Transformer的前世今生 day01（预训练、统计语言模型）

预训练

• 在相似任务中，由于神经网络模型的浅层是通用的，如下图：
  
• 所以当我们的数据集不够大，不能产生性能良好的模型时，可以尝试让模型B在用模型A的浅层基础上，深层的部分自己生成参数，减小数据集的压力
• 使用模型A的浅层来实现任务B，由两种方式：
  • 冻结（frozen）：浅层参数不变
  • 微调（Fine-Tuning)：浅层参数会跟着任务B的训练而改变
    
• 总结：一个任务A，一个任务B，两者极其相似，任务A已经通过大数据集训练出一个模型A，使用模型A的浅层参数去训练任务B，得到模型B。
  • 使用的特性为：CNN浅层参数通用
  • 任务B也可以是大数据，我们仍可以使用模型A的浅层参数，这样在训练模型B的时候，能节省训练时间，节省成本

统计语言模型

• 语言模型：通常是通过模型来完成两个任务
  • 判断这两句话，哪一个的概率大：P(“判断这个词的词性”)，P("判断这个词的磁性“)
  • 选择在这句话的后面填什么词比较好：“判断这个词的__”
• 统计语言模型：用统计的方法解决以上两个问题
  • 统计的方法：条件概率的链式法则
  • 解决第一个问题：
    • 首先对一句话进行分词操作，如：“判断”，“这个”，“词”，“的”，“词性”
    • 那求这句话出现的概率就变成了，求这些词按顺序出现的概率，即W1出现的概率 * (W1出现时，W2出现的概率) *…
    • 公式如下：

• 解决第二个问题：
  • 首先，还是对这句话进行分词操作
  • 那求划线处填什么，就变成了求词库中的所有词，哪一个放在这个句子中的概率最大，即求P(W_next | “判断”，“这个”，“词”，“的”)的最大值，即 （Wnext，判断，这个，词，的）出现的个数除以（判断，这个，词，的）出现的个数，公式如下：

• 词库：就像一个新华字典，把所有词都装进了词库（集合V）中，例如：
  
• n元统计语言模型
  • 统计语言模型的缺陷：如果n特别大，即（W1，W2，W3…Wn）有很多，那么我们算条件概率的计算量很大
  • n元统计语言模型：如果可以把n个词在不影响结果的情况下，改为取更少量的词，这样可以减小计算量，如下：
    
• 实际计算步骤：
  • 假设词库如下：

"判断单词的词性”
"磁性很强的磁铁”
”北京的词性是名词"

• 那P(词性 | 的)的结果如下：
  
• 平滑策略
  • 如果在词库V中求，不存在的词出现的概率，即选词填空问题中，无法从词典中选择一个词填入，那容易出现$\frac{0}{0}$的情况，如P(策略 | 平滑)
  • 于是为了避免这种情况，会在分子和分母中都加入一个非0正数，如下：
    
• 总结：
  • 语言模型统计两个问题：计算一句话的概率，计算下一个词可能是什么
  • 统计语言模型：统计的方法去解决语言模型的问题（条件概率）
  • n元统计语言模型：只取n个词
  • 平滑策略：避免出现$\frac{0}{0}$的情况