自然語言模型預(yù)訓(xùn)練的發(fā)展史

Bert最近很火，應(yīng)該是最近最火爆的AI進展，網(wǎng)上的評價很高，那么Bert值得這么高的評價嗎？我個人判斷是值得。那為什么會有這么高的評價呢？是因為它有重大的理論或者模型創(chuàng)新嗎？其實并沒有，從模型創(chuàng)新角度看一般，創(chuàng)新不算大。但是架不住效果太好了，基本刷新了很多NLP的任務(wù)的最好性能，有些任務(wù)還被刷爆了，這個才是關(guān)鍵。另外一點是Bert具備廣泛的通用性，就是說絕大部分NLP任務(wù)都可以采用類似的兩階段模式直接去提升效果，這個第二關(guān)鍵。客觀的說，把Bert當(dāng)做最近兩年NLP重大進展的集大成者更符合事實。

本文的主題是自然語言處理中的預(yù)訓(xùn)練過程，會大致說下NLP中的預(yù)訓(xùn)練技術(shù)是一步一步如何發(fā)展到Bert模型的，從中可以很自然地看到Bert的思路是如何逐漸形成的，Bert的歷史沿革是什么，繼承了什么，創(chuàng)新了什么，為什么效果那么好，主要原因是什么，以及為何說模型創(chuàng)新不算太大，為何說Bert是近年來NLP重大進展的集大成者。我們一步一步來講，而串起來這個故事的脈絡(luò)就是自然語言的預(yù)訓(xùn)練過程，但是落腳點還是在Bert身上。要講自然語言的預(yù)訓(xùn)練，得先從圖像領(lǐng)域的預(yù)訓(xùn)練說起。

圖像領(lǐng)域的預(yù)訓(xùn)練

自從深度學(xué)習(xí)火起來后，預(yù)訓(xùn)練過程就是做圖像或者視頻領(lǐng)域的一種比較常規(guī)的做法，有比較長的歷史了，而且這種做法很有效，能明顯促進應(yīng)用的效果。

那么圖像領(lǐng)域怎么做預(yù)訓(xùn)練呢，上圖展示了這個過程，我們設(shè)計好網(wǎng)絡(luò)結(jié)構(gòu)以后，對于圖像來說一般是CNN的多層疊加網(wǎng)絡(luò)結(jié)構(gòu)，可以先用某個訓(xùn)練集合比如訓(xùn)練集合A或者訓(xùn)練集合B對這個網(wǎng)絡(luò)進行預(yù)先訓(xùn)練，在A任務(wù)上或者B任務(wù)上學(xué)會網(wǎng)絡(luò)參數(shù)，然后存起來以備后用。假設(shè)我們面臨第三個任務(wù)C，網(wǎng)絡(luò)結(jié)構(gòu)采取相同的網(wǎng)絡(luò)結(jié)構(gòu)，在比較淺的幾層CNN結(jié)構(gòu)，網(wǎng)絡(luò)參數(shù)初始化的時候可以加載A任務(wù)或者B任務(wù)學(xué)習(xí)好的參數(shù)，其它CNN高層參數(shù)仍然隨機初始化。之后我們用C任務(wù)的訓(xùn)練數(shù)據(jù)來訓(xùn)練網(wǎng)絡(luò)，此時有兩種做法，一種是淺層加載的參數(shù)在訓(xùn)練C任務(wù)過程中不動，這種方法被稱為“Frozen”;另外一種是底層網(wǎng)絡(luò)參數(shù)盡管被初始化了，在C任務(wù)訓(xùn)練過程中仍然隨著訓(xùn)練的進程不斷改變，這種一般叫“Fine-Tuning”，顧名思義，就是更好地把參數(shù)進行調(diào)整使得更適應(yīng)當(dāng)前的C任務(wù)。一般圖像或者視頻領(lǐng)域要做預(yù)訓(xùn)練一般都這么做。

這么做有幾個好處，首先，如果手頭任務(wù)C的訓(xùn)練集合數(shù)據(jù)量較少的話，現(xiàn)階段的好用的CNN比如Resnet/Densenet/Inception等網(wǎng)絡(luò)結(jié)構(gòu)層數(shù)很深，幾百萬上千萬參數(shù)量算起步價，上億參數(shù)的也很常見，訓(xùn)練數(shù)據(jù)少很難很好地訓(xùn)練這么復(fù)雜的網(wǎng)絡(luò)，但是如果其中大量參數(shù)通過大的訓(xùn)練集合比如ImageNet預(yù)先訓(xùn)練好直接拿來初始化大部分網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，然后再用C任務(wù)手頭比較可憐的數(shù)據(jù)量上Fine-tuning過程去調(diào)整參數(shù)讓它們更適合解決C任務(wù)，那事情就好辦多了。這樣原先訓(xùn)練不了的任務(wù)就能解決了，即使手頭任務(wù)訓(xùn)練數(shù)據(jù)也不少，加個預(yù)訓(xùn)練過程也能極大加快任務(wù)訓(xùn)練的收斂速度，所以這種預(yù)訓(xùn)練方式是老少皆宜的解決方案，另外療效又好，所以在做圖像處理領(lǐng)域很快就流行開來。

那么新的問題來了，為什么這種預(yù)訓(xùn)練的思路是可行的？

目前我們已經(jīng)知道，對于層級的CNN結(jié)構(gòu)來說，不同層級的神經(jīng)元學(xué)習(xí)到了不同類型的圖像特征，由底向上特征形成層級結(jié)構(gòu)，如上圖所示，如果我們手頭是個人臉識別任務(wù)，訓(xùn)練好網(wǎng)絡(luò)后，把每層神經(jīng)元學(xué)習(xí)到的特征可視化肉眼看一看每層學(xué)到了啥特征，你會看到最底層的神經(jīng)元學(xué)到的是線段等特征，圖示的第二個隱層學(xué)到的是人臉五官的輪廓，第三層學(xué)到的是人臉的輪廓，通過三步形成了特征的層級結(jié)構(gòu)，越是底層的特征越是所有不論什么領(lǐng)域的圖像都會具備的比如邊角線弧線等底層基礎(chǔ)特征，越往上抽取出的特征越與手頭任務(wù)相關(guān)。正因為此，所以預(yù)訓(xùn)練好的網(wǎng)絡(luò)參數(shù)，尤其是底層的網(wǎng)絡(luò)參數(shù)抽取出特征跟具體任務(wù)越無關(guān)，越具備任務(wù)的通用性，所以這是為何一般用底層預(yù)訓(xùn)練好的參數(shù)初始化新任務(wù)網(wǎng)絡(luò)參數(shù)的原因。而高層特征跟任務(wù)關(guān)聯(lián)較大，實際可以不用使用，或者采用Fine-tuning用新數(shù)據(jù)集合清洗掉高層無關(guān)的特征抽取器。

一般我們喜歡用ImageNet來做網(wǎng)絡(luò)的預(yù)訓(xùn)練，主要有兩點，一方面ImageNet是圖像領(lǐng)域里有超多事先標(biāo)注好訓(xùn)練數(shù)據(jù)的數(shù)據(jù)集合，分量足是個很大的優(yōu)勢，量越大訓(xùn)練出的參數(shù)越靠譜；另外一方面因為ImageNet有1000類，類別多，算是通用的圖像數(shù)據(jù)，跟領(lǐng)域沒太大關(guān)系，所以通用性好，預(yù)訓(xùn)練完后哪哪都能用，是個萬金油。分量足的萬金油當(dāng)然老少通吃，人人喜愛。

聽完上述話，如果你是具備研究素質(zhì)的人，也就是說具備好奇心，你一定會問下面這個問題：”既然圖像領(lǐng)域預(yù)訓(xùn)練這么好用，那干嘛自然語言處理不做這個事情呢？是不是搞NLP的人比搞CV的傻啊？就算你傻，你看見人家這么做，有樣學(xué)樣不就行了嗎？這不就是創(chuàng)新嗎，也許能成，萬一成了，你看，你的成功來得就是這么突然!”

嗯，好問題，其實搞NLP的人一點都不比你傻，早就有人嘗試過了，不過總體而言不太成功而已。聽說過word embedding嗎？2003年出品，陳年技術(shù)，馥郁芳香。word embedding其實就是NLP里的早期預(yù)訓(xùn)練技術(shù)。當(dāng)然也不能說word embedding不成功，一般加到下游任務(wù)里，都能有1到2個點的性能提升，只是沒有那么耀眼的成功而已。

沒聽過？那下面就把這段陳年老賬講給你聽聽。

Word Embedding考古史

這塊大致講講Word Embedding的故事，很粗略，因為網(wǎng)上關(guān)于這個技術(shù)講的文章太多了，汗牛沖動，我不屬牛，此刻更沒有流汗，所以其實絲毫沒有想講Word Embedding的沖動和激情，但是要說預(yù)訓(xùn)練又得從這開始，那就粗略地講講，主要是引出后面更精彩的部分。在說Word Embedding之前，先更粗略地說下語言模型，因為一般NLP里面做預(yù)訓(xùn)練一般的選擇是用語言模型任務(wù)來做。

什么是語言模型？其實看上面這張PPT上扣下來的圖就明白了，為了能夠量化地衡量哪個句子更像一句人話，可以設(shè)計如上圖所示函數(shù)，核心函數(shù)P的思想是根據(jù)句子里面前面的一系列前導(dǎo)單詞預(yù)測后面跟哪個單詞的概率大?。ɡ碚撋铣松衔闹?，也可以引入單詞的下文聯(lián)合起來預(yù)測單詞出現(xiàn)概率）。句子里面每個單詞都有個根據(jù)上文預(yù)測自己的過程，把所有這些單詞的產(chǎn)生概率乘起來，數(shù)值越大代表這越像一句人話。語言模型壓下暫且不表，我隱約預(yù)感到我這么講你可能還是不太會明白，但是大概這個意思，不懂的可以去網(wǎng)上找，資料多得一樣地汗牛沖動。

假設(shè)現(xiàn)在讓你設(shè)計一個神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，去做這個語言模型的任務(wù)，就是說給你很多語料做這個事情，訓(xùn)練好一個神經(jīng)網(wǎng)絡(luò)，訓(xùn)練好之后，以后輸入一句話的前面幾個單詞，要求這個網(wǎng)絡(luò)輸出后面緊跟的單詞應(yīng)該是哪個，你會怎么做？

你可以像上圖這么設(shè)計這個網(wǎng)絡(luò)結(jié)構(gòu)，這其實就是大名鼎鼎的中文人稱“神經(jīng)網(wǎng)絡(luò)語言模型”，英文小名NNLM的網(wǎng)絡(luò)結(jié)構(gòu)，用來做語言模型。這個工作有年頭了，是個陳年老工作，是Bengio 在2003年發(fā)表在JMLR上的論文。它生于2003，火于2013，以后是否會不朽暫且不知，但是不幸的是出生后應(yīng)該沒有引起太大反響，沉寂十年終于時來運轉(zhuǎn)沉冤得雪，在2013年又被NLP考古工作者從海底濕淋淋地?fù)瞥鰜砹思廊肷竦睢槭裁磿l(fā)生這種技術(shù)奇遇記？你要想想2013年是什么年頭，是深度學(xué)習(xí)開始滲透NLP領(lǐng)域的光輝時刻，萬里長征第一步，而NNLM可以算是南昌起義第一槍。在深度學(xué)習(xí)火起來之前，極少有人用神經(jīng)網(wǎng)絡(luò)做NLP問題，如果你10年前堅持用神經(jīng)網(wǎng)絡(luò)做NLP，估計別人會認(rèn)為你這人神經(jīng)有問題。所謂紅塵滾滾，誰也擋不住歷史發(fā)展趨勢的車輪，這就是個很好的例子。

上面是閑話，閑言碎語不要講，我們回來講一講NNLM的思路。先說訓(xùn)練過程，現(xiàn)在看其實很簡單，見過RNN、LSTM、CNN后的你們回頭再看這個網(wǎng)絡(luò)甚至顯得有些簡陋。學(xué)習(xí)任務(wù)是輸入某個句中單詞 Wt = "Bert" 前面句子的t-1個單詞，要求網(wǎng)絡(luò)正確預(yù)測單詞Bert，即最大化：

前面任意單詞 Wi 用Onehot編碼（比如：0001000）作為原始單詞輸入，之后乘以矩陣Q后獲得向量 C(Wi)，每個單詞的C(Wi)拼接，上接隱層，然后接softmax去預(yù)測后面應(yīng)該后續(xù)接哪個單詞。這個 C(Wi)是什么？這其實就是單詞對應(yīng)的Word Embedding值，那個矩陣Q包含V行，V代表詞典大小，每一行內(nèi)容代表對應(yīng)單詞的Word embedding值。只不過Q的內(nèi)容也是網(wǎng)絡(luò)參數(shù)，需要學(xué)習(xí)獲得，訓(xùn)練剛開始用隨機值初始化矩陣Q，當(dāng)這個網(wǎng)絡(luò)訓(xùn)練好之后，矩陣Q的內(nèi)容被正確賦值，每一行代表一個單詞對應(yīng)的Word embedding值。所以你看，通過這個網(wǎng)絡(luò)學(xué)習(xí)語言模型任務(wù)，這個網(wǎng)絡(luò)不僅自己能夠根據(jù)上文預(yù)測后接單詞是什么，同時獲得一個副產(chǎn)品，就是那個矩陣Q，這就是單詞的Word Embedding是被如何學(xué)會的。

2013年最火的用語言模型做Word Embedding的工具是Word2Vec，后來又出了Glove，Word2Vec是怎么工作的呢？看下圖。

Word2Vec的網(wǎng)絡(luò)結(jié)構(gòu)其實和NNLM是基本類似的，只是這個圖長得清晰度差了點，看上去不像，其實它們是親兄弟。不過這里需要指出：盡管網(wǎng)絡(luò)結(jié)構(gòu)相近，而且也是做語言模型任務(wù)，但是其訓(xùn)練方法不太一樣。Word2Vec有兩種訓(xùn)練方法，一種叫CBOW，核心思想是從一個句子里面把一個詞摳掉，用這個詞的上文和下文去預(yù)測被摳掉的這個詞；第二種叫做Skip-gram，和CBOW正好反過來，輸入某個單詞，要求網(wǎng)絡(luò)預(yù)測它的上下文單詞。而你回頭看看，NNLM是怎么訓(xùn)練的？是輸入一個單詞的上文，去預(yù)測這個單詞。這是有顯著差異的。為什么Word2Vec這么處理？原因很簡單，因為Word2Vec和NNLM不一樣，NNLM的主要任務(wù)是要學(xué)習(xí)一個解決語言模型任務(wù)的網(wǎng)絡(luò)結(jié)構(gòu)，語言模型就是要看到上文預(yù)測下文，而word embedding只是無心插柳的一個副產(chǎn)品。但是Word2Vec目標(biāo)不一樣，它單純就是要word embedding的，這是主產(chǎn)品，所以它完全可以隨性地這么去訓(xùn)練網(wǎng)絡(luò)。

為什么要講Word2Vec呢？這里主要是要引出CBOW的訓(xùn)練方法，BERT其實跟它有關(guān)系，后面會講它們之間是如何的關(guān)系，當(dāng)然它們的關(guān)系BERT作者沒說，是我猜的，至于我猜的對不對，后面你看后自己判斷。

使用Word2Vec或者Glove，通過做語言模型任務(wù)，就可以獲得每個單詞的Word Embedding，那么這種方法的效果如何呢？上圖給了網(wǎng)上找的幾個例子，可以看出有些例子效果還是很不錯的，一個單詞表達(dá)成Word Embedding后，很容易找出語義相近的其它詞匯。

我們的主題是預(yù)訓(xùn)練，那么問題是Word Embedding這種做法能算是預(yù)訓(xùn)練嗎？這其實就是標(biāo)準(zhǔn)的預(yù)訓(xùn)練過程。要理解這一點要看看學(xué)會Word Embedding后下游任務(wù)是怎么用它的。

假設(shè)如上圖所示，我們有個NLP的下游任務(wù)，比如QA，就是問答問題，所謂問答問題，指的是給定一個問題X，給定另外一個句子Y,要判斷句子Y是否是問題X的正確答案。問答問題假設(shè)設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)如上圖所示，這里不展開講了，懂得自然懂，不懂的也沒關(guān)系，因為這點對于本文主旨來說不關(guān)鍵，關(guān)鍵是網(wǎng)絡(luò)如何使用訓(xùn)練好的Word Embedding的。它的使用方法其實和前面講的NNLM是一樣的，句子中每個單詞以O(shè)nehot形式作為輸入，然后乘以學(xué)好的Word Embedding矩陣Q，就直接取出單詞對應(yīng)的Word Embedding了。這乍看上去好像是個查表操作，不像是預(yù)訓(xùn)練的做法是吧？其實不然，那個Word Embedding矩陣Q其實就是網(wǎng)絡(luò)Onehot層到embedding層映射的網(wǎng)絡(luò)參數(shù)矩陣。所以你看到了，使用Word Embedding等價于什么？等價于把Onehot層到embedding層的網(wǎng)絡(luò)用預(yù)訓(xùn)練好的參數(shù)矩陣Q初始化了。這跟前面講的圖像領(lǐng)域的低層預(yù)訓(xùn)練過程其實是一樣的，區(qū)別無非Word Embedding只能初始化第一層網(wǎng)絡(luò)參數(shù)，再高層的參數(shù)就無能為力了。下游NLP任務(wù)在使用Word Embedding的時候也類似圖像有兩種做法，一種是Frozen，就是Word Embedding那層網(wǎng)絡(luò)參數(shù)固定不動；另外一種是Fine-Tuning，就是Word Embedding這層參數(shù)使用新的訓(xùn)練集合訓(xùn)練也需要跟著訓(xùn)練過程更新掉。

上面這種做法就是18年之前NLP領(lǐng)域里面采用預(yù)訓(xùn)練的典型做法，之前說過，Word Embedding其實對于很多下游NLP任務(wù)是有幫助的，只是幫助沒有大到閃瞎忘記戴墨鏡的圍觀群眾的雙眼而已。那么新問題來了，為什么這樣訓(xùn)練及使用Word Embedding的效果沒有期待中那么好呢？答案很簡單，因為Word Embedding有問題唄。這貌似是個比較弱智的答案，關(guān)鍵是Word Embedding存在什么問題？這其實是個好問題。

這片在Word Embedding頭上籠罩了好幾年的烏云是什么？是多義詞問題。我們知道，多義詞是自然語言中經(jīng)常出現(xiàn)的現(xiàn)象，也是語言靈活性和高效性的一種體現(xiàn)。多義詞對Word Embedding來說有什么負(fù)面影響？如上圖所示，比如多義詞Bank，有兩個常用含義，但是Word Embedding在對bank這個單詞進行編碼的時候，是區(qū)分不開這兩個含義的，因為它們盡管上下文環(huán)境中出現(xiàn)的單詞不同，但是在用語言模型訓(xùn)練的時候，不論什么上下文的句子經(jīng)過word2vec，都是預(yù)測相同的單詞bank，而同一個單詞占的是同一行的參數(shù)空間，這導(dǎo)致兩種不同的上下文信息都會編碼到相同的word embedding空間里去。所以word embedding無法區(qū)分多義詞的不同語義，這就是它的一個比較嚴(yán)重的問題。

你可能覺得自己很聰明，說這可以解決啊，確實也有很多研究人員提出很多方法試圖解決這個問題，但是從今天往回看，這些方法看上去都成本太高或者太繁瑣了，有沒有簡單優(yōu)美的解決方案呢？

ELMO提供了一種簡潔優(yōu)雅的解決方案。

從Word Embedding到ELMO

ELMO是“Embedding from Language Models”的簡稱，其實這個名字并沒有反應(yīng)它的本質(zhì)思想，提出ELMO的論文題目：“Deep contextualized word representation”更能體現(xiàn)其精髓，而精髓在哪里？在deep contextualized這個短語，一個是deep，一個是context，其中context更關(guān)鍵。在此之前的Word Embedding本質(zhì)上是個靜態(tài)的方式，所謂靜態(tài)指的是訓(xùn)練好之后每個單詞的表達(dá)就固定住了，以后使用的時候，不論新句子上下文單詞是什么，這個單詞的Word Embedding不會跟著上下文場景的變化而改變，所以對于比如Bank這個詞，它事先學(xué)好的Word Embedding中混合了幾種語義 ，在應(yīng)用中來了個新句子，即使從上下文中（比如句子包含money等詞）明顯可以看出它代表的是“銀行”的含義，但是對應(yīng)的Word Embedding內(nèi)容也不會變，它還是混合了多種語義。這是為何說它是靜態(tài)的，這也是問題所在。ELMO的本質(zhì)思想是：我事先用語言模型學(xué)好一個單詞的Word Embedding，此時多義詞無法區(qū)分，不過這沒關(guān)系。在我實際使用Word Embedding的時候，單詞已經(jīng)具備了特定的上下文了，這個時候我可以根據(jù)上下文單詞的語義去調(diào)整單詞的Word Embedding表示，這樣經(jīng)過調(diào)整后的Word Embedding更能表達(dá)在這個上下文中的具體含義，自然也就解決了多義詞的問題了。所以ELMO本身是個根據(jù)當(dāng)前上下文對Word Embedding動態(tài)調(diào)整的思路。

ELMO采用了典型的兩階段過程，第一個階段是利用語言模型進行預(yù)訓(xùn)練；第二個階段是在做下游任務(wù)時，從預(yù)訓(xùn)練網(wǎng)絡(luò)中提取對應(yīng)單詞的網(wǎng)絡(luò)各層的Word Embedding作為新特征補充到下游任務(wù)中。上圖展示的是其預(yù)訓(xùn)練過程，它的網(wǎng)絡(luò)結(jié)構(gòu)采用了雙層雙向LSTM，目前語言模型訓(xùn)練的任務(wù)目標(biāo)是根據(jù)單詞 Wi 的上下文去正確預(yù)測單詞 Wi ，Wi 之前的單詞序列Context-before稱為上文，之后的單詞序列Context-after稱為下文。圖中左端的前向雙層LSTM代表正方向編碼器，輸入的是從左到右順序的除了預(yù)測單詞外 Wi 的上文Context-before和下文Context-after；右端的逆向雙層LSTM代表反方向編碼器，輸入的是從右到左的逆序的句子上文和下文；每個編碼器的深度都是兩層LSTM疊加，而每一層的正向和逆向單詞編碼會拼接到一起。這個網(wǎng)絡(luò)結(jié)構(gòu)其實在NLP中是很常用的。使用這個網(wǎng)絡(luò)結(jié)構(gòu)利用大量語料做語言模型任務(wù)就能預(yù)先訓(xùn)練好這個網(wǎng)絡(luò)，如果訓(xùn)練好這個網(wǎng)絡(luò)后，輸入一個新句子 Snew ，句子中每個單詞都能得到對應(yīng)的三個Embedding:最底層是單詞的Word Embedding，往上走是第一層雙向LSTM中對應(yīng)單詞位置的Embedding，這層編碼單詞的句法信息更多一些；再往上走是第二層LSTM中對應(yīng)單詞位置的Embedding，這層編碼單詞的語義信息更多一些。也就是說，ELMO的預(yù)訓(xùn)練過程不僅僅學(xué)會單詞的Word Embedding，還學(xué)會了一個雙層雙向的LSTM網(wǎng)絡(luò)結(jié)構(gòu)，而這兩者后面都有用。

上面介紹的是ELMO的第一階段：預(yù)訓(xùn)練階段。那么預(yù)訓(xùn)練好網(wǎng)絡(luò)結(jié)構(gòu)后，如何給下游任務(wù)使用呢？上圖展示了下游任務(wù)的使用過程，比如我們的下游任務(wù)仍然是QA問題，此時對于問句X，我們可以先將句子X作為預(yù)訓(xùn)練好的ELMO網(wǎng)絡(luò)的輸入，這樣句子X中每個單詞在ELMO網(wǎng)絡(luò)中都能獲得對應(yīng)的三個Embedding，之后給予這三個Embedding中的每一個Embedding一個權(quán)重a，這個權(quán)重可以學(xué)習(xí)得來，根據(jù)各自權(quán)重累加求和，將三個Embedding整合成一個。然后將整合后的這個Embedding作為X句在自己任務(wù)的那個網(wǎng)絡(luò)結(jié)構(gòu)中對應(yīng)單詞的輸入，以此作為補充的新特征給下游任務(wù)使用。對于上圖所示下游任務(wù)QA中的回答句子Y來說也是如此處理。因為ELMO給下游提供的是每個單詞的特征形式，所以這一類預(yù)訓(xùn)練的方法被稱為“Feature-based Pre-Training”。至于為何這么做能夠達(dá)到區(qū)分多義詞的效果，你可以想一想，其實比較容易想明白原因。

上面這個圖是TagLM采用類似ELMO的思路做命名實體識別任務(wù)的過程，其步驟基本如上述ELMO的思路，所以此處不展開說了。TagLM的論文發(fā)表在2017年的ACL會議上，作者就是AllenAI里做ELMO的那些人，所以可以將TagLM看做ELMO的一個前導(dǎo)工作。前幾天這個PPT發(fā)出去后有人質(zhì)疑說FastAI的在18年4月提出的ULMFiT才是拋棄傳統(tǒng)Word Embedding引入新模式的開山之作，我深不以為然。首先TagLM出現(xiàn)的更早而且模式基本就是ELMO的思路；另外ULMFiT使用的是三階段模式，在通用語言模型訓(xùn)練之后，加入了一個領(lǐng)域語言模型預(yù)訓(xùn)練過程，而且論文重點工作在這塊，方法還相對比較繁雜，這并不是一個特別好的主意，因為領(lǐng)域語言模型的限制是它的規(guī)模往往不可能特別大，精力放在這里不太合適，放在通用語言模型上感覺更合理；再者，盡管ULFMiT實驗做了6個任務(wù)，但是都集中在分類問題相對比較窄，不如ELMO驗證的問題領(lǐng)域廣，我覺得這就是因為第二步那個領(lǐng)域語言模型帶來的限制。所以綜合看，盡管ULFMiT也是個不錯的工作，但是重要性跟ELMO比還是差一檔，當(dāng)然這是我個人看法。

前面我們提到靜態(tài)Word Embedding無法解決多義詞的問題，那么ELMO引入上下文動態(tài)調(diào)整單詞的embedding后多義詞問題解決了嗎？解決了，而且比我們期待的解決得還要好。上圖給了個例子，對于Glove訓(xùn)練出的Word Embedding來說，多義詞比如play，根據(jù)它的embedding找出的最接近的其它單詞大多數(shù)集中在體育領(lǐng)域，這很明顯是因為訓(xùn)練數(shù)據(jù)中包含play的句子中體育領(lǐng)域的數(shù)量明顯占優(yōu)導(dǎo)致；而使用ELMO，根據(jù)上下文動態(tài)調(diào)整后的embedding不僅能夠找出對應(yīng)的“演出”的相同語義的句子，而且還可以保證找出的句子中的play對應(yīng)的詞性也是相同的，這是超出期待之處。之所以會這樣，是因為我們上面提到過，第一層LSTM編碼了很多句法信息，這在這里起到了重要作用。

ELMO經(jīng)過這般操作，效果如何呢？實驗效果見上圖，6個NLP任務(wù)中性能都有幅度不同的提升，最高的提升達(dá)到25%左右，而且這6個任務(wù)的覆蓋范圍比較廣，包含句子語義關(guān)系判斷，分類任務(wù)，閱讀理解等多個領(lǐng)域，這說明其適用范圍是非常廣的，普適性強，這是一個非常好的優(yōu)點。

那么站在現(xiàn)在這個時間節(jié)點看，ELMO有什么值得改進的缺點呢？首先，一個非常明顯的缺點在特征抽取器選擇方面，ELMO使用了LSTM而不是新貴Transformer，Transformer是谷歌在17年做機器翻譯任務(wù)的“Attention is all you need”的論文中提出的，引起了相當(dāng)大的反響，很多研究已經(jīng)證明了Transformer提取特征的能力是要遠(yuǎn)強于LSTM的。如果ELMO采取Transformer作為特征提取器，那么估計Bert的反響遠(yuǎn)不如現(xiàn)在的這種火爆場面。另外一點，ELMO采取雙向拼接這種融合特征的能力可能比Bert一體化的融合特征方式弱，但是，這只是一種從道理推斷產(chǎn)生的懷疑，目前并沒有具體實驗說明這一點。

我們?nèi)绻袳LMO這種預(yù)訓(xùn)練方法和圖像領(lǐng)域的預(yù)訓(xùn)練方法對比，發(fā)現(xiàn)兩者模式看上去還是有很大差異的。除了以ELMO為代表的這種基于特征融合的預(yù)訓(xùn)練方法外，NLP里還有一種典型做法，這種做法和圖像領(lǐng)域的方式就是看上去一致的了，一般將這種方法稱為“基于Fine-tuning的模式”，而GPT就是這一模式的典型開創(chuàng)者。

從Word Embedding到GPT

GPT是“Generative Pre-Training”的簡稱，從名字看其含義是指的通用的預(yù)訓(xùn)練，核心在通用上。GPT也采用兩階段過程，第一個階段是利用語言模型進行預(yù)訓(xùn)練，第二階段通過Fine-tuning的模式解決下游任務(wù)。上圖展示了GPT的預(yù)訓(xùn)練過程，其實和ELMO是類似的，主要不同在于兩點：首先，特征抽取器不是用的RNN，而是用的Transformer，上面提到過它的特征抽取能力要強于RNN，這個選擇很明顯是很明智的；其次，GPT的預(yù)訓(xùn)練雖然仍然是以語言模型作為目標(biāo)任務(wù)，但是采用的是單向的語言模型，所謂“單向”的含義是指：語言模型訓(xùn)練的任務(wù)目標(biāo)是根據(jù) Wi 單詞的上下文去正確預(yù)測單詞 Wi ，Wi 之前的單詞序列Context-before稱為上文，之后的單詞序列Context-after稱為下文。ELMO在做語言模型預(yù)訓(xùn)練的時候，預(yù)測單詞 Wi 同時使用了上文和下文，而GPT則只采用Context-before這個單詞的上文來進行預(yù)測，而拋開了下文。這個選擇現(xiàn)在看不是個太好的選擇，原因很簡單，它沒有把單詞的下文融合進來，這限制了其在更多應(yīng)用場景的效果，比如閱讀理解這種任務(wù)，在做任務(wù)的時候是可以允許同時看到上文和下文一起做決策的。如果預(yù)訓(xùn)練時候不把單詞的下文嵌入到Word Embedding中，是很吃虧的，白白丟掉了很多信息。

這里強行插入一段簡單提下Transformer，盡管上面提到了，但是說的還不完整，補充兩句。首先，Transformer是個疊加的“自注意力機制（Self Attention）”構(gòu)成的深度網(wǎng)絡(luò)，是目前NLP里最強的特征提取器，注意力這個機制在此被發(fā)揚光大，從任務(wù)的配角不斷搶戲，直到Transformer一躍成為踢開RNN和CNN傳統(tǒng)特征提取器，榮升頭牌，大紅大紫。你問了：什么是注意力機制？這里再插個廣告，對注意力不了解的可以參考鄙人16年出品17年修正的下文：“深度學(xué)習(xí)中的注意力模型”，補充下相關(guān)基礎(chǔ)知識，如果不了解注意力機制你肯定會落后時代的發(fā)展。而介紹Transformer比較好的文章可以參考“The Annotated Transformer. ”這里不展開介紹。

其次，我的判斷是Transformer在未來會逐漸替代掉RNN成為主流的NLP工具，RNN一直受困于其并行計算能力，這是因為它本身結(jié)構(gòu)的序列性依賴導(dǎo)致的，盡管很多人在試圖通過修正RNN結(jié)構(gòu)來修正這一點，但是我不看好這種模式，因為給馬車換輪胎不如把它升級到汽車，這個道理很好懂，更何況目前汽車的雛形已經(jīng)出現(xiàn)了，干嘛還要執(zhí)著在換輪胎這個事情呢？是吧？再說CNN，CNN在NLP里一直沒有形成主流，CNN的最大優(yōu)點是易于做并行計算，所以速度快，但是在捕獲NLP的序列關(guān)系尤其是長距離特征方面天然有缺陷，不是做不到而是做不好，目前也有很多改進模型，但是特別成功的不多。綜合各方面情況，很明顯Transformer同時具備并行性好，又適合捕獲長距離特征，沒有理由不在賽跑比賽中跑不過RNN和CNN。

好了，題外話結(jié)束，我們再回到主題，接著說GPT。上面講的是GPT如何進行第一階段的預(yù)訓(xùn)練，那么假設(shè)預(yù)訓(xùn)練好了網(wǎng)絡(luò)模型，后面下游任務(wù)怎么用？它有自己的個性，和ELMO的方式大有不同。

上圖展示了GPT在第二階段如何使用。首先，對于不同的下游任務(wù)來說，本來你可以任意設(shè)計自己的網(wǎng)絡(luò)結(jié)構(gòu)，現(xiàn)在不行了，你要向GPT的網(wǎng)絡(luò)結(jié)構(gòu)看齊，把任務(wù)的網(wǎng)絡(luò)結(jié)構(gòu)改造成和GPT的網(wǎng)絡(luò)結(jié)構(gòu)是一樣的。然后，在做下游任務(wù)的時候，利用第一步預(yù)訓(xùn)練好的參數(shù)初始化GPT的網(wǎng)絡(luò)結(jié)構(gòu)，這樣通過預(yù)訓(xùn)練學(xué)到的語言學(xué)知識就被引入到你手頭的任務(wù)里來了，這是個非常好的事情。再次，你可以用手頭的任務(wù)去訓(xùn)練這個網(wǎng)絡(luò)，對網(wǎng)絡(luò)參數(shù)進行Fine-tuning，使得這個網(wǎng)絡(luò)更適合解決手頭的問題。就是這樣?？吹搅嗣矗窟@有沒有讓你想起最開始提到的圖像領(lǐng)域如何做預(yù)訓(xùn)練的過程（請參考上圖那句非常容易暴露年齡的歌詞）？對，這跟那個模式是一模一樣的。

這里引入了一個新問題：對于NLP各種花樣的不同任務(wù)，怎么改造才能靠近GPT的網(wǎng)絡(luò)結(jié)構(gòu)呢？

GPT論文給了一個改造施工圖如上，其實也很簡單：對于分類問題，不用怎么動，加上一個起始和終結(jié)符號即可；對于句子關(guān)系判斷問題，比如Entailment，兩個句子中間再加個分隔符即可；對文本相似性判斷問題，把兩個句子順序顛倒下做出兩個輸入即可，這是為了告訴模型句子順序不重要；對于多項選擇問題，則多路輸入，每一路把文章和答案選項拼接作為輸入即可。從上圖可看出，這種改造還是很方便的，不同任務(wù)只需要在輸入部分施工即可。

GPT的效果是非常令人驚艷的，在12個任務(wù)里，9個達(dá)到了最好的效果，有些任務(wù)性能提升非常明顯。

那么站在現(xiàn)在的時間節(jié)點看，GPT有什么值得改進的地方呢？其實最主要的就是那個單向語言模型，如果改造成雙向的語言模型任務(wù)估計也沒有Bert太多事了。當(dāng)然，即使如此GPT也是非常非常好的一個工作，跟Bert比，其作者炒作能力亟待提升。

Bert的誕生

我們經(jīng)過跋山涉水，終于到了目的地Bert模型了。

Bert采用和GPT完全相同的兩階段模型，首先是語言模型預(yù)訓(xùn)練；其次是使用Fine-Tuning模式解決下游任務(wù)。和GPT的最主要不同在于在預(yù)訓(xùn)練階段采用了類似ELMO的雙向語言模型，當(dāng)然另外一點是語言模型的數(shù)據(jù)規(guī)模要比GPT大。所以這里Bert的預(yù)訓(xùn)練過程不必多講了。

第二階段，F(xiàn)ine-Tuning階段，這個階段的做法和GPT是一樣的。當(dāng)然，它也面臨著下游任務(wù)網(wǎng)絡(luò)結(jié)構(gòu)改造的問題，在改造任務(wù)方面Bert和GPT有些不同，下面簡單介紹一下。

在介紹Bert如何改造下游任務(wù)之前，先大致說下NLP的幾類問題，說這個是為了強調(diào)Bert的普適性有多強。通常而言，絕大部分NLP問題可以歸入上圖所示的四類任務(wù)中：一類是序列標(biāo)注，這是最典型的NLP任務(wù)，比如中文分詞，詞性標(biāo)注，命名實體識別，語義角色標(biāo)注等都可以歸入這一類問題，它的特點是句子中每個單詞要求模型根據(jù)上下文都要給出一個分類類別。第二類是分類任務(wù)，比如我們常見的文本分類，情感計算等都可以歸入這一類。它的特點是不管文章有多長，總體給出一個分類類別即可。第三類任務(wù)是句子關(guān)系判斷，比如Entailment，QA，語義改寫，自然語言推理等任務(wù)都是這個模式，它的特點是給定兩個句子，模型判斷出兩個句子是否具備某種語義關(guān)系；第四類是生成式任務(wù)，比如機器翻譯，文本摘要，寫詩造句，看圖說話等都屬于這一類。它的特點是輸入文本內(nèi)容后，需要自主生成另外一段文字。

對于種類如此繁多而且各具特點的下游NLP任務(wù)，Bert如何改造輸入輸出部分使得大部分NLP任務(wù)都可以使用Bert預(yù)訓(xùn)練好的模型參數(shù)呢？上圖給出示例，對于句子關(guān)系類任務(wù)，很簡單，和GPT類似，加上一個起始和終結(jié)符號，句子之間加個分隔符即可。對于輸出來說，把第一個起始符號對應(yīng)的Transformer最后一層位置上面串接一個softmax分類層即可。對于分類問題，與GPT一樣，只需要增加起始和終結(jié)符號，輸出部分和句子關(guān)系判斷任務(wù)類似改造；對于序列標(biāo)注問題，輸入部分和單句分類是一樣的，只需要輸出部分Transformer最后一層每個單詞對應(yīng)位置都進行分類即可。從這里可以看出，上面列出的NLP四大任務(wù)里面，除了生成類任務(wù)外，Bert其它都覆蓋到了，而且改造起來很簡單直觀。盡管Bert論文沒有提，但是稍微動動腦子就可以想到，其實對于機器翻譯或者文本摘要，聊天機器人這種生成式任務(wù)，同樣可以稍作改造即可引入Bert的預(yù)訓(xùn)練成果。只需要附著在S2S結(jié)構(gòu)上，encoder部分是個深度Transformer結(jié)構(gòu)，decoder部分也是個深度Transformer結(jié)構(gòu)。根據(jù)任務(wù)選擇不同的預(yù)訓(xùn)練數(shù)據(jù)初始化encoder和decoder即可。這是相當(dāng)直觀的一種改造方法。當(dāng)然，也可以更簡單一點，比如直接在單個Transformer結(jié)構(gòu)上加裝隱層產(chǎn)生輸出也是可以的。不論如何，從這里可以看出，NLP四大類任務(wù)都可以比較方便地改造成Bert能夠接受的方式。這其實是Bert的非常大的優(yōu)點，這意味著它幾乎可以做任何NLP的下游任務(wù)，具備普適性，這是很強的。

Bert采用這種兩階段方式解決各種NLP任務(wù)效果如何？在11個各種類型的NLP任務(wù)中達(dá)到目前最好的效果，某些任務(wù)性能有極大的提升。一個新模型好不好，效果才是王道。

到這里我們可以再梳理下幾個模型之間的演進關(guān)系。從上圖可見，Bert其實和ELMO及GPT存在千絲萬縷的關(guān)系，比如如果我們把GPT預(yù)訓(xùn)練階段換成雙向語言模型，那么就得到了Bert；而如果我們把ELMO的特征抽取器換成Transformer，那么我們也會得到Bert。所以你可以看出：Bert最關(guān)鍵兩點，一點是特征抽取器采用Transformer；第二點是預(yù)訓(xùn)練的時候采用雙向語言模型。

那么新問題來了：對于Transformer來說，怎么才能在這個結(jié)構(gòu)上做雙向語言模型任務(wù)呢？乍一看上去好像不太好搞。我覺得吧，其實有一種很直觀的思路，怎么辦？看看ELMO的網(wǎng)絡(luò)結(jié)構(gòu)圖，只需要把兩個LSTM替換成兩個Transformer，一個負(fù)責(zé)正向，一個負(fù)責(zé)反向特征提取，其實應(yīng)該就可以。當(dāng)然這是我自己的改造，Bert沒這么做。那么Bert是怎么做的呢？我們前面不是提過Word2Vec嗎？我前面肯定不是漫無目的地提到它，提它是為了在這里引出那個CBOW訓(xùn)練方法，所謂寫作時候埋伏筆的“草蛇灰線，伏脈千里”，大概就是這個意思吧？前面提到了CBOW方法，它的核心思想是：在做語言模型任務(wù)的時候，我把要預(yù)測的單詞摳掉，然后根據(jù)它的上文Context-Before和下文Context-after去預(yù)測單詞。其實Bert怎么做的？Bert就是這么做的。從這里可以看到方法間的繼承關(guān)系。當(dāng)然Bert作者沒提Word2Vec及CBOW方法，這是我的判斷，Bert作者說是受到完形填空任務(wù)的啟發(fā)，這也很可能，但是我覺得他們要是沒想到過CBOW估計是不太可能的。

從這里可以看出，在文章開始我說過Bert在模型方面其實沒有太大創(chuàng)新，更像一個最近幾年NLP重要技術(shù)的集大成者，原因在于此，當(dāng)然我不確定你怎么看，是否認(rèn)同這種看法，而且我也不關(guān)心你怎么看。其實Bert本身的效果好和普適性強才是最大的亮點。

那么Bert本身在模型和方法角度有什么創(chuàng)新呢？就是論文中指出的Masked 語言模型和Next Sentence Prediction。而Masked語言模型上面講了，本質(zhì)思想其實是CBOW，但是細(xì)節(jié)方面有改進。

Masked雙向語言模型向上圖展示這么做：隨機選擇語料中15%的單詞，把它摳掉，也就是用[Mask]掩碼代替原始單詞，然后要求模型去正確預(yù)測被摳掉的單詞。但是這里有個問題：訓(xùn)練過程大量看到[mask]標(biāo)記，但是真正后面用的時候是不會有這個標(biāo)記的，這會引導(dǎo)模型認(rèn)為輸出是針對[mask]這個標(biāo)記的，但是實際使用又見不到這個標(biāo)記，這自然會有問題。為了避免這個問題，Bert改造了一下，15%的被上天選中要執(zhí)行[mask]替身這項光榮任務(wù)的單詞中，只有80%真正被替換成[mask]標(biāo)記，10%被貍貓換太子隨機替換成另外一個單詞，10%情況這個單詞還待在原地不做改動。這就是Masked雙向語音模型的具體做法。

至于說“Next Sentence Prediction”，指的是做語言模型預(yù)訓(xùn)練的時候，分兩種情況選擇兩個句子，一種是選擇語料中真正順序相連的兩個句子；另外一種是第二個句子從語料庫中拋色子，隨機選擇一個拼到第一個句子后面。我們要求模型除了做上述的Masked語言模型任務(wù)外，附帶再做個句子關(guān)系預(yù)測，判斷第二個句子是不是真的是第一個句子的后續(xù)句子。之所以這么做，是考慮到很多NLP任務(wù)是句子關(guān)系判斷任務(wù)，單詞預(yù)測粒度的訓(xùn)練到不了句子關(guān)系這個層級，增加這個任務(wù)有助于下游句子關(guān)系判斷任務(wù)。所以可以看到，它的預(yù)訓(xùn)練是個多任務(wù)過程。這也是Bert的一個創(chuàng)新。

上面這個圖給出了一個中文訓(xùn)練實例，從中可以體會下上面講的masked語言模型和下句預(yù)測任務(wù)。訓(xùn)練數(shù)據(jù)就長這種樣子。

順帶講解下Bert的輸入部分，也算是有些特色。它的輸入部分是個線性序列，兩個句子通過分隔符分割，最前面和最后增加兩個標(biāo)識符號。每個單詞有三個embedding:位置信息embedding，這是因為NLP中單詞順序是很重要的特征，需要在這里對位置信息進行編碼；單詞embedding,這個就是我們之前一直提到的單詞embedding；第三個是句子embedding，因為前面提到訓(xùn)練數(shù)據(jù)都是由兩個句子構(gòu)成的，那么每個句子有個句子整體的embedding項對應(yīng)給每個單詞。把單詞對應(yīng)的三個embedding疊加，就形成了Bert的輸入。

至于Bert在預(yù)訓(xùn)練的輸出部分如何組織，可以參考上圖的注釋。

我們說過Bert效果特別好，那么到底是什么因素起作用呢？如上圖所示，對比試驗可以證明，跟GPT相比，雙向語言模型起到了最主要的作用，對于那些需要看到下文的任務(wù)來說尤其如此。而預(yù)測下個句子來說對整體性能來說影響不算太大，跟具體任務(wù)關(guān)聯(lián)度比較高。

最后，我講講我對Bert的評價和看法，我覺得Bert是NLP里里程碑式的工作，對于后面NLP的研究和工業(yè)應(yīng)用會產(chǎn)生長久的影響，這點毫無疑問。但是從上文介紹也可以看出，從模型或者方法角度看，Bert借鑒了ELMO，GPT及CBOW，主要提出了Masked 語言模型及Next Sentence Prediction，但是這里Next Sentence Prediction基本不影響大局，而Masked LM明顯借鑒了CBOW的思想。所以說Bert的模型沒什么大的創(chuàng)新，更像最近幾年NLP重要進展的集大成者，這點如果你看懂了上文估計也沒有太大異議，如果你有大的異議，杠精這個大帽子我隨時準(zhǔn)備戴給你。如果歸納一下這些進展就是：首先是兩階段模型，第一階段雙向語言模型預(yù)訓(xùn)練，這里注意要用雙向而不是單向，第二階段采用具體任務(wù)Fine-tuning或者做特征集成；第二是特征抽取要用Transformer作為特征提取器而不是RNN或者CNN；第三，雙向語言模型可以采取CBOW的方法去做（當(dāng)然我覺得這個是個細(xì)節(jié)問題，不算太關(guān)鍵，前兩個因素比較關(guān)鍵）。Bert最大的亮點在于效果好及普適性強，幾乎所有NLP任務(wù)都可以套用Bert這種兩階段解決思路，而且效果應(yīng)該會有明顯提升?？梢灶A(yù)見的是，未來一段時間在NLP應(yīng)用領(lǐng)域，Transformer將占據(jù)主導(dǎo)地位，而且這種兩階段預(yù)訓(xùn)練方法也會主導(dǎo)各種應(yīng)用。

另外，我們應(yīng)該弄清楚預(yù)訓(xùn)練這個過程本質(zhì)上是在做什么事情，本質(zhì)上預(yù)訓(xùn)練是通過設(shè)計好一個網(wǎng)絡(luò)結(jié)構(gòu)來做語言模型任務(wù)，然后把大量甚至是無窮盡的無標(biāo)注的自然語言文本利用起來，預(yù)訓(xùn)練任務(wù)把大量語言學(xué)知識抽取出來編碼到網(wǎng)絡(luò)結(jié)構(gòu)中，當(dāng)手頭任務(wù)帶有標(biāo)注信息的數(shù)據(jù)有限時，這些先驗的語言學(xué)特征當(dāng)然會對手頭任務(wù)有極大的特征補充作用，因為當(dāng)數(shù)據(jù)有限的時候，很多語言學(xué)現(xiàn)象是覆蓋不到的，泛化能力就弱，集成盡量通用的語言學(xué)知識自然會加強模型的泛化能力。如何引入先驗的語言學(xué)知識其實一直是NLP尤其是深度學(xué)習(xí)場景下的NLP的主要目標(biāo)之一，不過一直沒有太好的解決辦法，而ELMO/GPT/Bert的這種兩階段模式看起來無疑是解決這個問題自然又簡潔的方法，這也是這些方法的主要價值所在。

對于當(dāng)前NLP的發(fā)展方向，我個人覺得有兩點非常重要，一個是需要更強的特征抽取器，目前看Transformer會逐漸擔(dān)當(dāng)大任，但是肯定還是不夠強的，需要發(fā)展更強的特征抽取器；第二個就是如何優(yōu)雅地引入大量無監(jiān)督數(shù)據(jù)中包含的語言學(xué)知識，目前看預(yù)訓(xùn)練這種兩階段方法還是很有效的，當(dāng)然后面肯定還會有更好的模型出現(xiàn)。

完了，這就是自然語言模型預(yù)訓(xùn)練的發(fā)展史。

責(zé)任編輯：lq