基于python框架实现一个简化的trm

基于py框架实现一个简化的trm？

目录

• 基于py框架实现一个简化的trm？
  • 词向量
    • A1回顾
    • A2引入
    • 模型（对比）
      • A3DUNE --举例
        • ini化
        • 独热
        • 前向传播
        • 反向传播
          • 1. ELMo（Embeddings from Language Models）
          • 2. Transformer
          • 3. GPT（Generative Pre-trained Transformer）
          • 4. BERT（Bidirectional Encoder Representations from Transformers）
    • A4训练过程
      • 数据构建
      • 计算困境与方案
        • • 词汇表（Vocabulary）
        • 具体例子
          • SoftMax的计算
      • 可能的解决方案
        • 负采样（Negative Sampling）
    • A5模型（抉择）
      • Word2Vec
        • 优点
        • 缺点
      • Transformer
        • 优点
        • 缺点
    • 代码实战

词向量

本部分特别致谢【自然语言处理】Word2Vec 词向量模型详解 + Python代码实战_word2vec模型-CSDN博客

A1回顾

cos∟=0，同向=1，反向180°=-1

基于word2vec开发的gensim库：由图，词向量捕捉了相似度

You shall know a word by the company it keeps. ——John Rupert Firth (1890-1960)

"分布假说"

A2引入

文本向量化，且向量的维度越高，能提供的信息也就越多，从而计算结果的可靠性就更值得信赖

如何描述词的特征？通常都是在词的层面上来构建特征。Word2Vec就是要把词转化为向量

假设我现在有一个训练好的词向量，是一个50维长度的向量，它在某个别的单独位置上（比如位置5、10、15处）的热度最高（+0.8）；然后取“man”、“boy”、“water”三个单词来对比，发现“man”和“boy”的热度图中，位置8到10和45到50两个区间上二者相似（+0.6），而“water”一词的热度图仅在个别位置（比如位置13处、33处）和“boy”存在相似。以上例子如何说明了“词的特征存在实际意义”呢？

维度特征的语义解释

• 对于“man”和“boy”来说，位置8到10和45到50的相似值（+0.6）可能捕捉到了这两个词在某些语义特征上的相似性，如“性别（男性）”或“人的特征”。这些特征可能与性别、年龄或社会角色相关。
• 而“water”一词在位置13和33与“boy”存在相似，表明这些维度可能捕捉了更广泛的或不同的特征，比如“物理特性”或“生活中常见的实体”。

模型（对比）

网络的输出是所有词可能是下一个词的概率

A3DUNE --举例

Thou shalt not make a machine in the likeness of a human mind.

ini化

词典大小 N 为12（即N=12）。词向量的维度 K 可以是300（即K=300），这是超参数，我们可以设置为任意值。

我们会初始化一个 N×K 的词向量矩阵，这里每一行是一个300维的词向量。例如：

词向量矩阵 (N×K)：
[ [0.1, -0.2, ...],  // "Thou"
  [0.5, 0.1, ...],   // "shalt"
  ...,
  [0.3, -0.4, ...] ] // "mind"

这每一行是对应于词典中每个词的词向量，初始化时的值是随机的。

独热

对于句子“Thou shalt not make a machine in the likeness of a human mind”，我们会生成一个One-Hot编码矩阵。每个单词会在矩阵中有一个唯一的“1”位置，其余位置是“0”。如果“Thou”在词典中对应的位置是0，则One-Hot编码矩阵的第0行将是：

One-Hot 编码矩阵 (N×N)：
[ [1, 0, 0, ..., 0],  // "Thou"
  [0, 1, 0, ..., 0],  // "shalt"
  ...,
  [0, 0, 0, ..., 1] ] // "mind"

前向传播

将One-Hot编码矩阵与词向量矩阵相乘。在这种情况下，由于One-Hot编码矩阵中只有一个“1”，其他为“0”，乘法的结果将提取出词向量矩阵中对应的词向量。

反向传播

在训练过程中，通过反向传播算法，词向量矩阵中的值会不断调整，以最小化损失函数。词向量会被更新，以更好地捕捉句子中词语之间的关系和语义特征。

反向传播是训练神经网络的核心原理，不同的模型都依赖于反向传播来更新网络的权重。架构差异如下：

1. ELMo（Embeddings from Language Models）

​ ELMo使用双向LSTM（长短期记忆网络）来生成上下文相关的词向量。与传统的词嵌入（如Word2Vec）不同，ELMo能够捕捉上下文信息，因此其词向量在不同上下文中会有所不同。在ELMo中，反向传播算法用于训练LSTM模型。在训练过程中，网络会调整LSTM的参数以最小化预测误差，从而优化上下文词向量的表示。反向传播在这里用于更新LSTM网络的权重，包括隐藏层的参数。

2. Transformer

​ Transformer模型引入了自注意力机制和多头注意力机制，摆脱了RNN（递归神经网络）的序列处理限制。它通过自注意力机制捕捉长距离的依赖关系，从而改进了语言建模和生成。Transformer模型的训练也依赖于反向传播。反向传播算法用于优化网络中的权重，包括自注意力机制中的权重和前馈网络的权重。Transformer中的每一层（包括多头注意力层和前馈网络层）都有其需要优化的参数，这些参数通过反向传播来调整。

3. GPT（Generative Pre-trained Transformer）

​ GPT基于Transformer架构，但特别设计为生成模型。它使用自回归的方式生成文本，输入上下文后预测下一个词。GPT的训练过程中，反向传播用于优化Transformer模型的参数，主要集中在自注意力机制和前馈网络上。训练过程中，GPT的目标是最小化生成文本与真实文本之间的差异，通过反向传播调整参数以提高生成效果。

4. BERT（Bidirectional Encoder Representations from Transformers）

​ BERT是基于Transformer的双向编码器模型，能够在训练过程中考虑上下文的双向信息。这使得BERT在各种NLP任务中表现优异。BERT的训练包括两个阶段：预训练和微调。在预训练阶段，BERT使用掩码语言模型（MLM）和下一个句子预测（NSP）任务来训练模型，反向传播用于优化模型的参数。微调阶段则根据具体任务（如问答、文本分类）进行进一步训练，反向传播在这里也用于优化参数以适应特定任务的要求。

A4训练过程

数据构建

Q：数据应该从哪找呢？

A：一切具有正常逻辑的语句都可以作为训练数据。

计算困境与方案

窗口会依次滑动以覆盖每个词及其上下文，以生成新的上下文-目标对。考虑sftmx的计算公式：

其中，zi 是第 i 个单词的得分（logit），N 是词汇表的大小。

词汇表（Vocabulary）

词汇表是一个自然语言处理模型中所使用的所有单词或词组的集合。对于每个单词，模型会为其分配一个独特的索引。词汇表的大小（也称为词典大小，V）是这个集合中的单词总数。

具体例子

假设我们正在训练一个语言模型来预测英语中的下一个单词。模型的任务是给定前面的单词序列，预测下一个单词是什么。

1. 输入 "I love reading books about"……
2. 预测下一个单词可能是 "science"、"history"、"fiction" 等

假设我们的词汇表大小为 1,000,000（百万）个单词，这意味着我们的模型可以预测的单词有一百万个。

SoftMax的计算

1. 模型输出得分: 模型对每个词汇表中的单词计算一个得分（logit），表示每个单词作为下一个单词的相对可能性。这些得分可能来自于前面的神经网络层。

   假设我们有得分向量：[z_1, z_2, ..., z_1000000]，其中 zi 是第 i 个单词的得分。

2. 指数运算: SoftMax需要对每个得分取指数，然后归一化。这意味着我们要计算：

   

3. 归一化: 计算这些指数值的总和，然后每个得分对应的概率是：

   

   其中 P 是单词 w 出现的概率。

可能的解决方案

​ 这意味着需要计算1,000,000次得分、指数，然后计算1,000,000个概率，（高维度数据）需要大量内存。

​ 这对实时应用（如翻译、语音识别等）是一个巨大的瓶颈，因为我们希望系统能在用户等待时快速响应。

负采样（Negative Sampling）

初始解决方案：假设，传统模型中，我们输入 not ，希望输出是 thou，但是由于语料库庞大，最后一层 SoftMax 太过耗时，所以我们可以改为：将 not 和 thou 同时作为输入，做一个二分类问题，类别 1 表示 not 和 thou 是邻居，类别 0 表示它们不是邻居。

出发点非常好，但是由于训练集本来就是用上下文构建出来的，所以训练集构建出来的标签全为 1 ，无法较好的进行训练，如图：

改进方案：加入一些负样本（负采样模型），一般负采样个数为 5 个就好，负采样示意：

​ 即，负采样是指在训练过程中，不仅学习实际存在的正样本对，还通过引入一些负样本对（即不应该出现在一起的对）来帮助模型学习。例如，如果实际存在的排队顺序是ABCDE，那么负样本对可能是“AE”、“BD”等，它们不会在正常的排队顺序中出现。

​ 对于正样本对“AB”，希望模型输出一个高的相似度或概率（表示它们应该在一起）。

​ 对于负样本对“AE”，希望模型输出一个低的相似度或概率（表示它们不应该在一起）。

A5模型（抉择）

假如目前我们决定使用word2vec或transformer来针对煤矿行业训练一个用于判断某个多义词在不同语境下含义（比如之前提到的“微小震动”）的模型，综合考虑来说更适合用二者中的哪一个？

Word2Vec

优点

• 相对简单，易于实现和训练。
• 训练速度较快，计算资源需求较少。

缺点

• 词向量依赖固定上下文窗口，无法动态地处理复杂、长距离依赖关系（多义词的细粒度）。

Transformer

优点

• BERT和GPT，能够处理更复杂的上下文信息，捕捉长距离依赖关系。
• 有许多预训练的Transformer模型可以微调，以减少训练时间和数据需求。

缺点

• 大量的计算资源和内存，训练过程可能较慢。
• 模型更复杂，调优和实现的难度较高。

代码实战

关于全角转半角的问题，鸣谢word2vec词向量的训练--实战篇（语言模型词向量的生成）_词向量宽度是怎么做到12288-CSDN博客

关于PyTorch的关于自然语言处理的常用包，参考【从零开始学习深度学习】48.Pytorch_NLP实战案例：如何使用预训练的词向量模型求近义词和类比词_nlp近义词任务-CSDN博客