RNN，LSTM，BERT

目录

• RNN
• LSTM
  • 计算公式
  • 参数量计算
• self-attention
• bert
  • 论文
  • 源码
  • 问题
    • 问题：bert中进行ner为什么没有使用crf；使用DL进行序列标注问题的时候CRF是必备嘛(todo: in action)
    • 问题：BERT的初始标准差为什么是0.02？
• cnn vs rnn vs self-attention

RNN结构，双向LSTM，Transformer， BERT对比分析

RNN

RNN 按照时间步展开

Bi-RNN

向前和向后的隐含层之间没有信息流。

LSTM

长短期记忆（Long short-term memory, LSTM）是一种特殊的RNN，主要是为了解决长序列训练过程中的梯度消失问题。

LSTM 对内部结构进行精心的设计，加入了输入门，遗忘门，输出门，和一个内部记忆单元\(c_t\)。输入门控制当前计算新状态以多大程度更新到记忆单元；遗忘门控制前一步记忆单元中的信息有多大程度被遗忘；输出门控制当前输出有多大程度上取决于当前的记忆单元。

和普通RNN相比，主要的输入输出区别如下

相比RNN只有一个传递状态\(h^t\)，LSTM有两个传输状态，\(c^t\) (cell state)和 \(h^t\)(hidden state)。

计算公式

\[ f_t = \sigma(W_f*[x_t,h_{t-1}]+b_f) \\
i_t = \sigma(W_i*[x_t, h_{t-1}]+b_i) \\
o_t = \sigma(W_o*[x_t, h_{t-1}]+b_o) \\
\tilde{C_t} = tanh(W_c*[h_t-1,x_t]+b_c) \\
C_t = f_t\odot C_{t-1}+i_t\odot \tilde{C_t} \\
h_t = o_t\odot tanh(C_t)
\]

参数量计算

\((hidden size * (hidden size + x_dim ) + hidden size) *4\)

self-attention

李宏毅self-attention笔记

核心思想：用文本中的其他词来增强目标词的语义表示，从而更好地利用上下文信息。

计算步骤：

- 相似度计算

- softmax

- 加权平均



问题：常规的attention中，一般k=v, 那么self-attention中可以这样吗。

bert

推荐看原文哦: 超细节的BERT/Transformer知识点

史上最细节的自然语言处理NLP/Transformer/BERT/Attention面试问题与答案

上一个链接里问题的答案

论文

• Transformer: Attention Is All You Need
• BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

源码

• huggingface/transformers

问题

问题：为什么选择使用[cls]的输出代表整句话的语义表示？

或者说为什么不选择token1的输出

BERT在第一句前会加一个[CLS]标志，最后一层该位对应向量可以作为整句话的语义表示，从而用于下游的分类任务等。

为什么选它呢，

• 因为与文本中已有的其它词相比，这个无明显语义信息的符号会更“公平”地融合文本中各个词的语义信息，从而更好的表示整句话的语义。
• 从上面self-attention图片中可以看出把cls位置当做q，类似于站在全局的角度去观察整个句子文本。

问题：为什么是双线性点积模型（经过线性变换Q != K）？

• 双线性点积模型，引入非对称性，更具健壮性（Attention mask对角元素值不一定是最大的，也就是说当前位置对自身的注意力得分不一定最高）

展开解释：

• self-attention中，sequence中的每个词都会和sequence中的每个词做点积去计算相似度，也包括这个词本身。
• 对于 self-attention，一般会说它的 q=k=v，这里的相等实际上是指它们来自同一个基础向量，而在实际计算时，它们是不一样的，因为这三者都是乘了QKV参数矩阵的。那如果不乘，每个词对应的q,k,v就是完全一样的。
• 在相同量级的情况下，\(q_i\) 与 \(k_i\) 点积的值会是最大的（可以从“两数和相同的情况下，两数相等对应的积最大”类比过来）。
• 那在softmax后的加权平均中，该词本身所占的比重将会是最大的，使得其他词的比重很少，无法有效利用上下文信息来增强当前词的语义表示。
• 而乘以QKV参数矩阵，会使得每个词的q,k,v都不一样，能很大程度上减轻上述的影响。

问题：self-attention的时间复杂度

• 时间复杂复杂度为：\(O(n^2d)\)
  • 相似度计算可以看成矩阵(n×d)×(d×n)，这一步的时间复杂度为O(n×d×n)
  • softmax的时间复杂度O(n^2)
  • 加权平均可以看成矩阵(n×n)×(n×d), 时间复杂度为O(n×n×d)

多头注意力机制的时间复杂度：

• hidden_size (d) = num_attention_heads (m) * attention_head_size (a)，也即 d=m*a
• 并将 num_attention_heads 维度transpose到前面，使得Q和K的维度都是(m,n,a)，这里不考虑batch维度。
• 这样点积可以看作大小为(m,n,a)和(m,a,n)的两个张量相乘，得到一个(m,n,n)的矩阵，其实就相当于(n,a)和(a,n)的两个矩阵相乘，做了m次，时间复杂度是\(O(n^2×a×m) = O(n^2d)\)

问题：BERT 怎么处理长文本?

• Bert 如何解决长文本问题？

问题：BERT 比ELMO 效果好的原因

从网络结构以及最后的实验效果来看，BERT 比 ELMo 效果好主要集中在以下几点原因：

• LSTM 抽取特征的能力远弱于 Transformer
• 拼接方式双向融合的特征融合能力偏弱(没有具体实验验证，只是推测)
• 其实还有一点，BERT 的训练数据以及模型参数均多余 ELMo，这也是比较重要的一点

知乎：transformer中multi-head attention中每个head为什么要进行降维？

link

简洁的说：在不增加时间复杂度的情况下，同时，借鉴CNN多核的思想，在更低的维度，在多个独立的特征空间，更容易学习到更丰富的特征信息。

问题：BERT中的mask

1. 预训练的时候在句子编码的时候将部分词mask，这个主要作用是用被mask词前后的词来去猜测mask掉的词是什么，因为是人为mask掉的，所以计算机是知道mask词的正确值，所以也可以判断模型猜的词是否准确。
2. Transformer模型的decoder层存在mask，这个mask的作用是在翻译预测的时候，如“我爱你”，翻译成“I love you”，模型在预测love的时候是不知道you的信息，所以需r要把后面“you”的信息mask掉。但是bert只有encoder层，所以这个算是transformer模型的特征。
3. 每个attention模块都有一个可选择的mask操作，这个主要是输入的句子可能存在填0的操作，attention模块不需要把填0的无意义的信息算进来，所以使用mask操作。

问题：bert中进行ner为什么没有使用crf；使用DL进行序列标注问题的时候CRF是必备嘛(todo: in action)

link

1. 进行序列标注时CRF是必须的吗？
   
   如果你已经将问题本身确定为序列标注了，并且正确的标注结果是唯一的，那么用CRF理论上是有正的收益的，但如果主体是BERT等预训练模型，那么可能要调一下CRF层的学习率，参考CRF层的学习率可能不够大

2. 进行NER时必须转为序列标注吗？
   
   就原始问题而言，不论是NER、词性标注还是阅读理解等，都不一定要转化为序列标注问题，既然不转化为序列标注问题，自然也就用不着CRF了。不转化为序列标注的做法也有很多，比如笔者提的GlobalPointer

问题：BERT的初始标准差为什么是0.02？

Retrieved from https://kexue.fm/archives/8747

cnn vs rnn vs self-attention

原文

语义特征提取能力

• 目前实验支持如下结论：Transformer在这方便的能力非常显著超过RNN和CNN，RNN和CNN两者能力差不多。
  
  长距离特征捕捉能力
  
  实验支持如下结论：
  • 原生CNN特征抽取器在这方面显著弱于RNN和Transformer
  • Transformer微弱优于RNN模型(距离小于13的时)
  • 在比较远的距离上RNN微弱优于Transformer

任务综合特征抽取能力（机器翻译）

Transformer > 原生CNN == 原生RNN

并行计算能力及运行效率

Transformer和CNN差不多，都强于RNN