PyTorch教程-15.2. 近似訓(xùn)練

回憶一下我們?cè)?5.1 節(jié)中的討論。skip-gram模型的主要思想是使用softmax操作來計(jì)算生成上下文詞的條件概率wo基于給定的中心詞wc在(15.1.4)中，其對(duì)應(yīng)的對(duì)數(shù)損失由(15.1.7)的相反數(shù)給出 。

由于 softmax 操作的性質(zhì)，因?yàn)樯舷挛脑~可能是字典中的任何人V， (15.1.7)的反面 包含與詞匯表的整個(gè)大小一樣多的項(xiàng)目總和。因此， （15.1.8）中 skip-gram 模型的梯度計(jì)算和（15.1.15）中連續(xù)詞袋模型的 梯度計(jì)算都包含求和。不幸的是，這種在大型詞典（通常有數(shù)十萬或數(shù)百萬個(gè)單詞）上求和的梯度的計(jì)算成本是巨大的！

為了降低上述計(jì)算復(fù)雜度，本節(jié)將介紹兩種近似訓(xùn)練方法：負(fù)采樣和分層softmax。由于skip-gram模型與連續(xù)詞袋模型的相似性，我們將僅以skip-gram模型為例來描述這兩種近似訓(xùn)練方法。

15.2.1。負(fù)采樣

負(fù)采樣修改了原來的目標(biāo)函數(shù)。給定中心詞的上下文窗口wc，任何（上下文）詞的事實(shí)wo來自這個(gè)上下文窗口被認(rèn)為是一個(gè)事件，其概率建模為

(15.2.1)P(D=1∣wc,wo)=σ(uo?vc),

在哪里σ使用 sigmoid 激活函數(shù)的定義：

(15.2.2)σ(x)=11+exp?(?x).

讓我們首先最大化文本序列中所有此類事件的聯(lián)合概率來訓(xùn)練詞嵌入。具體來說，給定長(zhǎng)度的文本序列T, 表示為w(t)時(shí)間步長(zhǎng)的單詞t并讓上下文窗口大小為m, 考慮最大化聯(lián)合概率

(15.2.3)∏t=1T∏?m≤j≤m,j≠0P(D=1∣w(t),w(t+j)).

然而，(15.2.3)只考慮那些涉及正例的事件。因此， 只有當(dāng)所有詞向量都等于無窮大時(shí)，(15.2.3)中的聯(lián)合概率才最大化為 1。當(dāng)然，這樣的結(jié)果是沒有意義的。為了使目標(biāo)函數(shù)更有意義，負(fù)采樣添加了從預(yù)定義分布中采樣的負(fù)樣本。

表示為S上下文詞的事件wo來自中心詞的上下文窗口wc. 對(duì)于此次涉及的事件wo，來自預(yù)定義的分布P(w) 樣本K 不是來自這個(gè)上下文窗口的噪聲詞。表示為Nk干擾詞的事件wk (k=1,…,K) 不是來自上下文窗口 wc. 假設(shè)這些事件同時(shí)涉及正例和反例S,N1,…,NK是相互獨(dú)立的。負(fù)采樣將（15.2.3）中的聯(lián)合概率（僅涉及正例）重寫為

(15.2.4)∏t=1T∏?m≤j≤m,j≠0P(w(t+j)∣w(t)),

其中條件概率是通過事件來近似的 S,N1,…,NK:

(15.2.5)P(w(t+j)∣w(t))=P(D=1∣w(t),w(t+j))∏k=1,wk～P(w)KP(D=0∣w(t),wk).

表示為it和hk一個(gè)詞的索引 w(t)在時(shí)間步t文本序列和噪聲詞wk， 分別。關(guān)于 (15.2.5)中條件概率的對(duì)數(shù)損失是

(15.2.6)?log?P(w(t+j)∣w(t))=?log?P(D=1∣w(t),w(t+j))?∑k=1,wk～P(w)Klog?P(D=0∣w(t),wk)=?logσ(uit+j?vit)?∑k=1,wk～P(w)Klog?(1?σ(uhk?vit))=?logσ(uit+j?vit)?∑k=1,wk～P(w)Klog?σ(?uhk?vit).

我們可以看到現(xiàn)在每個(gè)訓(xùn)練步驟的梯度計(jì)算成本與字典大小無關(guān)，而是線性取決于K. 設(shè)置超參數(shù)時(shí)K對(duì)于較小的值，負(fù)采樣的每個(gè)訓(xùn)練步驟的梯度計(jì)算成本較小。

15.2.2。分層 Softmax

作為一種替代的近似訓(xùn)練方法，hierarchical softmax 使用二叉樹，一種 如圖 15.2.1所示的數(shù)據(jù)結(jié)構(gòu)，其中樹的每個(gè)葉節(jié)點(diǎn)代表字典中的一個(gè)詞V.

圖 15.2.1用于近似訓(xùn)練的分層 softmax，其中樹的每個(gè)葉節(jié)點(diǎn)代表字典中的一個(gè)詞。

表示為L(zhǎng)(w)從根節(jié)點(diǎn)到表示單詞的葉節(jié)點(diǎn)的路徑上的節(jié)點(diǎn)數(shù)（包括兩端）w在二叉樹中。讓n(w,j)成為jth該路徑上的節(jié)點(diǎn)，其上下文詞向量為 un(w,j). 例如，L(w3)=4在 圖 15.2.1中。分層 softmax 將(15.1.4)中的條件概率近似為

(15.2.7)P(wo∣wc)=∏j=1L(wo)?1σ([[n(wo,j+1)=leftChild(n(wo,j))]]?un(wo,j)?vc),

哪里的功能σ在(15.2.2)中定義，并且 leftChild(n)是節(jié)點(diǎn)的左子節(jié)點(diǎn)n： 如果 x是真的，[[x]]=1; 否則 [[x]]=?1.

為了說明，讓我們計(jì)算生成單詞的條件概率w3給定的詞wc在圖 15.2.1中。這需要詞向量之間的點(diǎn)積vc 的wc以及從根到路徑（圖15.2.1中粗體路徑）上的非葉節(jié)點(diǎn)向量w3，向左、向右、然后向左遍歷：

(15.2.8)P(w3∣wc)=σ(un(w3,1)?vc)?σ(?un(w3,2)?vc)?σ(un(w3,3)?vc).

自從σ(x)+σ(?x)=1，它認(rèn)為生成字典中所有單詞的條件概率 V基于任何詞wc總結(jié)為一個(gè)：

(15.2.9)∑w∈VP(w∣wc)=1.

幸運(yùn)的是，因?yàn)長(zhǎng)(wo)?1順序是 O(log2|V|)由于二叉樹結(jié)構(gòu)，當(dāng)字典大小時(shí)V是巨大的，與不使用近似訓(xùn)練相比，使用分層 softmax 的每個(gè)訓(xùn)練步驟的計(jì)算成本顯著降低。

15.2.3。概括

負(fù)采樣通過考慮涉及正例和負(fù)例的相互獨(dú)立的事件來構(gòu)建損失函數(shù)。訓(xùn)練的計(jì)算成本線性依賴于每一步的噪聲詞數(shù)量。

Hierarchical softmax利用二叉樹中從根節(jié)點(diǎn)到葉節(jié)點(diǎn)的路徑構(gòu)造損失函數(shù)。訓(xùn)練的計(jì)算成本取決于每一步字典大小的對(duì)數(shù)。

15.2.4。練習(xí)

我們?nèi)绾卧谪?fù)采樣中對(duì)噪聲詞進(jìn)行采樣？

驗(yàn)證(15.2.9)成立。

如何分別使用負(fù)采樣和分層 softmax 來訓(xùn)練連續(xù)詞袋模型？

Discussions