}_t\notag\\ h_t &= o_t \circ \tanh(C_t)\notag \end{align}$

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 $C_t$ ，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 $h_{t-1}$ 和 $x_t$ ，并输出一个由 0 到 1 之间的数字组成的向量 $f_t$ ，它告诉我们要从单元状态 $C_{t-1}$ 中丢弃哪些信息。
输入门 $\rarr$ 相似遗忘门，但这次输出的 $i_t$ 用于根据虚拟单元状态 $\acute{c}_t$ 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 $o_t$ 用于过滤更新后的单元状态 $C_t$ 得到新的隐藏状态 $h_t$ 。

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”。

在这里插入图片描述

GRU单元

$\begin{align} r_t&=\sigma(W_r \sdot [h_{t-1}, x_t]+b_r)\notag\\ z_t&=\sigma(W_z \sdot [h_{t-1}, x_t]+b_z)\notag\\ \tilde{h}_t &= \tanh(W_h \sdot [r_t \circ h_{t-1}, x_t]+b_h)\notag\\ h_t &= (1-z_t) \circ h_{t-1} + z_t \circ \tilde{h}_t\notag \end{align}$

GRU中有两个门：

重置门 $\rarr$ 查看 $h_{t-1}$ 和 $x_t$ ，并输出一个由 0 到 1 之间的数字组成的向量 $r_t$ ，它决定需要忽略多少过去的信息 $h_{t-1}$ 。
更新门 $\rarr$ 确定我们要在新的隐藏状态 $h_t$ 中保存的信息或基于 $r_t$ 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 $y_t$ 可以表示为：
$y_t = g(Wh_t+b)$
其中 $W$ 是权重， $b$ 是偏差， $g$ 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。

在这里插入图片描述

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 $x_1,x_2,\dots,x_t$ 被翻译成输出序列 $y_1,y_2,\dots,y_m$ 。前 $t$ 个 RNN 单元组成编码器，后 $m$ 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。

在这里插入图片描述

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。

在这里插入图片描述

带注意力的seq2seq工作流程

$\begin{align} H&=[h_1, h_2, \dots, h_t]^T\notag\\ \text{Attention}(s_i, H)&=\text{softmax}(\frac{s_iH^T}{\sqrt{d_h}})\sdot H\notag \end{align}$

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 $s_i, h_j)$ 计算的，它表示编码器token $j$ 与解码器token $i$ 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
$\text{score}(s_i, h_j) = \frac{s_i^Th_j}{\sqrt{d_h}}$
其中 $d_h$ 是 $h_j$ （和 $s_i$ ）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。

在这里插入图片描述

自注意力工作流程

$\begin{align} X=[x_1, x_2, \dots, x_t]^T\notag\\ Q=[q_1, q_2, \dots, q_t]^T &= XW_Q\notag\\ K=[k_1, k_2, \dots, k_t]^T &= XW_K\notag\\ V=[v_1, v_2, \dots, v_t]^T &= XW_V\notag\\ \text{Attension}(Q, K, V) &= \text{softmax}(\frac{QK^T}{\sqrt{d_k}})\sdot V\notag \end{align}$

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 $q_i$ ，它与输入嵌入 $x_i$ 线性相关。
注意分数是根据 $q_i, k_j)$ 对计算得到的，其中 $k_j$ 是与 $q_i$ 具有相同维度的“关键”向量，并且也与 $x_j$ 线性相关。
与普通注意力中的 $k_j$ 再次乘以注意力权重不同，自注意力将新的“值”向量 $v_j$ 与注意力权重相乘。请注意， $v_j$ 可能具有与 $k_j$ 不同的维度，并且也与 $x_j$ 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。

在这里插入图片描述

带n个注意力机制的多头注意力工作流程

$\begin{align} X&=[x_1, x_2, \dots, x_t]^T\notag\\ Q&=XW_Q\notag\\ K&=XW_K\notag\\ V&=XW_V\notag\\ \text{head}_i&=\text{Attension}(QW_Q^{(i)},KW_k^{(i)},VW_V^{(i)})\notag\\ \text{MultiHead}(Q,K,V) &= \text{Concat}(\text{head}_1, \dots,\text{head}_n)W_0\notag \end{align}$

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 $X$ 和输出嵌入 $Y$ ，一般来说，Transformer有 $N$ 个编码器堆叠而成，连接到 $N$ 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）。

在这里插入图片描述

带n个编码器和解码器的 Transformer 工作流程

$\begin{align} p_{i, 2j}&=\sin(1/10000^{2j/d_x})\notag\\ p_{i, 2j+1}&=\cos(1/10000^{2j/d_x})\notag\\ X&=[x_1, x_2, \dots, x_t]^T+[P_{ij}]\notag\\ Y&=[\text{<bos>},x_1, \dots, y_m]^T+[P_{ij}]\notag\\ \notag\\ \text{For }r &= 1,2,\dots,N\notag\\ \quad X&:=\text{LayerNorm}(X+\text{MultiHead}(XW_Q, XW_K,XW_V))\notag\\ \quad X&:=\text{LayerNorm}(X+\max\{0,XW_1^{(r)}+b_1^{(r)}\}W_2^{(r)}+b_2^{(r)})\notag\\ \notag\\ \text{For }r &= 1,2,\dots,N\notag\\ \quad Y&:=\text{LayerNorm}(Y+\text{MaskMultiHead}(YW_Q, YW_K,YW_V))\notag\\ \quad Y&:=\text{LayerNorm}(Y+\text{MultiHead}(YW_Q, XW_K,XW_V))\notag\\ \quad Y&:=\text{LayerNorm}(Y+\max\{0,YW_3^{(r)}+b_3^{(r)}\}W_4^{(r)}+b_4^{(r)})\notag\\ \notag\\ \text{proba} &= \text{softmax}(YW_0)\notag \end{align}$

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

在这里插入图片描述
$\begin{align} p_{i, 2j}&=\sin(1/10000^{2j/d_x})\notag\\ p_{i, 2j+1}&=\cos(1/10000^{2j/d_x})\notag\\ X&=[x_1, x_2, \dots, x_t]^T+[P_{ij}]\notag\\ Y&=[\text{<bos>},x_1, \dots, y_m]^T+[P_{ij}]\notag \end{align}$

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：
$\begin{align} p_{i, 2j}&=\sin(1/10000^{2j/d_x})\notag\\ p_{i, 2j+1}&=\cos(1/10000^{2j/d_x})\notag \end{align}$
其中 $i$ 是token的位置（#0、#1 等）， $j$ 是编码的列号， $d_{x}$ 是编码的维度（与输入嵌入 $X$ 的维度相同 )。

下图是对编码维度为 $512$ 的前 $2048$ 个token的位置编码矩阵 $P$ 的可视化。

与 seq2seq 模型一样，输出嵌入 $Y$ 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 $X$ 和 $Y$ ，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

在这里插入图片描述
$\begin{align} \text{For }r &= 1,2,\dots,N\notag\\ \quad X&:=\text{LayerNorm}(X+\text{MultiHead}(XW_Q, XW_K,XW_V))\notag\\ \quad X&:=\text{LayerNorm}(X+\max\{0,XW_1^{(r)}+b_1^{(r)}\}W_2^{(r)}+b_2^{(r)})\notag \end{align}$

编码器由两部分组成：

输入嵌入 $X$ ——在添加位置编码 $P$ 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。

在这里插入图片描述

Transformer 编码器和解码器

第三步. 解码器：（掩码）多头注意力和前馈

在这里插入图片描述
$\begin{align} \text{For }r &= 1,2,\dots,N\notag\\ \quad Y&:=\text{LayerNorm}(Y+\text{MaskMultiHead}(YW_Q, YW_K,YW_V))\notag\\ \quad Y&:=\text{LayerNorm}(Y+\text{MultiHead}(YW_Q, XW_K,XW_V))\notag\\ \quad Y&:=\text{LayerNorm}(Y+\max\{0,YW_3^{(r)}+b_3^{(r)}\}W_4^{(r)}+b_4^{(r)})\notag \end{align}$

解码器包含三部分：

输出嵌入 $Y$ ——在右移并添加位置编码 $P$ 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

在这里插入图片描述
$\text{proba} = \text{softmax}(YW_0)$
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。