深度解析大規模參數語(yǔ)言模型Megatron-BERT

1.  BERT模型深度解析

2.  大規模參數的語(yǔ)言模型Megatron-BERT

我們今天主要是溫故知新我先帶大家復習一下BERT模型的整體架構，內容不會(huì )特別偏數學(xué)，主要把BERT一些要點(diǎn)給大家說(shuō)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(kāi)發(fā)出的一系列好的模型。

首先介紹一下自然語(yǔ)言處理常見(jiàn)的應用方向，第一類(lèi)是序列標注，比如命名實(shí)體的識別、語(yǔ)義標注、詞性標注，循環(huán)智能也是用了序列標注。第二類(lèi)是分類(lèi)任務(wù)，如文本分類(lèi)和情感分析，這個(gè)方向目前在量化金融領(lǐng)域，尤其是對沖基金上應用性很強，尤其是情感分析。我記得3、4年前，有一條新聞?wù)f(shuō)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)小的超級計算機，他把Twitter上的信息全部錄下來(lái)，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(lèi)：positive積極、neutral中性、negative消極。他把三類(lèi)情感的量化信息和當天納斯達克股票的升跌情況匯總，進(jìn)行了統計分析，發(fā)現如果Twitter上的信息大部分都是積極的，那么股票就有很大的概率會(huì )上漲。我們現在把這類(lèi)數據叫做情感分析因子，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)準確。第三類(lèi)NLP應用方向就是對句子關(guān)系的判斷，如自然語(yǔ)言的推理、問(wèn)答系統，還有文本語(yǔ)義相似性的判斷。最后一類(lèi)，是生成式任務(wù)，如機器翻譯、文本摘要，還有創(chuàng )造型的任務(wù)比如機器寫(xiě)詩(shī)、造句等。

BERT模型深度解析

現在我們進(jìn)入正題:對BERT的講解。要了解BERT，首先我們要說(shuō)一下Transformer，因為BERT最主要就是基于Transformer和注意力機制，這兩點(diǎn)也是BERT能從GPT、RNN、LSTM等一系列架構中能脫穎而出的很大原因。Attention，專(zhuān)業(yè)的叫法是Attention Mechanism，Attention是一個(gè)Encoder+Decoder的模型機制。Encoder-Decoder模型是在深度學(xué)習中比較常見(jiàn)的模型結構：在計算機視覺(jué)中這個(gè)模型的應用是CNN+RNN的編輯碼框架；在神經(jīng)網(wǎng)絡(luò )機器翻譯的應用是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(cháng)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(wèn)題來(lái)了，為什么要在Encoder-Decoder模型機制中引入Attention呢？因為 Encoder-Decoder模型有兩個(gè)比較顯著(zhù)的弊端：

一是Encoder會(huì )把序列信息壓縮成一個(gè)固定長(cháng)度的向量，那么在Encoder的輸出中，我們暫且把它叫做語(yǔ)義編碼c，c就有可能無(wú)法完全地表示出全部序列的信息，尤其是當信息特別長(cháng)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(cháng)，對先前輸入信息的遺忘程度就越大。因為這兩個(gè)弊端，Decoder在解碼的一開(kāi)始就沒(méi)有獲得一個(gè)相對完整的信息，也就是語(yǔ)義編碼c沒(méi)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(shuō)想要解決RNN記憶力差的問(wèn)題，可以考慮用LSTM。我們的確可以考慮LSTM,但LSTM對超長(cháng)距離的信息記憶，效果也不是很好。

我們再來(lái)看看Attention為什么能夠解決這個(gè)問(wèn)題。Attention,顧名思義是注意力。它是模仿人類(lèi)的注意力，人類(lèi)在處理一個(gè)問(wèn)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)間內去看一張照片，第一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)間之內記清楚甚至是看清楚照片上的全部細節，但是我們會(huì )將注意力聚焦在某個(gè)特定的細節上并記住它。Attention模型最終輸出結果也是能夠達到這么一個(gè)效果。 

Attention的機制也是應用在計算機視覺(jué)上面，然后是在自然語(yǔ)言處理上面發(fā)揚光大。由于2018年在GPT模型上的效果非常顯著(zhù)，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NLP領(lǐng)域得到了徹底釋放，是因為它解決了RNN不能并行計算的弊端，Attention使其每一步的計算不依賴(lài)于上一步的計算，達到和CNN一樣的并行處理效果。并且由于A(yíng)ttention只關(guān)注部分的信息，所以它的參數較少，速度就會(huì )快。其次RNN記憶能力較差，所以大家一開(kāi)始想到的解決方式都是用LSTM和GRU(Gated Recurrent Unit)來(lái)解決長(cháng)距離信息記憶的問(wèn)題，但是都沒(méi)有起到很好的效果。Attention由于只關(guān)注長(cháng)文本中的一個(gè)小部分，可以準確地識別出關(guān)鍵信息，所以取得了特別不錯的效果。

下面我們來(lái)說(shuō)一下Attention是怎么實(shí)現的聚焦。主要是因為它是采用了雙向的RNN,能夠同時(shí)處理每個(gè)單詞前后的信息。在Decoder中，它首先計算每一個(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。得到的權值會(huì )通過(guò)softmax歸一化得到使用的權重，也就是我們前面所說(shuō)的編碼向量c。然后對Encoder中對應的不同狀態(tài)的權重進(jìn)行加權求和，有了編碼c之后，我們就可以先計算Decoder隱藏層的狀態(tài)，然后再計算Decoder的輸出。這就是一個(gè)比較完整的在BERT當中運用Attention以及Encoder-Decoder模型的使用案例。Attention根據計算區域、權值的計算方式等會(huì )有很多不同變種。

不止是在NLP領(lǐng)域，在其他很多領(lǐng)域中，Transformer的模型由于很好用都是大家的，主要的一個(gè)運用機制就是Attention。我們之后會(huì )說(shuō)到的Transformer模型會(huì )用到 Multi-head Attention和Self-Attention。首先說(shuō)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)行注意力的計算，主要是為了尋找原文內部的關(guān)系。對應到閱讀理解任務(wù)，這個(gè)模型就可以判定一篇文章中的兩段話(huà)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，相當于多次地在單層中使用Attention，然后把結果給拼接起來(lái)。