(王树森老师课程)【强推】RNN模型和NLP应用
由于Gitee图床被forbid,导致图片显示异常,后续有空修复
一、数据处理
如何将计算机不认识的转化为数字
特征分类
-
类别特征(Categorical Feature)
有限集合,当没有大小之分,是并列权重的
-
数值特征
如年龄、工资等,有大小之分
由于计算机只能处理数值型特征,因此需要将Gender列和Nationality列转化为计算机能识别的数字
此处Age为数字特征,性别为二元特征(Female:0,Male:1),国籍则是多元的类别特征
疑问:二元特征,也算一种特殊的类别特征,为什么不用二维向量表示?
类别特征转化为数字流程(以Nationality为例)
-
构建一个字典(US->1,China->2,India->3,German->4,...)
-
将特征转化为OneHot编码的向量(假设有197种国籍)
则每个国籍可以表示为197*1的向量,使用1中的字典查找国际Index(如Index(China)=2),则向量第二维为1,其它为0
"China"->2->[0,1,...,0]
-
将每一列的特征(Age,Gender,Nationality)转化为数字后,可以得到:
如:(Number,[Vector dim=1],[Vector dim=197]) (35,Male,China)=(35,1,[0,1,...,0])
为什么第一个要从1开始?
因为要保存0的编码来代表未知或缺失的国籍,即[0,...,0]来代表
为什么要用OneHot来表示Categorical特征?
因若不使用Onehot而用1,2,3,...代表US,China,India,...,则在此列特征运算时,”US“+"China"="India",显然是不合理的,而US:[1,0,0,...],China:[0,1,0,...]
US+China=[1,1,0,0,...]更能保留两种类型特征相加的信息
处理文本数据
我们知道了如何处理类别型特征,但对于文本来说,又该如何处理文本文本数据呢?处理文本数据总体可以概括为以下几个步骤:
-
分词
以英文为例,将一个句子分为包含一个个的单词的列表
before: S="... to be or not to be...". after: L=[...,to,be,or,not,to,be,...]
-
统计词频
1.构建一个字典,初始化一个空字典
- 若词\(w\)未出现在字典当中,则\(add(w,1)\)添加入字典
- 否则\(dict[w]=dict[w]+1\)
2.从而可以得到一个字典
3.将字典中单词词频从大到小排序
4.再将词频转化为索引Index,转化完后的字典被称为词汇表"vocabulary"
由于词汇表通常会添加入一些不寻常的词,如名字、拼写错误的词等,因此需要对词汇表选择,可以在步骤3时截断出现次数\(time>1\)的单词,或设定词表大小为\(V\)
词表Index通常从1开始计数,原因是为OOV未登录词预留位置,出现时使用0编码
为什么要去除词表中多余的词?
- 加快计算
- 减少后续词嵌入的参数
-
One-Hot编码
得到了vacab即可将分词后的文本转化为向量
例如:
words:[to,be,or,not,to,be] indices:[2,4,8,1,2,4] 再做OneHot
- onehot向量的维度即为Vacab的维度
- Vacab为含不同词的字典
二、文本处理与词嵌入
IMDB数据集:
-
50K movie reviews (text)
-
Each review is labeled with either “positive” or “negative”. •
-
It is a binary classification problem.
-
25K for training and 25K for test.
-
Download from
文本转化为序列
四个步骤:
- 分词
- 构建字典
- One-Hot编码
- 序列对齐
分词
分词前需要做的几件事:
- 大小写
- 去除停用词
- 文本纠错
构建字典
One-Hot编码
将文本转化为数字序列
再将序列转化为矩阵
序列对齐
在对句子进行One-Hot编码后会存在一个问题,句子序列长度不一,有的长有的短
因此大于固定长度则截断,小于则补齐
词嵌入
一个单词可以用onehot向量表示(即只有一维为1,其它全为0),词向量的维度即为词表的长度。但由于OneHot向量的维度过高,会导致很多问题,因此需要做词嵌入来降低词向量的维度,做词嵌入有以下几步:
- 有一个已经构建的词表
- 将OneHot向量映射到低维度的向量上
所以词嵌入的关键之处在于如何通过参数矩阵\(\rm{P}\)将OneHot向量映射,此参数矩阵是可以训练的,具体见Word2Vec的历史,词嵌入矩阵是实现上下文语义理解任务时的“副产物”
如下图为一个词嵌入矩阵:
三、SimpleRNN
为什么要使用RNN(Recurrent Neural Networks)?
- 传统DL模型有全连接网络FC、卷积神经网络CNN等
- 上述模型具有局限性
- 只能一次全部输入来处理数据
- 输入大小固定
- 输出大小固定
- 典型的是One2One模型
- 序列数据往往是传统模型不适合处理的(如文本、音频、时间序列)
RNN模型的基本结构
几个组件:
- 输入$$x_i(i=0,1,2,...,t)$$
- 矩阵\(\rm{A}\)
- 状态向量$$h_i(i=0,1,2,...,t)$$
初步工作描述:
- 输入一句预处理后的句子\(s_1=[the,cat,sat,...,mat]\)
- 词嵌入,即将句子转化为句向量\(e_1[embedding\_size*1]\)
- 随机初始化矩阵$$A$$和状态向量\(h_i(i=0,1,2,...,t)\)
Simple RNN
向量拼接和矩阵初始化
SimpleRNN的核心运算如下:
\(h\)和\(x\)为向量\(h_t\)和\(x_t\)的维度,\(rand\_matrix\)函数随机初始化一个\(size=(h,h+x)\)的矩阵
\(A=rand\_matrix(matrix\_size=(h,h+x))\)
\(concat\)函数目的是将\(h_{t-1}\)与\(x_t\)拼接
\(h_t=\tanh(A·concat(h_{t-1},x_t))\)
即参数更新过程可视为以下函数:
\(h_t=func(h_{t-1},x_t)\)
\(\tanh\)函数
函数公式:
\(tanh(x)=\frac{\sinh{x}}{\cosh{x}}=\frac{e^x-e^{-x}}{e^x+e^{-x}}\)
\(tanh\)函数的特点:
- 将\((-\infty,+\infty)\)的输入压缩到\((-1,1)\)间
- 输出结果符号不变
- 单调递增的奇函数,且定义域内可导
若没有\(\tanh\)函数会导致什么?
导致梯度消失或梯度爆炸,在不断地序列输入后最终状态向量会趋于0或区域无穷!
四、LSTM
源论文:Hochreiter and Schmidhuber. Long short-term memory. Neural computation, 1997.
LSTM网络架构图与RNN对比
从结构图上的区别:
- 内部更为复杂了
- 外部还是输出状态向量,但与此同时多了个“箭头”,这个“箭头”是传送带
LSTM的几个重要部件:
- 传送带(\(C\))
- 遗忘门(\(f_t\))
- 输入门(\(i_t\))
- New Value(\(\widetilde{C_t}\))
- 输出门(\(o_t\))
- 状态向量(\(h\))
LSTM:Conveyor Belt
结构图:
传输带做的事:过去的信息通过传输带送到下一个时刻。可以看到传输带上连接了几个朝上的箭头,因此其将几个组件组合起来运算
传输带的重要作用:通过传输带来避免梯度消失的问题
LSTM:Forget Gate
由总到分展开:
Part1对位相乘:
\(f=sigmoid(a)\)此处\(a\)为一个函数
\(output\_1=c\circ{f}\)(对位相乘)
\(Sigmoid\)函数:
特点:
- 将\((-\infty,+\infty)\)内的值压缩到\((0,1)\)间
- 函数单调递增可导
Part2:遗忘门(f)
结构图:
- \(f\)维度和\(c\)和\(h\)相同
- 向量中Value为0则不让任何“信息”通过(数字代表信息)
- 向量中Value为1则让任何“信息”通过
- 遗忘门\(f\)有选择的让\(c\)中的值通过
例如:
Part3:\(W_f\)和拼接向量
\(a\)可以拆解为如下:
\(a=W_f\cdot{concat(h_{t-1},x_t)}\)
其中\(W_f\)可以被学习
总结
数学公式总和一起就是如下:
这一过程可以概括为一个函数:
\(output\_forget=func(h_{t-1},x_t,C_{t-1})\)
LSTM:Input Gate
输入门\(i_t\)决定了传送带上哪个值会被更新
Input gate结构图
\(i_t=sigmoid(W_t\cdot{concat(h_{t-1},x_t)})\)
其中\(W_t\)可以被学习
LSTM:New Value
结构图:
\(\widetilde{C_t}=\tanh({W_c\cdot{concat(h_{t-1},x_t)}})\)
其中\(W_c\)可以被学习
LSTM:Update the Conveyor Belt\(C\)
结构图:
\(C_t=f_t\circ{C_{t-1}}+i_t\circ{\widetilde{c_t}}\)
- 里面集成了遗忘门、输入门和NewValue
- \(+\)左边部分有选择的让\(C_{t-1}\)信息遗忘,\(+\)右边部分添加新的信息
LSTM:Output Gate
输出门\(o_t\)决定\(C_{t-1}\)流向\(h_t\)的信息
其中\(W_o\)可以被学习
\(o_t=sigmoid(W_o\cdot{concat(h_{t-1},x_t)})\)
LSTM:Update State
\(h_t=o_t\circ\tanh(C_t)\)
\(h_t\)被拷贝成两份,一份成此轮LSTM的输出,另一份被传送到下一步
\(C_t\)中包含了遗忘和增加的信息,因此和输出门结合产生最终的状态向量
最终\(x_t\)向量的所有信息积累在\(h_t\)中
参数数量
LSTM在IMDB上的处理
最后输出状态向量\(h_t\)后接上全连接层再做\(softmax\)输出最终的概率分布
总结
-
LSTM有四个参数矩阵 \(W_f\),\(W_i\),\(W_c\),\(W_o\),参数矩阵经过激活函数后生成对应的“门”
- \(sigmoid\):\(W_f\),\(W_i\),\(W_o\)
- \(tanh\):\(W_c\)
- 参数矩阵维度都是(h,x+h)
- 补充:状态向量计算时对\(C_t\)的激活使用了\(tanh\)
-
在传送带\(C_{t-1}\)到\(C_t\)间,涉及了哪几个部分?
-
遗忘门
-
输入门
-
New Value值
-
-
从结构图中可以看出,\(C_{t-1}\)到\(C_t\)的更新过程中,涉及了几个输出\(h_{t-1}\),\(x_t\),\(C_{t-1}\),其中W矩阵有\(W_f\),\(W_i\),\(W_c\)
五、多层RNN、双向RNN、预训练
多层RNN
架构图:
特点:
第\(i(i\in{(0,n]})\)层的所有状态向量\(h_{ij}(j\in{[0,t]})\)输出后是第\(i+1\)层RNN的输入
双向RNN
人阅读是在脑子里积累阅读信息,RNN“阅读”则积累在状态向量\(h_t\)当中,而人类通常是从前往后阅读的习惯,但并不影响从后往前阅读来判断一个电影评论的情绪,因此双向RNN借助这种思想,悬链两条RNN,一条从前往后,另一条从后往前。
两条RNN不共享参数,各自输出其状态向量,然后将两条向量做\(concat\)操作记作向量\(y\)。
- 若有多层RNN,则将向量\(y\)作为接下来层的输入
- 若单层RNN,则返回\([h_t,{h_t}\prime]\)
双向RNN为什么比单向的好?
RNN单向时会存在遗忘,即从左到右,容易遗忘左边的,反之也是
但实验表明,此处单向和双向RNN结果区别不大,原因如下:
- Embedding层参数过多导致Overfitting
- 训练数据少
解决方法:
- Pretrain
- 增加训练数据量
预训练
预训练的流程:
- 在一个大型数据集训练一个模型
- 可以是不同任务(最好接近情感分析的任务,任务越相似,Transfer越好)
- 可以是不同模型
- 在大数据集上训练神经网络,不一定要RNN,只要神经网络有Embedding即可。只保留Embedding和模型参数
- 训练一个新的LSTM网络,设置Embedding层不训练,只训练其它层
六、文本自动生成
文本生成主要思想
此处为以字符级输入为例,输入若干字符,输出下一个字符的概率
具体例子如下:
再次将生成的输出字符t继续输入,下一预测可以为'.'则结束生成。
如何训练
step1.准备数据
现有上面一段文字,策略是截取一段连续的字符序列\(charseq\)输入为\(x=charseq[:-1]\),输出为\(y=charseq[-1:]\),可以设定\(seg\_len=40\ stride=3\)
现在数据有了,生成问题可以理解为一个多分类问题
生成文本会根据输入的输出产生,如丢一本莎士比亚的书训练,会生成莎士比亚写作风格的文本,虽然可能不通顺或出现语法单词等错误。
准备好的数据就像以下这样:
step2.字符向量化
因为英文字符的数量较少,因此直接构建字符字典{Token:Index}
然后将输入的字符使用one-hot编码
step3.构建神经网络
因为生成是有顺序的,因此LSTM用单向
step4.训练神经网络
选择预测策略
问题:如果输出最后概率分布,如何选择下一个字符?
-
Option1:贪心选择,选最大概率分布的字符输出
next_index=np.argmax(pred)
- 确定性的,没有随机性
-
Option2:多项式分布随机抽取
next_onehot=np.random.multinomial(1,pred,1) next_index=np.argmax(next_onehot)
- 抽样过于随机,易出现拼写错误
-
Option3:调整多项式分布
pred=pred**(1/temperature) pred=pred/np.sum(pred)
-
作用结果,大的概率会变大,小的变小
-
减小temperature则会大的变的更大,小的变的更小
-
继续降低则会变的更极端,使得变成确定性
-
文本生成的例子
总结
- 生成文本需要训练一个循环神经网络,需要切分的数据\((segment,next\_char)\)
- one-hot编码字符
- 字符\((v*1\ vector)\)
- 片段\((l*v\ matrix)\)
- 构建神经网络
- \(l*v\ matrix\Longrightarrow{LSTM}\Longrightarrow{Dense}\Longrightarrow{v*1\ vetor}\)
- 生成文本
- 初始化种子序列
- 重复
- 将片段one-hot输入到神经网络中
- 输出概率
- 根据概率抽样
- 将下一字符添加到片段中
七、机器翻译与Seq2Seq模型
神经机器翻译需要用到Seq2Seq模型架构
本文做神经机器翻译的是英语和德语两个语言
例:
构建一个神经机器翻译的Seq2Seq模型,需要做一下工作:
- 数据集准备+预处理
- 训练Seq2Seq模型
- Seq2Seq模型的推断
数据集准备+数据处理
数据集下载
包含翻译对的网站:http://www.manythings.org/anki/
一个英语句子如果可以match多个德语句子则正确
预处理
- 转化为小写
- 去除停用词
- 去除标点等
数据处理
- 分词构建词典
- One-Hot编码
分词、构建操作时,分为字符级与单词级,由于两种语言的特性不同,分词的方式也不同,因此需要使用两种分词器,构建两种字典。
在构建词典时,对目标语言需要设置开始符号,和截止符,以在生成目标语言时开始和结束
One-Hot编码:
编码过程需要对英文和德语分别编码
One-Hot编码的图形表示:
每个字符用一个向量表示,每个句子用一个矩阵表示,矩阵为RNN的输入。
训练Seq2Seq模型
Encoder
Encoder将输入的句子提取特征,丢弃,最终输出状态向量\(h\)和传输带\(c\)
Decoder
Decoder用于生成目标翻译文本,Decoder的初始状态就是Encoder的最终状态。
不断重复训练过程,直到生成终止字符
后半部分相当于上一节的文本自动生成
Seq2Seq in Keras
总结
总体结构图
如何提升
-
Encoder使用BiLSTM(Encoder Only 文本生成器Decoder则不能)
-
使用Word-Level分词
- 英文平均4.5个单词
- 单词级更不易遗忘
- Word-Level需要更大的数据集
- 或对Embedding进行预训练
-
多任务学习
-
英语-英语本身,Encoder只有一个,而训练数据多了一倍。即Encoder都是英语的,可以拿多个语言训练来更新Encoder
-
添加更多任务,添加更多Decoder生成各种语言,虽然德语的Decoder没有改进,但翻译的效果还是会变好
-
Attention(注意力机制,能够大大提升效果,在下一节!)
-
八、Attention
为什么使用Attention
由于Seq2Seq有明显的缺陷,输入的句子很长的话会“记不住”句子,Encoder的最终状态会漏掉一些信息,则Decoder无从的到正确的句子,会缺少信息
Attention原论文:
Bahdanau, Cho, & Bengio. Neural machine translation by jointly learning to align and translate. In ICLR, 2015.
具有Attention的Seq2Seq模型:
- 极大的提升了Seq2Seq性能
- Seq2Seq不会遗忘源输入,Decoder更新状态时都会看一遍Encoder所有状态
- Attention告诉Decoder关注什么地方
- 缺点:计算量大
SimpleRNN+Attention
Attention在Encoder结束后,和Decoder同步工作
Step1:计算Weight \(a_i\)
权重\(a_i\)即为相关性\(a_1,a_2,...,a_m\),是\(\rm{h_1,h_2,...,h_m}\)与\(\rm{s_0}\)的相关性
$$ a_i=align(h_i,s_0) $$计算\(a_i\)有两种选择
Option1(使用的是原始paper的方法):
- 计算\(\widetilde{a_i}\)(是个实数)
Option2(更为常用,与Transformer相同)
- 线性变换
- \({\rm{k}}_i={\rm{W}}_K\cdot{{\rm{h}}_i},for\ i=1\ to\ m.\)
- \({\rm{q}}_0={\rm{W}}_Q\cdot{{\rm{s}}_0}\)
- 内积
- \(\widetilde{a_i}={{\rm{k_\mit{i}^{\mit{T}}}}}\cdot{\rm{q_0}},for\ i=1\ to\ m.\)
- 标准化
- \({\left[\begin{matrix}a_1,...,a_m\end{matrix} \right]}=Softmax({\left[\begin{matrix}\widetilde{a_1},...,\widetilde{a_m}\end{matrix} \right]})\\\)
Step2:计算Context Vector
此处以\(\rm{c_0}\)为例子,为\(\rm{a}\)与\(\rm{h}\)的加权平均
Step3:计算新的状态向量\(\rm{s_i}\)
计算新的状态\(\rm{s_1}\)(注意此处加了和没加Attention的区别)
此处为一轮\(\rm{c}\)的计算
由此可以总结,因为\(a\)是关于\(\rm{h}\)和\(\rm{s_i}\)的函数,而\(\rm{c}\)是关于\(\rm{a}\)和\(\rm{h}\)的函数,因此可以视为\(\rm{c_i=f(h,s_i)}\)
则新状态计算公式为:\(\rm{s_i=g({x\prime}_i,s_{i-1},c_{i-1})}\)
持续更新\(\rm{c_i}\)
Attention的参数
Attention总共有多少个参数呢?
Attention的可视化
颜色越深权重越大,每当Decoder生成新状态时,都会看一遍Encoder的所有状态,权重告诉Decoder应该关注的地方
总结
- 标准的Seq2Seq模型,Decoder只关注当前状态
- 添加了Attention:Decoder关注错有Encoder的状态
- Decoder知道生成新状态时应该关注Encoder的哪个状态
- 缺点:计算量非常大
- 标准Seq2Seq时间复杂度:\(O(m+t)\),Seq2Seq+Attention时间复杂度:\(O(mt)\),\(m\)为源序列长度,\(t\)为目标序列长度
九、SelfAttention
Attention的论文
Self-Attention [2]: attention [1] beyond Seq2Seq models.
- The original self-attention paper uses LSTM.
- To make teaching easy, I replace LSTM by SimpleRNN.
- Bahdanau, Cho, & Bengio. Neural machine translation by jointly learning to align and translate. In ICLR, 2015.
- Cheng, Dong, & Lapata. Long Short-Term Memory-Networks for Machine Reading. In EMNLP, 2016.
Attention不仅仅局限于Seq2Seq模型,实际上可以用于所有RNN架构上。此处使用RNN简化讲解:
初始时\(\rm{c_0}\)和\(\rm{h_0}\)都为全0向量
记\(current\)为当前最新轮次,以\(\rm{x}\)为例,最新输入为\(\rm{x_{current}}\)
\(\rm{h_{current}}\)如何计算?
传统的RNN更新\(h_{current}\)依赖于旧的状态\(\rm{h_{current-1}}\)和新的输入\(\rm{x_{current}}\),通过两者的拼接再计算。而自注意力机制则使用\(\rm{c_{current-1}}\)替代\(\rm{h_{current-1}}\),实际上将\(\rm{x_1}\),\(\rm{c_{current-1}}\)\(\rm{h_{current-1}}\)拼接也可以。由于初始状态\(\rm{h_0}\)为全零向量,因此此处加权平均可以忽略\(\rm{h_0}\)。
\(\rm{c_{current}}\)如何计算?
\(\rm{c_{current}}\)为\(\rm{h_0}\)到当前状态向量\(h_{current}\)与各自的权重\(a_{self}\)的加权平均
\({a_{current}}\)如何计算?
此处需要计算的是第\(current\)轮次的\(a\),即将最新的\(\rm{h_{current}}\)与其它的\(\rm{h}\)做\(\rm{align}\)计算各自的权重。
综上则可以总结:
计算\(\rm{c_1}\)为例子,因为\(\rm{h_0}\)为全零向量,又因为将\(\rm{h_1}\)做相关性计算,与自己就是1,因此\(\rm{c_1=h_1}\)。
总结
- 自注意解决了不局限于Seq2Seq模型
- 相比于RNN,在\(\rm{h}\)的计算上不一样
- 同时最新的状态与前面状态做\(\rm{aligh}\)计算得出各自状态向量权重,从而与状态向量做加权平均得到当前的Context Vector
参考资料
王树森老师DeepLearning视频课件:
posted on 2022-09-18 15:41 waterpaperer 阅读(284) 评论(0) 编辑 收藏 举报