写点什么

前端也要懂算法,不会算法也能微调一个 NLP 预训练模型

作者:Java-fenn
  • 2022 年 9 月 25 日
    湖南
  • 本文字数:2531 字

    阅读完需:约 8 分钟

前言

学习 nlp 的过程,就像升级打怪,每一个阶段都是一个坎,要想出新手村,需要跨过这几个坎

  • level 1、了解 nlp 的概念 和 能做的边界

  • level 2、会用一个已有的模型

  • level 3、学会微调一个自己业务专属的模型

  • level 4、定义一个全新的模型

之前有分享过 前端工程师如何快速使用一个 NLP 模型 ,本文是该文的一个小进阶

  • 初探 level3

本文预计需要 30min,通过本文主要获得几个知识点:

  • 回顾 NLP 的一些概念

  • 学会微调一个 中文 bert 模型 完形填空任务

nlp 介绍

发展历史

NLP 任务的发展有两个明显的阶段,我们以 bert 模型为区分点,前半段是基础的神经网络阶段(bert 模型之前的阶段),后半段是 BertTology 阶段(bert 模型之后的阶段)

参考 https://zhuanlan.zhihu.com/p/148007742

  • 1950-1970 - 采用 基于规则 的方法

    人们定义了大量语言规则,但因规则的局限性,只能解决一些简单问题

  • 1970-20 世纪初 - 采用 基于统计 的方法

    随着技术发展 和 语料库丰富,基于统计的方案逐渐代替了基于规则的方法,开始走向实际应用

  • 2008-2018 - 引入深度学习 的 RNN、LSTM、GRU

    在图像识别和语音识别领域的成果激励下,人们也逐渐开始引入深度学习来做自然语言处理研究,由最初的词向量到 2013 年的 word2vec,将深度学习与自然语言处理的结合推向了高潮,并在机器翻译、问答系统、阅读理解等领域取得了一定成功

  • 现今

    2017 年谷歌提出了 Transformer 架构模型,2018 年底,基于 Transformer 架构,谷歌推出了 bert 模型,bert 模型一诞生,便在各大 11 项 NLP 基础任务中展现出了卓越的性能(https://gluebenchmark.com/leaderboard) ,现在很多模型都是基于或参考 Bert 模型进行改造

bert 大家族


目前研究方向

方向分为两个方向

https://zhuanlan.zhihu.com/p/56802149
复制代码
  • 自然语言理解 NLU

  • 自然语言生成 NLG

下图是 huggingface 上提供的 nlp 任务类别

学习 nlp 绕不开的一个知识概念

神经网络基本原理

这是个有点大的概念,本文为了避免冗余繁琐,主要强调两个地方,方便有个大体认知

神经元

单个神经元是神经网络的基础,就像生物界的神经元(树突决定输入、输出;轴突完成信号传递)

数学表示如下:Output=f(∑n(x*w)+θ)

可以看出一个神经元可以接受多个参数(x1、x2、...、xn),每个参数会配置一个对应的权重 w1、w2、wn,经过加权求和之后,加上一个偏置值 θj ,经过一个激活函数 f 处理得到输出。

激活函数作用:加入非线性因素,解决线性模型表达能力的不足,拟合更多的情况

其中 w、θ 的值由 模型训练 得到 ,一个神经网络训练过程就是让每个神经元模型的权重值调整到最佳,以使整体的预测效果最好

神经网络工作基本流程

image.png

损失函数:计算 输出值、目标值 之间的误差

反向传播:把误差传递给权重,让权重做适当的调整,最终让正向传播的输出结果与标签间误差最小

学习率:反向传播中步长大小,控制调节幅度,在精度和速度之间找到一个平衡

优化器:一般需要反复迭代才能找到适合的权重,比较耗时,所以我们通过 一套策略(优化器)利用算法从而更快、更好的将参数调整到位

but,在代码编写过程中,我们并不需要手写一个损失函数,手写一个优化器,Pytorch 会帮你封装成了一个个 api;而在大部分场景甚至都不需要再去手写神经网络 或者 训练别人写好的神经网络, 因为我们可以直接使用预训练模型,开箱即用

预训练模型

前面有提到 bert 模型,bert 模型就是一个预训练模型,下面简单说下预训练模型

具体可以回顾下: 前端工程师如何快速使用一个 NLP 模型

概念:什么是预训练模型

第三方(主要是三方机构)用数据集已经训练好的模型,通常情况下,我们可以拿来即用

一些预训练模型的训练成本

如何使用预训练模型

很多开源的预训练模型大家会提交到 github 或者发布到 huggingface [1] 中

国内也有类似 hugginface 平台- 百度 paddle [2] ,但还是 huggingface 使用人最多

huggingface 主要用两种方式:

方式 1、借助 huggingface 封装好的 pipeline,一行代码调用

方式 2、借助 huggingface transformers 提供的原子化 api (model、tokenizer)等完成

原子化 api 使用三个步骤:

  • 分词:句子拆成词,词映射为一个可用于数学计算的向量序号

  • 预测:调用模型推理的过程

  • 解词:推理得到的向量,反查映射表,转换为词,最后成句

预训练模型优缺点

优点:

  1. 工程角度:开箱即用;节约训练成本;减少训练时长,加速生产

  2. 模型泛化能力强:预训练模型经过海量数据训练,更好地学到了数据中的普遍特征,相比从头开始训练参数,预训练模型具有会有更好的泛化效果

存在的问题:

预训练模型就像一个 六边形战士,学到了海量数据中的特征,从而各项能力指标都不错,但在特定场景下,无法侧重学习特定业务的某些特征,从而不能像一把尖刀精准要害

那么该如何解决呢?

答案是 微调预训练模型 (fine-tuning):让预训练模型学习到 特定业务场景下数据集的特征,从而在特定领域效果更佳。

微调 bert 模型

在 bert 模型基础上,微调一个中文完形填空任务

之所以选择 这个任务,是因为微调中文模型的文章比较少,而微调完形填空的就基本没有找到..

什么是 Bert 模型

BERT 是通过 预测屏蔽子词 来进行训练的模型,这种方式在语句级的语义分析中取得了极好的效果。

屏蔽子词:先将句子中的部分词语屏蔽,再令模型去预测被屏蔽的词语

掩码例子

原句:我爱中国

掩码后:我爱[MASK]国

Bert 将训练文本 15%的词进行掩码操作的,其中对于 15% 需要掩码的词 如何掩盖也有特殊规则:

  • 有 80%的概率用 [MASK] 标记来替换

  • 有 10%的概率用随机采样的一个单词来替换

  • 有 10%的概率不做替换

正常效果

微调目标

可以看到模型推理的结果还不错,能推理出来常见的人名

但我们的目标是:"魔改历史",让模型 预测出来 "三国人物诸葛涛" ,实现穿越,那么该如何做呢?

微调具体操作

在线操作地址:

https://colab.research.google.com/drive/12SCpFa4gtgufiJ4JepLMuItjkWb6yfck?usp=sharing

step1、准备自定义语料

train.json

加载语料代码

step2、定义训练器

定义训练集和测试集


step3、模型训练

训练代码

训练日志

训练结束

验证结果


成功把 “诸葛涛” 加入到预测中

总结

学完本篇课程,算是初探 level3 成功了!

两个 flag 完成了吗?

  • 回顾 NLP 的一些概念

  • 学会微调一个 中文 bert 模型 完形填空任务

预训练模型是普通用户的福音,而通过微调预训练模型,每个人都可以收集构造自己的语料,打造一个自己专属的 nlp 模型,或许人人皆是调参工程师


用户头像

Java-fenn

关注

需要Java资料或者咨询可加我v : Jimbye 2022.08.16 加入

还未添加个人简介

评论

发布
暂无评论
前端也要懂算法,不会算法也能微调一个 NLP 预训练模型_Java_Java-fenn_InfoQ写作社区