Self-Supervised Learning（李宏毅老师系列）

自学参考：
BERT: Pre-training of Deep Bidirectional Transformers for
Language Understanding
BERT 论文逐段精读
视频课
课件+资料
笔记

一、概述

自监督学习模型与芝麻街~
在这里插入图片描述

参数量
- ELMO：94M
- BERT：340M
- GPT-2：1542M
- Megatron：8B
- T5：11B
- Turing NLG：17B
- GPT-3：175B
- Switch Transformer：1.6T
“自监督学习”数据本身没有标签，所以属于无监督学习；但是训练过程中实际上“有标签”，标签是“自己生成的”。
想办法把训练数据分为“两部分”，一部分作为作为“输入数据、另一部分作为“标注”。

二、BERT

BERT是一个transformer的Encoder，BERT可以输入一行向量，然后输出另一行向量，输出的长度与输入的长度相同。

作为transformer，理论上BERT的输入长度没有限制。但是为了避免过大的计算代价，在实践中并不能输入太长的序列。
事实上，在训练中，会将文章截成片段输入BERT进行训练，而不是使用整篇文章，避免距离过长的问题。

BERT一般用于自然语言处理，一般来说，它的输入是一串文本。当然，也可以输入语音、图像等“序列”。

Masking Input

随机盖住一些输入的文字，被mask的部分是随机决定的。

MASK的方法：
- 第一种方法是，用一个特殊的符号替换句子中的一个词，我们用 "MASK " 标记来表示这个特殊符号，你可以把它看作一个新字，这个字完全是一个新词，它不在你的字典里，这意味着mask了原文。
- 另外一种方法，随机把某一个字换成另一个字。中文的 "湾"字被放在这里，然后你可以选择另一个中文字来替换它，它可以变成 "一 "字，变成 "天 "字，变成 "大 "字，或者变成 "小 "字，我们只是用随机选择的某个字来替换它

两种方法都可以使用，使用哪种方法也是随机决定的。
在这里插入图片描述

train

本质上，就是在解决一个分类问题。BERT要做的是预测什么被盖住。

向BERT输入一个句子，先随机决定哪一部分的汉字将被mask。
输入一个序列，我们把BERT的相应输出看作是另一个序列
在输入序列中寻找mask部分的相应输出，将这个向量通过一个Linear transform（矩阵相乘），并做Softmax得到一个分布。
用一个one-hot vector来表示MASK的字符，并使输出和one-hot vector之间的交叉熵损失最小。

application

Next Sentence Prediction

不太有用!
从数据库中拿出两个句子，两个句子之间添加一个特殊标记[SEP]，在句子的开头添加一个特殊标记[CLS]。这样，BERT就可以知道，这两个句子是不同的句子。
只看CLS的输出，我们将把它乘以一个Linear transform,做一个二分类问题，输出yes/no，预测两句是否前后连续。
在这里插入图片描述

ALBERT

Sentence order prediction，SOP(句子顺序预测）

挑选的两个句子是相连的。可能有两种可能性供BERT猜测：
- 句子1在句子2后面相连，
- 句子2在句子1后面相连。

Downstream Tasks

预训练：产生BERT的过程
微调：利用一些特别的信息，使BERT能够完成某种任务

BERT只学习了两个“填空”任务。
一个是掩盖一些字符，然后要求它填补缺失的字符。
预测两个句子是否有顺序关系。

但是，BERT可以应用在其他任务上，可能与“完形填空”无关甚至完全不同。类似于干细胞的功能，当我们想让BERT学习做某些任务时，只需一些标记信息，就能“激发潜能”

Evaluation

为了测试self-supervised的学习能力，通常会在一个任务集上测试它的准确性，取平均值得到总分

GLUE（General Language Understanding Evaluation）：对BERT的评价任务集
性能衡量：人类的准确度是1，如果他们比人类好，这些点的值就会大于1

How to use BERT

Sentiment analysis

给机器一个句子，让它判断这个句子是正面的还是负面的。

给它一个句子，把CLS标记放在这个句子的前面，只看CLS的部分。CLS在这里输出一个向量，我们对它进行Linear transform+Softmax，得到类别。
对下游任务，需要标注资料。
在训练的时候，Linear transform和BERT模型都是利用Gradient descent来更新参数的。
- Linear transform的参数是随机初始化的
- 而BERT的参数是由学会填空的BERT初始化的。⇒将获得比随机初始化BERT更好的性能。
对比预训练与随机初始化
- "fine-tune"是指模型被用于预训练，这是网络的BERT部分。该部分的参数是由学习到的BERT的参数来初始化的，以填补空白。
- scratch表示整个模型，包括BERT和Encoder部分都是随机初始化的。
  scratch与用学习填空的BERT初始化的网络相比，损失下降得比较慢，最后，用随机初始化参数的网络的损失高于用学习填空的BERT初始化的参数
使用BERT的整个过程是连续应用Pre-Train+Fine-Tune，它可以被视为一种半监督方法(semi-supervised learning)
- 当你进行Self-supervised学习时，你使用了大量的无标记数据⇒unsupervised learning
- Downstream Tasks 需要少量的标记数据。

POS tagging

BERT部分，即网络的Encoder部分，其参数不是随机初始化的。
在预训练过程中，它已经找到了不错的参数。
在这里插入图片描述

Natural Language Inference(NLI)

给出前提和假设，机器要做的是判断，是否有可能从前提中推断出假设。
⇒预测“赞成、反对”
在这里插入图片描述
你只要给它两个句子，我们在这两个句子之间放一个特殊的标记SEP，并在最开始放CLS标记。最终考察CLS标记对应的输出向量，将其放入Linear transform的输入得到分类。

Extraction-based Question Answering (QA)

输入序列包含一篇文章和一个问题，文章和问题都是一个序列。
对于中文来说，每个d代表一个汉字，每个q代表一个汉字。把d和q放入QA模型中，希望它输出两个正整数s和e。根据这两个正整数，可以直接从文章中截取一段，它就是答案。这个片段就是正确的答案。
在这里插入图片描述
对于BERT来说，你必须向它展示一个问题，一篇文章，以及在问题和文章之间的一个特殊标记，然后我们在开头放一个CLS标记。
在这个任务中，你唯一需要随机初始化从头训练两个向量，分别对应与答案的开始与结束，用橙色向量和蓝色向量来表示，这两个向量的长度与BERT的输出相同。

首先,计算这个橙色向量和那些与document相对应的输出向量（黄色向量）的内积,计算内积,通过softmax函数，找到数值最大的位置，即为答案的开始位置。
【这个内积和attention很相似，可以把橙色部分看成是query，黄色部分看成是key，这是一个attention，那么我们应该尝试找到分数最大的位置】
类似地，利用蓝色向量可以找到答案的结尾位置。