為什么要使用預訓練模型？8種優(yōu)秀預訓練模型大盤點

如今，自然語言處理（NLP）可謂遍地開花，可以說正是我們了解它的好時機。

NLP的快速增長主要得益于通過預訓練模型實現(xiàn)轉移學習的概念。在NLP中，轉移學習本質上是指在一個數(shù)據(jù)集上訓練模型，然后調整該模型以便在不同數(shù)據(jù)集上實現(xiàn)NLP的功能。

這一突破使NLP應用變得如此簡單，尤其是那些沒有時間或資源從頭開始構建NLP模型的人。或者，對于想要學習或者從其他領域過渡到NLP的新手來說，這簡直就是完美。

為什么要使用預訓練模型？

模型的作者已經設計出了基準模型，這樣我們就可以在自己的NLP數(shù)據(jù)集上使用該預訓練模型，而無需從頭開始構建模型來解決類似的問題

盡管需要進行一些微調，但這為我們節(jié)省了大量的時間和計算資源

在本文中展示了那些助你開始NLP之旅的頂級預訓練模型，以及該領域的最新研究成果。要查看關于計算機視覺中的頂級預訓練模型的文章，請參閱：

https://www.analyticsvidhya.com/blog/2018/07/top-10-pretrained-models-get-started-deep-learning-part-1-computer-vision/?utm_source=blog&utm_medium=top-pretrained-models-nlp-article

本文涵蓋的NLP預訓練模型

我根據(jù)應用場景將預訓練模型分為三類：

多用途NLP模型

ULMFiT

Transformer

谷歌的BERT

Transformer-XL

OpenAI的GPT-2

詞嵌入NLP模型

ELMo

Flair

其他預訓練模型

StanfordNLP

多用途NLP模型

多用途模型在NLP領域里一直為人們所關注。這些模型為提供了許多令人感興趣的NLP應用 - 機器翻譯、問答系統(tǒng)、聊天機器人、情感分析等。這些多用途NLP模型的核心是語言建模的理念。

簡單來說，語言模型的目的是預測語句序列中的下一個單詞或字符，在我們了解各模型時就會明白這一點。

如果你是NLP愛好者，那么一定會喜歡現(xiàn)在這部分，讓我們深入研究5個最先進的多用途NLP模型框架。這里我提供了每種模型的研究論文和預訓練模型的鏈接，來探索一下吧！

ULMFiT模型

ULMFiT由fast.ai（深度學習網站）的Jeremy Howard和DeepMind（一家人工智能企業(yè)）的Sebastian Ruder提出并設計?？梢赃@么說，ULMFiT開啟了轉移學習的熱潮。

正如我們在本文中所述，ULMFiT使用新穎的NLP技術取得了令人矚目的成果。該方法對預訓練語言模型進行微調，將其在WikiText-103數(shù)據(jù)集（維基百科的長期依賴語言建模數(shù)據(jù)集Wikitext之一）上訓練，從而得到新數(shù)據(jù)集，通過這種方式使其不會忘記之前學過的內容。

ULMFiT比許多先進的文本分類模型還要好。我喜愛ULMFiT是因為它只需要很少的數(shù)據(jù)就可以來產生令人印象深刻的結果，使我們更容易理解并在機器上實現(xiàn)它！

也許你不知道ULMFiT其實是Universal Language Model Fine-Tuning（通用語言模型微調）的簡稱?！巴ㄓ谩币辉~在這里非常貼切 - 該框架幾乎可以應用于任何NLP任務。

想知道有關ULMFiT的更多信息，請參閱以下文章和論文：

使用ULMFiT模型和Python 的fastai庫進行文本分類（NLP）教程

https://www.analyticsvidhya.com/blog/2018/11/tutorial-text-classification-ulmfit-fastai-library/?utm_source=blog&utm_medium=top-pretrained-models-nlp-article

ULMFiT的預訓練模型論文

https://www.paperswithcode.com/paper/universal-language-model-fine-tuning-for-text

其他研究論文

https://arxiv.org/abs/1801.06146

Transformer模型

Transformer架構是NLP近期最核心的發(fā)展，2017年由谷歌提出。當時，用于語言處理任務（如機器翻譯和問答系統(tǒng)）的是循環(huán)神經網絡（RNN）。

Transformer架構的性能比RNN和CNN（卷積神經網絡）要好，訓練模型所需的計算資源也更少，這對于每個使用NLP的人來說都是雙贏。看看下面的比較：

各模型的英德翻譯質量

根據(jù)Google的說法，Transformer模型“應用了一種自注意力機制，可直接模擬句子中所有單詞之間的關系，而無需理會其各自的位置如何”。它使用固定長度上下文（也就是前面的單詞）來實現(xiàn)。太復雜了？沒事，我們舉一例子簡單說明。

有句話“She found the shells on the bank of the river.”此時模型需要明白，這里的“bank”是指岸邊，而不是金融機構（銀行）。Transformer模型只需一步就能理解這一點。我希望你能閱讀下面鏈接的完整論文，以了解其工作原理。它肯定會讓你大吃一驚。

谷歌去年發(fā)布了一款名為Universal Transformer的改進版Transformer模型。它還有一個更新，更直觀的名字，叫Transformer-XL，我們將在后面介紹。

想學習和閱讀更多有關Transformer的信息，請訪問：

谷歌官方博文

https://ai.googleblog.com/2017/08/transformer-novel-neural-network.html

Transformer預訓練模型論文《Attention Is All You Need》

https://www.paperswithcode.com/paper/attention-is-all-you-need

其他研究論文

https://arxiv.org/abs/1706.03762

BERT模型（谷歌）

谷歌發(fā)布BERT框架并開放其源代碼在業(yè)界掀起波瀾，甚至有人認為這是否標志著“ NLP新時代”的到來。但至少有一點可以肯定，BERT是一個非常有用的框架，可以很好地推廣到各種NLP任務中。

BERT是BidirectionalEncoderRepresentations（雙向編碼器表征）的簡稱。這個模型可以同時考慮一個詞的兩側（左側和右側）上下文，而以前的所有模型每次都是只考慮詞的單側（左側或右側）上下文。這種雙向考慮有助于模型更好地理解單詞的上下文。此外，BERT可以進行多任務學習，也就是說，它可以同時執(zhí)行不同的NLP任務。

BERT是首個無監(jiān)督的、深度雙向預訓練NLP模型，僅使用純文本語料庫進行訓練。

在發(fā)布時，谷歌稱BERT進行了11個自然語言處理（NLP）任務，并產生高水平的結果，這一壯舉意義深遠！你可以在短短幾個小時內（在單個GPU上）使用BERT訓練好自己的NLP模型（例如問答系統(tǒng)）。

想獲得更多有關BERT的資源，請參閱：

谷歌官方博文

https://ai.googleblog.com/2018/11/open-sourcing-bert-state-of-art-pre.html

BERT預訓練模型論文

https://www.paperswithcode.com/paper/bert-pre-training-of-deep-bidirectional#code

其他研究論文

https://arxiv.org/pdf/1810.04805.pdf

Transformer-XL模型（谷歌）

從長期來看，谷歌發(fā)布的版本對NLP而言是非常重要的。如果你是初學者，這個概念可能會有點棘手，所以我鼓勵你多讀幾遍來掌握它。我還在本節(jié)下面提供了多種資源來幫助你開始使用Transformer-XL。

想象一下——你剛讀到一本書的一半，突然出現(xiàn)了這本書開頭提到的一個詞或者一句話時，就能回憶起那是什么了。但可以理解，機器很難建立長期的記憶模型。

如上所述，要達成這個目的的一種方法是使用Transformers，但它們是在固定長度的上下文中實現(xiàn)的。換句話說，如果使用這種方法，就沒有太大的靈活性。

Transformer-XL很好地彌補了這個差距。它由Google AI團隊開發(fā)，是一種新穎的NLP架構，能夠幫助機器理解超出固定長度限制的上下文。Transformer-XL的推理速度比傳統(tǒng)的Transformer快1800倍。

通過瀏覽下面谷歌發(fā)布的兩個gif文件，你就會明白這其中的區(qū)別:

正如你現(xiàn)在可能已經預測到的，Transformer-XL在各種語言建模基準/數(shù)據(jù)集上取得了最新的技術成果。以下是他們頁面上的一個小表格，說明了這一點:

之前給過鏈接并將在下面提到的Transformer-XL GitHub存儲庫包含了PyTorch和TensorFlow中的代碼。

學習和閱讀更多Transformer-XL有關信息的資源：

谷歌的官方博客文章

https://ai.googleblog.com/2019/01/transformer-xl-unleashing-potential-of.html

Transformer-XL的預訓練模型

https://www.paperswithcode.com/paper/transformer-xl-attentive-language-models

研究論文

https://arxiv.org/abs/1901.02860

GPT-2模型（OpenAI）

這是一個十分有爭議的模型，一些人會認為GPT-2的發(fā)布是OpenAI的營銷噱頭。我可以理解他們的想法，但是我認為至少應該要先對OpenAI發(fā)布的代碼進行嘗試。

首先，為那些不知道我在說什么的人提供一些背景信息。OpenAI在2月份發(fā)表了一篇博客文章，他們聲稱已經設計了一個名為GPT-2的NLP模型，這個模型非常好，以至于擔心被惡意使用而無法發(fā)布完整的版本，這當然引起了社會的關注。

GPT-2經過訓練，可以用來預測40GB的互聯(lián)網文本數(shù)據(jù)中的下一個出現(xiàn)的詞。 該框架也是一個基于transformer的模型，而這個模型是基于800萬個web頁面的數(shù)據(jù)集來進行訓練。他們在網站上發(fā)布的結果簡直令人震驚，因為該模型能夠根據(jù)我們輸入的幾個句子編寫出一個完整的故事?？纯催@個例子：

難以置信，是吧？

開發(fā)人員已經發(fā)布了一個更小版本的GPT-2，供研究人員和工程師測試。原始模型有15億個參數(shù)——開放源碼示例模型有1.17億個參數(shù)。

學習和閱讀更多GPT-2有關信息的資源：

OpenAI的官方博客文章

https://openai.com/blog/better-language-models/

GPT-2的預訓練模型

https://github.com/openai/gpt-2

研究論文

https://d4mucfpksywv.cloudfront.net/better-language-models/language-models.pdf

詞嵌入（word embedding）模型

我們使用的大多數(shù)機器學習和深度學習算法都無法直接處理字符串和純文本。這些技術要求我們將文本數(shù)據(jù)轉換為數(shù)字，然后才能執(zhí)行任務（例如回歸或分類）。

因此簡單來說， 詞嵌入（word embedding）是文本塊，這些文本塊被轉換成數(shù)字以用于執(zhí)行NLP任務。詞嵌入（word embedding）格式通常嘗試使用字典將單詞映射到向量。

你可以在下面的文章中更深入地了解word embedding、它的不同類型以及如何在數(shù)據(jù)集中使用它們。如果你不熟悉這個概念，我認為本指南必讀：

對詞嵌入的直觀理解：從計算向量到Word2Vec

https://www.analyticsvidhya.com/blog/2019/03/pretrained-models-get-started-nlp/

在本節(jié)中，我們將介紹NLP的兩個最先進的詞嵌入（word embedding）。我還提供了教程鏈接，以便你可以對每個主題有實際的了解。

ELMo模型

這個ELMo并不是《芝麻街》里的那個角色，但是這個ELMo（Embeddings from Language Models（語言模型嵌入）的縮寫）在構建NLP模型的上下文中非常有用。

ELMo是一種用向量和嵌入表示單詞的新方法。這些ELMo 詞嵌入（word embedding）幫助我們在多個NLP任務上實現(xiàn)最先進的結果，如下圖所示:

讓我們花點時間來了解一下ELMo是如何工作的?；叵胍幌挛覀冎坝懻撨^的雙向語言模型。從這篇文章中我們能夠得到提示，“ELMo單詞向量是在雙層雙向語言模型（biLM）的基礎上進行計算的。這個biLM模型有兩層疊加在一起，每一層都有2個通道——前向通道和后向通道：

ELMo單詞表示考慮計算詞嵌入（word embedding）的完整輸入語句。因此，“read”這單詞在不同的上下文中具有不同的ELMo向量。這與舊版的詞嵌入（word embedding）大不相同，舊版中無論在什么樣的上下文中使用單詞“read”，分配給該單詞的向量是相同的。

學習和閱讀更多ELMo有關信息的資源：

循序漸進的NLP指南，了解ELMo從文本中提取特征

https://www.analyticsvidhya.com/blog/2019/03/learn-to-use-elmo-to-extract-features-from-text/?utm_source=blog&utm_medium=top-pretrained-models-nlp-article

預訓練模型的GitHub存儲庫

https://github.com/allenai/allennlp/blob/master/tutorials/how_to/elmo.md

研究論文

https://arxiv.org/pdf/1802.05365.pdf

Flair模型

Flair不是一個詞嵌入（word embedding），而是它的組合。我們可以將Flair稱為結合了GloVe、BERT與ELMo等嵌入方式的NLP庫。Zalando Research的優(yōu)秀員工已經開發(fā)了開源的Flair。

該團隊已經為以下NLP任務發(fā)布了幾個預訓練模型：

名稱 - 實體識別（NER）

詞性標注（PoS）

文本分類

培訓定制模型

不相信嗎？那么，這個對照表會幫你找到答案:

“Flair Embedding”是Flair庫中打包的簽名嵌入，它由上下文字符串嵌入提供支持。了解支持Flair的核心組件可以閱讀這篇文章：

https://www.analyticsvidhya.com/blog/2019/02/flair-nlp-library-python/?utm_source=blog&utm_medium=top-pretrained-models-nlp-article

我特別喜歡Flair的地方是它支持多種語言，而這么多的NLP發(fā)行版大多都只有英文版本。如果NLP要在全球獲得吸引力，我們需要在此基礎上進行擴展。

學習和閱讀更多有關Flair的資源：

Flair for NLP簡介：一個簡單但功能強大的最先進的NLP庫

https://www.analyticsvidhya.com/blog/2019/02/flair-nlp-library-python/?utm_source=blog&utm_medium=top-pretrained-models-nlp-article

Flair的預訓練模型

https://github.com/zalandoresearch/flair

其他預訓練模型

StanfordNLP （斯坦福）

提到擴展NLP使其不局限于英語，這里有一個已經實現(xiàn)該目的的庫——StanfordNLP。其作者聲稱StanfordNLP支持超過53種語言，這當然引起了我們的注意。

我們的團隊是第一批使用該庫并在真實數(shù)據(jù)集上發(fā)布結果的團隊之一。我們通過嘗試，發(fā)現(xiàn)StanfordNLP確實為在非英語語言上應用NLP技術提供了很多可能性，比如印地語、漢語和日語。

StanfordNLP是一系列經過預先訓練的最先進的NLP模型的集合。這些模型不僅是在實驗室里進行測試——作者在2017年和2018年的CoNLL競賽中都使用了這些模型。在StanfordNLP中打包的所有預訓練NLP模型都是基于PyTorch構建的，可以在你自己的注釋數(shù)據(jù)上進行訓練和評估。

我們認為你應該考慮使用StanfordNLP的兩個主要原因是：

用于執(zhí)行文本分析的完整神經網絡管道，包括。

標記化

多字令牌（MWT）拓展

詞形還原

詞性（POS）和詞形特征標記

依存語法分析

穩(wěn)定的Stanford CoreNLP軟件的官方Python接口。

學習和閱讀更多StanfordNLP有關信息的資源：

StanfordNLP簡介：一個不可思議的支持53種語言的最先進NLP庫 （使用Python代碼）

https://www.analyticsvidhya.com/blog/2019/02/stanfordnlp-nlp-library-python/?utm_source=blog&utm_medium=top-pretrained-models-nlp-article

StanfordNLP的預訓練模型

https://github.com/stanfordnlp/stanfordnlp

尾注

這絕不是一個預訓練NLP模型的詳盡列表，有更多能用的可以在這個網站上找到：https://paperswithcode.com

以下是學習NLP的一些有用資源：

使用Python課程進行自然語言處理https://courses.analyticsvidhya.com/courses/natural-language-processing-nlp?utm_source=blog&utm_medium=top-pretrained-models-nlp-article

認證項目：NLP初學者https://courses.analyticsvidhya.com/bundles/nlp-combo?utm_source=blog&utm_medium=top-pretrained-models-nlp-article

自然語言處理（NLP）系列文章https://www.analyticsvidhya.com/blog/category/nlp/?utm_source=blog&utm_medium=top-pretrained-models-nlp-article

我很想聽聽你對這份清單的看法。你以前用過這些預訓練過的模型嗎？或者你已經探索過其他的模型？請在下面的評論區(qū)告訴我——我很樂意搜索它們并添加到這個列表中。