摘要：?遷移學(xué)習(xí)正在各個領(lǐng)域大展拳腳，NLP領(lǐng)域正在受到?jīng)_擊！

在我們之前的文章中，我們展示了如何使用CNN與遷移學(xué)習(xí)為我們自己創(chuàng)建圖片構(gòu)建分類器。今天，我們介紹NLP中遷移學(xué)習(xí)的最新趨勢，并嘗試進行分類任務(wù)：將亞馬遜評論的數(shù)據(jù)集分類為正面或負(fù)面。

NLP中的遷移學(xué)習(xí)理念在fast.ai課程中得到了很好的體現(xiàn)，我們鼓勵你查看論壇。我們這里的參考文件是??Howard，Ruder，“用于文本分類的通用語言模型微調(diào)”。

什么是遷移學(xué)習(xí)？

計算機視覺是一個使用遷移學(xué)習(xí)而取得巨大進步的領(lǐng)域。它具有數(shù)百萬參數(shù)的高度非線性模型需要大量數(shù)據(jù)集進行訓(xùn)練，并且通常需要數(shù)天或數(shù)周才能進行訓(xùn)練，只是為了能夠?qū)D像分類為包含狗或貓！

隨著ImageNet的挑戰(zhàn)，團隊每年都參與競爭，以設(shè)計出最佳的圖像分類器。已經(jīng)觀察到這些模型的隱藏層能夠捕獲圖像中的一般知識（邊緣、某些形式、樣式......）。因此，每次我們想要改變?nèi)蝿?wù)時，沒有必要從頭開始重新訓(xùn)練模型。

讓我們以VGG-16模型為例（Simonyan、Karen和Zisserman·“用于大規(guī)模圖像識別的非常深的卷積網(wǎng)絡(luò)。”（2014））

這種架構(gòu)比較復(fù)雜、層數(shù)多、參數(shù)數(shù)量多。作者聲稱使用4個強大的GPU訓(xùn)練了為3周時間。

遷移學(xué)習(xí)的想法是，由于中間層被認(rèn)為是學(xué)習(xí)圖像的一般知識，我們可以將它們用作當(dāng)成比較全面的特征！我們將下載一個預(yù)先訓(xùn)練好的模型（在ImageNet任務(wù)上訓(xùn)練數(shù)周），刪除網(wǎng)絡(luò)的最后一層（完全連接的層，在ImageNet挑戰(zhàn)的1000個類上投射功能），添加put而不是我們選擇的分類器，適合我們的任務(wù)（如果我們有興趣對貓和狗進行分類，則為二元分類器），最后僅訓(xùn)練我們的分類層。并且因為我們使用的數(shù)據(jù)可能與之前訓(xùn)練過的模型數(shù)據(jù)不同，我們也可以進行微調(diào)步驟，這樣我們就能在相當(dāng)短的時間內(nèi)訓(xùn)練所有層。

除了更快地進行訓(xùn)練之外，遷移學(xué)習(xí)特別有趣，因為僅在最后一層進行訓(xùn)練使我們僅使用較少的標(biāo)記數(shù)據(jù)即可，而端對端訓(xùn)練整個模型則需要龐大的數(shù)據(jù)集。標(biāo)記數(shù)據(jù)很昂貴，并且非常需要建立高質(zhì)量模型而不需要大數(shù)據(jù)集。

那么NLP中的遷移學(xué)習(xí)呢？

NLP深度學(xué)習(xí)的進展不像計算機視覺那樣成熟。雖然可以想象機器能夠?qū)W習(xí)邊緣、圓形、正方形等形狀，然后使用這些知識做其他事情，但對于文本數(shù)據(jù)來說這些并不簡單。

最初流行的在NLP中遷移學(xué)習(xí)是由嵌入模型這個詞（由word2vec和GloVe廣泛推廣）帶來的。這些單詞矢量表示利用單詞的上下文，將它們表示為向量，其中相似的單詞應(yīng)具有相似的單詞表示。

在這個圖中，來自word2vec論文，我們看到該模型能夠?qū)W習(xí)國家與其首都城市之間的關(guān)系。

包括預(yù)先訓(xùn)練的單詞向量已經(jīng)顯示出在大多數(shù)NLP任務(wù)中改進度量，因此已經(jīng)被NLP社區(qū)廣泛采用，被用來尋找甚至更好的單詞/字符/文檔表示。與計算機視覺一樣，預(yù)訓(xùn)練的單詞向量可以被視為特征化函數(shù)，轉(zhuǎn)換一組特征中的每個單詞。

但是，單詞嵌入僅代表大多數(shù)NLP模型的第一層。之后，我們?nèi)匀恍枰獜念^開始訓(xùn)練所有RNN / CNN /自定義層。

用于文本分類的語言模型微調(diào)

今年早些時候霍華德和羅德提出了ULMFit模型，以此來進一步提升了遷移學(xué)習(xí)在NLP的應(yīng)用。

他們正在探索的想法是基于語言模型。語言模型是一種能夠根據(jù)已經(jīng)看到的單詞預(yù)測下一個單詞的模型（想想你的智能手機在你發(fā)短信時為你猜測下一個單詞）。就像圖像分類器通過對圖像分類來獲得圖像的內(nèi)在知識一樣，如果NLP模型能夠準(zhǔn)確地預(yù)測下一個單詞，那么說明它已經(jīng)學(xué)到了很多關(guān)于自然語言結(jié)構(gòu)。這些知識應(yīng)提供良好的初始化，然后可以在自定義任務(wù)上進行訓(xùn)練！

ULMFit建議在非常大的文本語料庫（例如維基百科）上訓(xùn)練語言模型，并將其用作任何分類器的主干！由于你的文本數(shù)據(jù)可能與維基百科的編寫方式不同，因此你需要微調(diào)語言模型的參數(shù)以將這些差異考慮在內(nèi)。然后，我們將在此語言模型的頂部添加分類器層，并僅訓(xùn)練此層！

ULMfit paper

讓人驚訝的結(jié)果是，使用這種預(yù)訓(xùn)練的語言模型使我們能夠在更少標(biāo)記的數(shù)據(jù)上訓(xùn)練分類器！雖然未標(biāo)記的數(shù)據(jù)在網(wǎng)絡(luò)上幾乎是無限的，但標(biāo)記數(shù)據(jù)非常昂貴且耗時。

以下是他們從IMDb情緒分析任務(wù)中報告的結(jié)果：

雖然只有100個示例，它們能夠達到與使用20k示例從頭開始訓(xùn)練時模型達到的相同錯誤率！

此外，他們還提供了代碼，以你選擇的語言預(yù)先訓(xùn)練語言模型。由于維基百科存在很多的語言中，因此我們可以使用維基百科數(shù)據(jù)快速從一種語言遷移到另一種語言。眾所周知，公共標(biāo)簽數(shù)據(jù)集更難以使用英語以外的語言進行訪問。在這里，你可以對未標(biāo)記數(shù)據(jù)上的語言模型進行微調(diào)，花幾個小時手動注釋幾百/千個數(shù)據(jù)點，并使分類器頭部適應(yīng)你預(yù)先訓(xùn)練的語言模型來執(zhí)行你的任務(wù)！

?

游樂場與亞馬遜評論

為了改變這種方法的不足之處，我們使用為其論文中的公共數(shù)據(jù)集上進行了嘗試。我們在Kaggle上找到了這個數(shù)據(jù)集：它包含4百萬條關(guān)于亞馬遜產(chǎn)品的評論，并用積極或消極的情緒標(biāo)記它們。我們將針對ULMfit的fast.ai課程調(diào)整將亞馬遜評論分類為正面或負(fù)面。我們發(fā)現(xiàn)只需要1000個數(shù)據(jù)點，該模型就能夠匹配通過在完整數(shù)據(jù)集上從頭開始訓(xùn)練FastText模型獲得的準(zhǔn)確度分?jǐn)?shù)。僅使用100個標(biāo)記示例，該模型仍然能夠獲得良好的性能。

要重現(xiàn)此實驗，你可以使用此筆記本，建議使用GPU來運行微調(diào)和分類部分。

NLP中的無監(jiān)督與監(jiān)督學(xué)習(xí)，圍繞意義進行討論

使用ULMFit，我們使用了無監(jiān)督和監(jiān)督學(xué)習(xí)。訓(xùn)練無監(jiān)督的語言模型是“便宜的”，因為你可以在線訪問幾乎無限的文本數(shù)據(jù)。但是，使用監(jiān)督模型很昂貴，因為你需要對數(shù)據(jù)進行標(biāo)記。

雖然語言模型能夠從自然語言的結(jié)構(gòu)中捕獲大量相關(guān)信息，但尚不清楚它是否能夠捕獲文本的含義，即“發(fā)送者打算傳達的信息或概念”。

你可能已經(jīng)關(guān)注了NLP中非常有趣的Twitter主題。在這個帖子中，艾米莉·本德利用“泰國房間實驗”對她進行了反對意義捕獲的論證：想象一下，你在一個巨大的圖書館里得到了所有泰國文學(xué)的總和。假設(shè)你還不懂泰語，你就不會從中學(xué)到任何東西。

所以我們可以認(rèn)為語言模型學(xué)到的更多是語法而不是意義。然而，語言模型比僅僅預(yù)測語法相關(guān)的句子更好。例如，“我要吃來這臺電腦”和“我討厭這臺電腦”兩者在語法上都是正確的，但一個好的語言模型應(yīng)該能夠知道“我討厭這臺電腦”應(yīng)該比另外一句更“準(zhǔn)確”。所以，即使我看過整個泰語維基百科，我也無法用泰語寫作，但很容易看出語言模型確實超越了簡單的語法/結(jié)構(gòu)理解。

我們不會在這里進一步探討意義的概念（這是一個無窮無盡且引人入勝的話題/辯論），如果你有興趣，我們建議你看下Yejin Choi在ACL 2018的演講中是如何探討這一主題的。

NLP中遷移學(xué)習(xí)的未來

ULMFit取得的進展推動了NLP遷移學(xué)習(xí)的研究。對于NLP來說，這是一個激動人心的時刻，因為其他微調(diào)語言模型也開始出現(xiàn)，特別是FineTune Transformer LM。我們還注意到，隨著更好的語言模型的出現(xiàn)，我們甚至可以改善這種知識遷移。

原文鏈接

本文為云棲社區(qū)原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。

總結(jié)

以上是生活随笔為你收集整理的NLP中的迁移学习的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。