机器不学习：迁移学习在NLP领域中的应用
机器不学习 www.jqbxx.com : 深度聚合机器学习、深度学习算法及技术实战
编者按：迁移学习在CV领域的应用已经取得不小的进步了，而在自然语言处理（NLP）领域，很多任务还在使用词嵌入。嵌入的确是种更丰富的表现单词的形式，但是随着任务种类的增多，嵌入也有了局限。本文将介绍用迁移学习处理NLP任务的大致思路，以下是论智的编译。
通用语言建模
迁移学习在计算机视觉领域已经有了很多应用，最近几年也做出了许多不错的成果。在一些任务中，我们甚至能以超越人类精确度的水平完成某项任务。最近，很少能看到用无需预训练的权重输出顶尖结果的模型。事实上，当人们生产它们时，经常会用迁移学习或某种微调的方法。迁移学习在计算机视觉领域有很大的影响，为该领域的发展做出了巨大贡献。
但是直到现在，迁移学习对计算机视觉还有些许限制，最近的研究表明，这种限制可以扩展到多个方面，包括自然语言处理和强化学习。最近的几篇论文表明，NLP领域中的迁移学习和微调的结果也很不错。
最近，OpenAI举办了一场Retro竞赛，其中参赛者要创建多个智能体，在玩游戏时不能接触环境，而是利用迁移学习进行训练。现在，我们可以探索这种方法的潜力了。
利用之前的经验学习新事物（强化学习中的新环境）。来源：OpenAI Retro Contest
此前在计算机视觉领域关于渐进式学习的研究给模型进行了概括，因为这是保证神经网络在学习时稳定的最重要因素之一。想实现这一目的的论文就是Universal Language Model Fine-tuning for Text Classification。
文本分类是NLP领域重要的部分，它与现实生活中的场景密切相关，例如机器人、语音助手、垃圾或诈骗信息监测、文本分类等等。这项技术的用途十分广泛，几乎可以用在任意语言模型上。本论文的作者进行的是文本分类，直到现在，很多学术研究人员仍然用词嵌入训练模型，例如word2vec和GloVe。
词嵌入的局限
词嵌入是单词的密集表示，通过用转换成张量的真实数字转化而来。在模型中，嵌入需要用特殊顺序排列，这样模型才能学会词语和语境中的语法和语义关系。
进行可视化时，有相近语义的单词的嵌入也会更近，这样每个单词也会有不同的向量表示。
词汇表中的不常见词
处理数据集时，我们经常会碰到生僻词语。
标记化（Tokenization）。这些词语都是常见词，但是有了类似这样的嵌入就会很难处理
对于某些只出现很少几次的词语，模型就要花大量时间弄清楚它的语义，所以人们专门建立了一个词汇集来处理这一问题。Word2vec无法处理未知词语。当模型不认识某个词时，它的向量就不能被确切地分解，所以它必须随意地进行初始化操作。关于嵌入，常见的问题有：
处理共享表示（shared representations）
词语表示的另一个问题是，在子字词中没有一个共同的表示。英文中的前缀和后缀通常会改变词语的意思。由于每个向量都是独立的，词语间的语义关系就不能完全被理解。
共现统计（co-occurrence statistics）
分布式词向量模型能够捕捉到词语中共现统计的某些方面。在单词共现上训练的嵌入可以捕捉单词语义之间的相似性，所以可以在单词相似性的任务上进行评估。
如果某个特殊的语言模型用char-based输入，并且无法从与训练中受益，那么就需要对词嵌入进行随机处理。
支持新语言
嵌入的使用在面对其他语言时，会出现不稳定的情况。新语言需要新的嵌入矩阵，无法使用共同的参数，所以模型不能用于多语言任务。
词嵌入可以被连接起来，但是用于训练的模型必须从新开始处理嵌入。预训练嵌入被看成是固定参数。这样的模型在渐进式学习中是没有用的。
计算机视觉已经表明，hypercolumns和其他常用的训练方法相比，并不实用。在CV中，一个像素的hypercolumn是该像素之上，所有卷积网络单元中的活动向量。
平均随机梯度方法，权重下降LSTM
这个研究中所用模型的灵感来自论文：Regularizing and Optimizing LSTM Language Models。它使用权重下降的LSTM，LSTM利用DropConnect作为循环正则化形式。DropConnect是在神经网络中对大型完全连接层进行规范化的泛化。
用Dropout训练时，一个随机选择的子集在每层中被设置为0.DropConnect设置了一个随机选择的权重子集，每个单元从其中接收从上一层来的输入。
Dropout网络和DropConnect网络的不同
通过在hidden-to-hidden权重矩阵上使用DropConnect，可以避免LSTM循环连接中的过度拟合。这一正则化技术还可以防止其他循环神经网络中的循环权重矩阵的过度拟合现象。
通常所用的值为：
dropouts = np.array([0.4,0.5,0.05,0.3,0.1]) x 0.5
这里的×0.5是一个超参数，虽然数组中的比列已经达到很好的平衡，但是用0.5进行调整可能也是需要的。
由于同样的权重可能在不同阶段重复使用，同样的权重会在全部过程中保持下降。结果和variational dropout非常像，它运用了相同的dropout掩码，只是应用在了循环权重上。
通用语言模型
一个三层的LSTM结构以及经过调整的dropout参数能比其他文本分类任务表现得更好。主要用到的有三种技术。
三角变化学习速率（STLR）
最初我使用Adam优化算法和权重衰减，但是优化器又很有限制。如果模型在下鞍点卡住，同时生成的梯度很小，那么模型就很难生成足够的梯度走出非凸区域。
Leslie Smith提出的循环学习速率（CLR）解决了这一问题。使用了CLR之后，精确度提高了10%。
学习速率决定了在目前的权重上应用多少损失梯度，这一方法和热启动的随机梯度很像。
简单地说，选择初始学习速率和学习速率调度表比较困难，因为有时并不能分辨那种情况更好。
但是可以给每个参数应用灵活的学习速率，例如Adam、Adagrad和RMSprop等优化器可以在训练时对每个参数的学习速率进行调整。
论文Cyclical Learning Rates for Training Neural Networks用简洁优雅的方法解决了上述常见问题。
循环学习速率（CLR）为学习速率的值创建了高低两个界限。它可以和适应性学习速率结合，但是和SGDR很相似，同时所需计算力并不多。
如果在最低点停滞，可以使用更高的学习速率让模型走出此区域，但如果位置过于低，那么传统的改变学习速率的方法就无法生成足够的梯度。
非凸函数
周期性的更高学习速率可以更流利、更快地穿过此区域。
最优学习速率将处于最大和最低界限之间。
所以有了迁移学习在A上运用的模型可以迁移到B上提到其表现力。语言模型有着用于CV分类的所有功能：它了解语言、理解层次关系，能够进行长时间应用，可进行情感分析。
ULMFiT和CV一样有三个阶段。
第一阶段，语言模型的预训练。语言模型在通用数据集上训练，它从中学习到通用特征，了解语义关系，就像ImageNet。
第二阶段，语言模型的微调。用不同的微调方法和三角形可变学习速率，从而使模型适应不同的任务。
第三阶段，分类器微调。对分类器进行调整，逐步解锁进行微调，用STLP保存低水平表示，同时对高层次进行调整。
总之，ULMFiT可以看做是模型的主干，上面添加了一个分类器。它用的是在通用语料上训练过的模型。在之后的任务上可以进行微调以达到文本分类的最佳水平。
ULMFiT可以解决的问题
这一方法之所以通用，是因为它对数据集没有要求。任何长度的文件和数据集都能用它解决。它使用单一的结构（在这个案例中是AWD-LSTM，和CV中的ResNet一样）。无需特殊定制，也不需要额外的文本使其适应不同的任务。
该模型还可以用注意力进行进一步改善提高，如有需要还可以加入跳跃式连接（skip connection）。
不同情况下的微调
神经网络的每个图层都捕捉到不同的信息。在CV中，初始层捕捉到的是广泛的、明显的特征。越深的图层捕捉到的特征就越复杂、具体。利用同样的规则，这种方法会在语言模型的不同图层提出不同的调整方法。为了达到这一目的，每一层的学习速率都不相同，这样一来人们可以决定每一层的参数如何优化。
参数θ将会分成一系列参数，并作用在l个图层上{θ1,…,θL}，同时学习速率也可以做出同样的操作，随机梯度下降可以表示成：
不同任务权重下对分类器的微调
之后会添加两个线性模块，每个模块利用批归一化和较低值的dropout。在模块之间，ReLU用来作为激活函数。这些分类器图层并不会从预训练中延续某种特征，而是从零开始训练。在搭建模块之前，会对上一个隐藏层进行池化，然后输入到第一个线性层中。
- trn_ds = TextDataset(trn_clas, trn_labels)
- val_ds = TextDataset(val_clas, val_labels)
- trn_samp = SortishSampler(trn_clas, key=lambda x: len(trn_clas[x]), bs=bs//2)
- val_samp = SortSampler(val_clas, key=lambda x: len(val_clas[x]))
- trn_dl = DataLoader(trn_ds, bs//2, transpose=True, num_workers=1, pad_idx=1, sampler=trn_samp)
- val_dl = DataLoader(val_ds, bs, transpose=True, num_workers=1, pad_idx=1, sampler=val_samp)
- md = ModelData(PATH, trn_dl, val_dl)
- dropouts = np.array([0.4,0.5,0.05,0.3,0.4])*0.5
- m = get_rnn_classifer(bptt, 20*70, c, vs, emb_sz=em_sz, n_hid=nh, n_layers=nl, pad_token=1,
- layers=[em_sz*3, 50, c], drop=[dropouts[4], 0.1],
- dropouti=dropouts[0], wdrop=dropouts[1], dropoute=dropouts[2], dropouth=dropouts[3])
Concat池化
注意循环模型的状态通常是很重要的，并且要保留有用的状态，释放没有用的并且限制内存的状态。但是隐藏包含了许多信息，而需要保留的权重都在隐藏层。为了做到这一点，我们将最后一步的隐藏层和隐藏层最大和平均池化的表示连接起来，这样可以适应GPU的内存。
- trn_dl = DataLoader(trn_ds, bs//2, transpose=True, num_workers=1, pad_idx=1, sampler=trn_samp)
- val_dl = DataLoader(val_ds, bs, transpose=True, num_workers=1, pad_idx=1, sampler=val_samp)
- md = ModelData(PATH, trn_dl, val_dl)
训练分类器（逐步解锁）
如果直接对分类器进行微调，则有可能导致严重的遗忘出现，而缓慢地微调可能会导致过度拟合和收敛。所以我们认为不能直接对所有图层进行微调，而是要每次只调一个图层，逐步进行。
在文本分类上进行逐步反向传播（BPTT）
BPTT经常用于RNN中处理序列数据，每一步都有一个输入、一个网络的复制版本和一个输出。同时每一步还会生成网络的错误并集合在一起。
模型在上一批处理的最后阶段进行初始化。平均和最大池化的隐藏状态同样被追踪下去。模型的核心使用了可变长度的序列，以下是用PyTorch进行采样的一小片段：
- class SortishSampler(Sampler):
- def __init__(self, data_source, key, bs):
- self.data_source,self.key,self.bs = data_source,key,bs
- def __len__(self): return len(self.data_source)
- def __iter__(self):
- idxs = np.random.permutation(len(self.data_source))
- sz = self.bs*50
- ck_idx = [idxs[i:i+sz] for i in range(0, len(idxs), sz)]
- sort_idx = np.concatenate([sorted(s, key=self.key, reverse=True) for s in ck_idx])
- sz = self.bs
- ck_idx = [sort_idx[i:i+sz] for i in range(0, len(sort_idx), sz)]
- max_ck = np.argmax([self.key(ck[0]) for ck in ck_idx]) # find the chunk with the largest key,
- ck_idx[0],ck_idx[max_ck] = ck_idx[max_ck],ck_idx[0] # then make sure it goes first.
- sort_idx = np.concatenate(np.random.permutation(ck_idx[1:]))
- sort_idx = np.concatenate((ck_idx[0], sort_idx))
- return iter(sort_idx)
结果
这一方法比其他依靠嵌入或其他迁移学习的NLP方法优秀得多。通过逐渐解锁并且用新的方法训练分类器，四次迭代后可以达到94.4的精确度，比其他方法都准确。
用ULMFiT进行文本分类时的损失和精确度
验证错误率
原文地址：software.intel.com/en-us/articles/transfer-learning-in-natural-language-processing