為什么要使用預(yù)訓練模型？一些頂級的預(yù)訓練模型介紹

如今，自然語言處理應(yīng)用已經(jīng)變得無處不在。自然語言處理應(yīng)用能夠快速增長，很大程度上要歸功于通過預(yù)訓練模型實現(xiàn)遷移學習的概念。在本文中，我將介紹一些頂級的預(yù)訓練模型，你可以用它們來開始你的自然語言處理之旅，并復(fù)制該領(lǐng)域的最新研究成果。

如今，自然語言處理（Natural Language Processing，NLP）應(yīng)用已經(jīng)變得無處不在。我似乎總是不經(jīng)意間發(fā)現(xiàn)一些網(wǎng)站和應(yīng)用程序，以這樣的或那樣的形式利用了自然語言處理技術(shù)。簡而言之，現(xiàn)在就是涉足自然語言處理領(lǐng)域的絕佳時機。

自然語言處理應(yīng)用能夠快速增長，很大程度上要歸功于通過預(yù)訓練模型實現(xiàn)遷移學習的概念。在自然語言處理的背景下，遷移學習本質(zhì)上是在一個數(shù)據(jù)集上訓練模型，然后對該模型進行調(diào)整，以在不同的數(shù)據(jù)集上執(zhí)行不同的自然語言處理功能。

這一突破，使得每個人都能夠輕松地完成任務(wù)，尤其是那些沒有時間、也沒有資源從頭開始構(gòu)建自然語言處理模型的人們。對于想要學習或過渡到自然語言處理的初學者來講，它也堪稱完美。

為什么要使用預(yù)訓練模型？

作者已盡其所能設(shè)計了基準模型。我們可以在自己的自然語言處理數(shù)據(jù)集上使用預(yù)訓練模型，而不是從頭構(gòu)建模型來解決類似的自然語言處理問題。

盡管仍然需要進行一些微調(diào)，但它已經(jīng)為我們節(jié)省了大量的時間和計算資源。

在本文中，我將介紹一些頂級的預(yù)訓練模型，你可以用它們來開始你的自然語言處理之旅，并復(fù)制該領(lǐng)域的最新研究成果。

如果你是自然語言處理的初學者，我建議你參加我們的熱門課程：《NLP using Python》（《使用 Python 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

本文介紹的預(yù)訓練自然語言處理模型根據(jù)應(yīng)用，將預(yù)處理模型分為三類：

多用途自然語言處理模型

ULMFiT

Transformer

Google BERT

Transformer-XL

OpenAI GPT-2

詞嵌入

ELMo

Flair

其他預(yù)訓練模型

StanfordNLP

多用途自然語言處理模型

多用途模型是自然語言處理領(lǐng)域的熱門話題。這些模型為機器翻譯、問答系統(tǒng)、聊天機器人、情緒分析等我們感興趣的自然語言處理應(yīng)用提供了動力。這些多用途自然語言處理模型的核心組件是語言建模的概念。

簡單來說，語言模型的目的是預(yù)測序列中的下一個單詞或字符。我們在這里看到每種模型時，都會理解這一點。

如果你是自然語言處理的愛好者，那么你將會喜歡這一節(jié)?，F(xiàn)在，讓我們深入研究這 5 個最先進的多用途自然語言處理模型框架吧。對于每個模型，我都提供了研究論文和預(yù)訓練模型的鏈接。讓我們繼續(xù)探索吧！

ULMFiT

GitHub 項目地址：

https://github.com/fastai/fastai/tree/master/courses/dl2/imdb_scripts

ULMFiT 由 fast.ai 的 Jeremy Howard 和 DeepMind 的 Sebastian Ruder 提出并設(shè)計。你可以說 ULMFiT 是去年啟動遷移學習派對的發(fā)行版。

正如我們在本文中所述，ULMFiT 使用新的自然語言生成技術(shù)實現(xiàn)了最先進的結(jié)果。該方法包括在 Wikitext 103 數(shù)據(jù)集上訓練的預(yù)處理語言模型進行微調(diào)，使其不會忘記以前所學的內(nèi)容，從而將其微調(diào)為一個新的數(shù)據(jù)集。

在文本分類任務(wù)方面，ULMFiT 的性能優(yōu)于許多最先進的技術(shù)。我喜歡 ULMFiT 的原因是，它只需要很少的例子就可以產(chǎn)生這些令人印象深刻的結(jié)果。讓像你我這樣的人更容易理解，并在我們的機器上實現(xiàn)它！

如果你好奇 ULMFiT 為什么叫這個名，我會告訴你，ULMFiT 其實就是 Universal Language Model Fine-Tuning（通用語言模型微調(diào)）的縮寫?！癠niversal”（通用）這詞用在這里非常貼切，因為這個框架幾乎可以應(yīng)用于任何自然語言處理任務(wù)。

有關(guān) ULMFiT 的更多信息，請參閱以下資源：

《Tutorial on Text Classification (NLP) using ULMFiT and fastai Library in Python》（《在 Python 中使用 ULMFiT 和 fastai 庫的文本分類（自然語言處理）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(yù)訓練模型：https://www.paperswithcode.com/paper/universal-language-model-fine-tuning-for-text

研究論文：https://arxiv.org/abs/1801.06146

Transformer

GitHub 項目地址：

https://github.com/tensorflow/models/tree/master/official/transformer

Transformer 架構(gòu)是自然語言處理領(lǐng)域最近幾乎所有主要發(fā)展的核心，2017 年由 Google 推出。當時，RNN 遞歸神經(jīng)網(wǎng)絡(luò)被用于語言任務(wù)，如機器翻譯和問答系統(tǒng)。

這種 Transformer 架構(gòu)的性能優(yōu)于 RNN 和 CNN（卷積神經(jīng)網(wǎng)絡(luò)）。而且訓練模型所需的計算資源也大為減少。對自然語言處理的每個人來講，這種結(jié)果是雙贏的局面。看看下面的對比：

根據(jù) Google 的說法，Transformer“應(yīng)用了一種自注意力（self-attention）機制，可以直接模擬句子中所有單詞之間的關(guān)系，無論這些單詞的位置如何”。它使用固定大小的上下文（也就是前面的單詞）來實現(xiàn)這一點。是不是覺得太復(fù)雜了？讓我們舉個例子來簡化這個。

“She found the shells on the bank of the river.”模型需要理解這里的“bank”是指河岸，而不是金融機構(gòu)。Transformer 只需一步就能理解這一點。我建議你閱讀下面給出鏈接的完整論文，以了解 Transformer 的工作原理。它會讓你大吃一驚。

Google 去年發(fā)布了一款 Universal Transformer 的改進版。還有一個更新、更直觀的版本，叫做 Transformer-XL，我們將稍后予以介紹。

有關(guān) Transformer 的更多信息，請參閱以下資源：

Google 的官方博客文章：https://ai.googleblog.com/2017/08/transformer-novel-neural-network.html

Transformer 的預(yù)訓練模型：https://www.paperswithcode.com/paper/attention-is-all-you-need

研究論文：https://arxiv.org/abs/1706.03762

Google BERT

GitHub 項目地址：

https://github.com/google-research/bert

自 Google 公布他們的結(jié)果以來，BERT 就一直在掀起波瀾，然后 Google 開源了它背后的代碼。我們可以討論這是否標志著“自然語言處理領(lǐng)域的新時代”，但毫無疑問的是，BERT 是一個非常有用的框架，可以很好地推廣到各種自然語言處理任務(wù)。

BERT，是 Bidirectional Encoder Representations（雙向編碼器表示）的縮寫，它從單詞的兩邊（左邊和右邊）來考慮上下文。以前所有的努力方向，都是一次只考慮單詞的一邊，要么是左邊，要么是右邊。這種雙向性有助于模型更好地理解使用單詞的上下文。此外，BERT 的設(shè)計目標是能夠進行多任務(wù)學習，也就是說，它可以同時執(zhí)行不同的自然語言處理任務(wù)。

BERT 是第一個無監(jiān)督、深度雙向的自然語言處理模型預(yù)訓練系統(tǒng)。它只使用純文本語料庫進行訓練。

在發(fā)布的時候，BERT 在 11 個自然語言處理任務(wù)上取得了最先進的結(jié)果。這真是相當了不起的成就！你可以在短短幾個小時內(nèi)（在單個 GPU 上）使用 BERT 訓練自己的自然語言處理模型（例如問答系統(tǒng)）。

有關(guān) BERT 的更多信息，請參閱以下資源：

Google 官方博客文章：https://ai.googleblog.com/2018/11/open-sourcing-bert-state-of-art-pre.html

BERT 預(yù)訓練模型：https://www.paperswithcode.com/paper/bert-pre-training-of-deep-bidirectional#code

研究論文：https://arxiv.org/pdf/1810.04805.pdf

Google Transformer-XL

GitHub 項目地址：

https://github.com/kimiyoung/transformer-xl

從長遠來看，Google 的這一發(fā)行版對自然語言處理領(lǐng)域來說可能是一個非常重要的版本。如果你是一名菜鳥，這個概念可能會變得有點棘手，所以我建議你多讀幾遍來掌握它。我還會在這一節(jié)中提供一些資源，幫助你開始入門 Transformer-XL。

想象一下，你正在讀一本書，讀到一半的時候，書中突然出現(xiàn)了某個單詞或句子，而這些在這本書的開頭都提到過。這時候，你我都能回憶起那些單詞或句子指的是什么意思。但機器很難建立模擬長期依賴（long-term dependency）的模型，這是可以理解的。

如上所述，實現(xiàn)這一點的一種方法是使用 Transformer。但它們是在固定長度的上下文實現(xiàn)的。換句話說，如果使用這種方法，就沒有多少靈活性而言。

而 Transformer-XL 很好地彌補了這一缺陷。它由 Google AI 團隊開發(fā)，是一種新型的自然語言處理架構(gòu)，可以幫助機器理解超出固定長度限制的上下文。Transformer-XL 比普通的 Transformer 要快上 1800 倍。

你可以通過 Google 發(fā)布的兩個動圖來了解這一區(qū)別：

普通 Transformer

Transformer-XL

正如你現(xiàn)在所預(yù)測的，Transformer-XL 在各種語言建?；鶞?/ 數(shù)據(jù)集上實現(xiàn)了最新的、最先進的結(jié)果。下面是他們網(wǎng)頁上的一張表，展示了這一點：

上面的鏈接和下面提到的 Transformer-XL GitHub 存儲庫包含 PyTorch 和 TensorFlow 中的代碼。

有關(guān) Transformer-XL 的更多信息，請參閱以下資源：

Google 官方博客文章：https://ai.googleblog.com/2019/01/transformer-xl-unleashing-potential-of.html

Transformer-XL 的預(yù)訓練模型：https://www.paperswithcode.com/paper/transformer-xl-attentive-language-models

研究論文：https://arxiv.org/abs/1901.02860

OpenAI GPT-2

GitHub 項目地址：

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

目前這是一個頗有爭議的條目。一些人可能會認為 GPT-2 的發(fā)布就是 OpenAI 的營銷噱頭。我當然理解他們的想法。然而，我還是認為，至少嘗試一下 OpenAI 發(fā)布的代碼還是很重要的。

首先，我得為那些不知道我在說什么的人們提供一些背景信息。OpenAI 在 2 月份的時候發(fā)表了一篇博文，聲稱他們已經(jīng)設(shè)計了一個自然語言處理模型，表現(xiàn)非常出色，以至于他們擔心被惡意使用，而沒有選擇發(fā)布完整版本。這當然引起了社區(qū)的關(guān)注。

GPT-2 經(jīng)過訓練后，可以預(yù)測 40GB 互聯(lián)網(wǎng)文本數(shù)據(jù)的下一個出現(xiàn)的單詞。這個框架也是基于 Transformer 的模型，該模型在 800 萬個 Web 頁面的數(shù)據(jù)集進行訓練。他們在網(wǎng)站公布的結(jié)果令人震撼。這個模型能夠根據(jù)我們輸入的寥寥可數(shù)的句子就編織出一個完全清晰的故事，請看看下面的這個例子：

難以置信，對吧？

為了供研究人員和工程師測試，開發(fā)人員發(fā)布了一個小得多的 GPT-2 版本。原始模型有 15 億個參數(shù)，而開源的示例模型僅有 1.17 億個。

有關(guān) GPT-2 的更多信息，請參閱以下資源：

OpenAI 官方博客文章：https://openai.com/blog/better-language-models/

GPT-2 的預(yù)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

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(shù)要求我們必須先將文本數(shù)據(jù)轉(zhuǎn)換為數(shù)字，然后才能執(zhí)行任何任務(wù)（如回歸和分類）。

因此，簡單來說，詞嵌入就是為了將文本塊轉(zhuǎn)換為用于執(zhí)行自然語言處理任務(wù)的數(shù)字。詞嵌入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，更深入地理解詞嵌入、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的話，我認為這份指南對你來說是必讀的：

《An Intuitive Understanding of Word Embeddings: From Count Vectors to Word2Vec》（《直觀理解詞嵌入：從計數(shù)向量到 Word2Vec》：https://www.analyticsvidhya.com/blog/2017/06/word-embeddings-count-word2veec/?utm_source=blog&utm_medium=top-pretrained-models-nlp-article

在這一節(jié)中，我們將介紹自然語言處理領(lǐng)域中兩個最先進的詞嵌入。我還提供了教程的鏈接，這樣你就可以對每個主題有實際的理解。

ELMo

GitHub 項目地址：

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

ELMo（是 Embedding from Language Models 的縮寫）在構(gòu)建自然語言處理模的上下文非常有用。

ELMo 是一種用向量和嵌入表示單詞的新方法。這些 ELMo 詞嵌入有助于我們在多個自然語言處理任務(wù)上獲得最先進的結(jié)果，如下所示：

讓我們花點時間來理解 ELMo 的工作原理。回憶一下我們之前討論過的雙向語言模型。從本文中得到的提示：“ELMo 詞向量是在雙層雙向語言模型（bidirectional language model，biLM）智商計算的。這個 biLM 模型有兩層堆疊在一起。每層有兩個通道：前向通道和后向通道。

ELMo 詞向量表示（word representations）考慮用于計算詞嵌入的完整輸入語句。因此“read”這個詞在不同的上下文中有不同的 ELMo 向量。這點與舊詞嵌入截然不同，對舊詞嵌入而言，無論單詞在什么上下文中使用，這個單詞都會分配到相同的向量。

有關(guān) ELMo 更多的信息，請參閱以下資源：

《Step-by-Step NLP Guide to Learn ELMo for Extracting Features from Text》（《自然語言處理入門指南：學習 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

用于預(yù)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

GitHub 項目地址：https://github.com/zalandoresearch/flair

Flair 并不完全是詞嵌入，而是詞嵌入的組合。我們可以稱 Flair 更多的是一個自然語言處理程序庫，它結(jié)合了 GloVe、BERT、EMLo 等嵌入。Zalando Research 的優(yōu)秀人員開發(fā)并開源了 Flair。

該團隊已經(jīng)為以下自然語言處理任務(wù)發(fā)布了幾個預(yù)訓練模型：

Name-Entity Recognition （NER，名稱 - 實體識別）

Parts-of-Speech Tagging (PoS，詞性標注)

文本分類

訓練自定義模型

還不確定？那么，看下面這張比較表就會讓你明白：

“Flair Embedding”是封裝在 Flair 庫中的簽名嵌入。它由上下文字符串嵌入提供支持。你應(yīng)該自詡閱讀這篇文章《Introduction to Flair for NLP: A Simple yet Powerful State-of-the-Art NLP Library》（《Flair 簡介：簡單而強大的，最先進的自然語言處理庫》）來了解支持 Flair 的核心組件：

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 的地方就是它能夠支持多種語言。如此多的自然語言處理版本都只做英語方面的任務(wù)。如果自然語言處理想在全球范圍內(nèi)獲得吸引力的話，我們就必須超越這一點！

有關(guān) Flair 更多的信息，請參閱以下資源：

《Introduction to Flair for NLP: A Simple yet Powerful State-of-the-Art NLP Library》（《Flair 簡介：簡單而強大的，最先進的自然語言處理庫》）：https://www.analyticsvidhya.com/blog/2019/02/flair-nlp-library-python/?utm_source=blog&utm_medium=top-pretrained-models-nlp-article

Flair 的預(yù)訓練模型：https://github.com/zalandoresearch/flair

StanfordNLP

GitHub 項目地址：https://github.com/stanfordnlp/stanfordnlp

說到將自然語言處理擴展到英語之外，現(xiàn)在有一個已設(shè)置基準的庫了。據(jù)作者聲稱，StandfordNLP 支持超過 53 種語言，這當然引起了我們的關(guān)注。

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(jié)果的團隊之一。我們研究了一下，發(fā)現(xiàn) StandfordNLP 確實為非英語語言中應(yīng)用自然語言處理技術(shù)提供了很多可能性，比如印地語、漢語和日語。

StandfordNLP 是一個經(jīng)過預(yù)訓練的、最先進的自然語言處理模型的集合。 這些模型并不只是僅在實驗室內(nèi)測試——在 2017 年、2018 年的 CoNLL 競賽作者就曾使用 StandfordNLP 參賽。在 StandfordNLP 中打包的所有預(yù)訓練自然語言處理模型都是基于 PyTorch 構(gòu)建的，并且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(yīng)該考慮 StandfordNLP 的兩個主要原因是：

用于執(zhí)行文本分析的完整神經(jīng)網(wǎng)絡(luò)管道，包括：

標記化（Tokenization）

多詞標記擴展（Multi-word token (MWT) expansion）

詞性還原（Lemmatization）

詞性和詞形特征標記（Parts-of-speech (POS) and morphological feature tagging）

依存句法分析（Dependency Parsing）

一個穩(wěn)定的官方維護的 CoreNLP Python 接口

有關(guān) StandfordNLP 的更多信息，請參閱以下資源：

《Introduction to StanfordNLP: An Incredible State-of-the-Art NLP Library for 53 Languages (with Python code)》（《StandfordNLP 簡介：令人難以置信的、最先進的自然語言處理庫，支持 53 種語言（使用 Python 實現(xiàn)）》）：https://www.analyticsvidhya.com/blog/2019/02/stanfordnlp-nlp-library-python/?utm_source=blog&utm_medium=top-pretrained-models-nlp-article

StandfordNLP 預(yù)訓練模型：https://github.com/stanfordnlp/stanfordnlp

尾 注

本文絕不是預(yù)訓練自然語言處理模型的詳盡清單。還有更多可用的模型，你可以在這個網(wǎng)站上查看其中的一些：

https://paperswithcode.com

下面是學習自然語言處理的一些有用資源：

《Natural Language Processing (NLP) Using Python》（《課程：使用 Python 進行自然語言處理（NLP）》）：https://courses.analyticsvidhya.com/courses/natural-language-processing-nlp?utm_source=blog&utm_medium=top-pretrained-models-nlp-article

Certified Program: NLP for Beginners（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

關(guān)于自然語言處理的文章集：https://www.analyticsvidhya.com/blog/category/nlp/?utm_source=blog&utm_medium=top-pretrained-models-nlp-article