【AI算法岗面试八股面经【超全整理】——NLP】

AI算法岗面试八股面经【超全整理】

• 概率论【AI算法岗面试八股面经【超全整理】——概率论】
• 信息论【AI算法岗面试八股面经【超全整理】——信息论】
• 机器学习【AI算法岗面试八股面经【超全整理】——机器学习】
• 深度学习【AI算法岗面试八股面经【超全整理】——深度学习】
• NLP【AI算法岗面试八股面经【超全整理】——NLP】
• CV

1、RNN

优点：

• 参数共享。 RNN在每个时间步都使用相同的参数，因此在训练和预测时具有较小的计算负担；
• 灵活性。 RNN可以处理各种长度的序列输入，并且可以用于不同的任务，如语言模型、时间序列预测等

缺点：

• 梯度消失或爆炸。 RNN在处理长期依赖关系时容易出现梯度消失或爆炸的问题，导致难以捕捉远距离的依赖关系；
• 短期记忆限制。 RNN的短期记忆相对较弱，难以有效地记住较长的历史信息

2、LSTM

优点：

• 长期依赖关系。 LSTM通过门控机制 （遗忘门、输入门、输出门） 有效地解决了长期依赖问题，能够更好地捕捉长距离的序列依赖关系；
• 记忆单元。 LSTM引入了记忆单元，可以保留和更新信息，有助于记住长序列中的重要信息；
• 防止梯度消失。 LSTM通过门控机制可以更有效地控制梯度的流动，减少了梯度消失或爆炸的问题

3、Transformer

一种基于自注意力机制的序列到序列（Sequence-to-Sequence）模型，用于处理NLP任务，解决长依赖问题和并行计算效率的平衡。相比于RNN模型Transformer使用全局的自注意力机制，使模型可以同时关注输入序列的所有位置，更好地捕捉长距离依赖关系。Transformer引入多头注意力机制提高了模型的表达能力。Transformer两个关键组件组成：Encoder和Decoder。编码器将输入序列编码为一系列上下文相关的表示，解码器用这些表示生成目标序列。

• 编码器，输入序列经过多头自注意力层和前馈神经网络层处理。自注意力层输入序列的每个位置都与其他位置进行注意力计算，以获取位置之间的相关性。使得模型能够在不同位置之间建立上下文关联，能够处理长距离的依赖关系。
• 解码器，除自注意力层和前馈神经网络层，还包含一个编码器-解码器注意力层。交叉注意力层将编码器中的信息与解码器的当前位置关联，在生成目标序列时获得更好的上下文信息。
• Transformer端到端训练，最大化目标序列的条件概率来进行模型优化。训练中使用掩码注意力（Masked Attention）确保解码器只能看到当前位置之前输入，避免信息泄露。

Transformer优点：

• 能处理长距离依赖问题，适用于处理包含长序列的任务。
• 并行计算效率好，使得模型在GPU上能够进行高效训练和推理。
• 具有较好的表示能力和泛化能力，在多个NLP任务上取得了优异的性能。

1、位置编码
单词在句子中的位置以及排列顺序是十分重要的，引入词序信息有助于理解语义。循环神经网络本身就是一种顺序结构，天生就包含了词在序列中的位置信息。当抛弃循环神经网络结构，完全采用Attention，这些词序信息就会丢失，模型就没有办法知道每个词在句子中的相对和绝对的位置信息。因此有必要把词序信号加到词向量上帮助模型学习这些信息，位置编码（Positional Encoding）就是用来解决这种问题的方法。
给定一个长度为n的输入序列，让t表示词在序列中的位置，$\overrightarrow{P_t}\in R^d$表示t位置对应的向量，d是向量的维度，$f:N\to R^d$是生成位置向量$\overrightarrow{P_t}$的函数，定义如下：
$${\overrightarrow{P_t}}^{(i)}=f(t{)}^{(i)}:=\{\begin{array}{ll}sin(w_k\cdot t)& \text{if i=2k}\\ cos(w_k\cdot t)& \text{if i=2k+1}\end{array}$$
其中，频率$w_k$定义如下：
$$w_k=\frac{1}{10000^{\frac{2k}{d}}}$$
在Transformer中，位置编码是通过加法的方式结合到词向量中的。
2、多头自注意力
Transformer的多头注意力看上去是借鉴了CNN中同一卷积层内使用多个卷积核的思想，原文中使用 8 个“scaled dot-product attention”，在同一“multi-head attention”层中，输入均为“KQV”，同时进行注意力的计算，彼此之前参数不共享，最终将结果拼接起来，这样可以允许模型在不同的表示子空间里学习到相关的信息。即希望每个注意力头只关注最终输出序列中一个子空间，互相独立。核心思想在于抽取到更加丰富的特征信息。
3、Q、K、V

• Q代表query查询，后续会和每一个k进行匹配，找到最相似的k
• K代表key关键字，后续会被每一个q匹配
• V代表value值，代表从输入中提到的信息

注意力机制的核心为：
$$Q=X{W}^Q$$$$K=X{W}^K$$$$V=X{W}^V$$$$Attention(Q,K,V)=softmax(\frac{Q{K}^T}{\sqrt{d_k}})V$$
每一个key，都对应一个value；计算query和key的匹配程度就是计算两者相关性，相关性越大，代表key对应value的权重也就越大。
$d_k$是K的维度，除以一个根号d因为Q和K相乘之后的数值可能会相差很大，除以根号d可以平衡数据。利于模型收敛。

4、预测与推理阶段都使用mask原因

• 训练阶段：训练时计算loss，是用当前decoder输入所有单词对应位置的输出$y_1,y_2,y_3,\cdots ,y_t$与真实的翻译结果ground truth去分别算cross entropy loss，然后把t个loss加起来，如果使用self-attention，那么$y_1$这个输出里包含了$x_1$右侧单词信息（包含要预测下一个单词$x_2$的信息），用到了未来信息，属于信息泄露。
• 预测阶段：预测阶段要保持重复单词预测结果是一样的，这样不仅合理，而且可以增量更新（预测时会选择性忽略重复的预测词，只摘取最新预测的单词拼接到输入序列中），如果关掉dropout，那么当预测序列是$x_1,x_2,x_3$时的输出结果，应该是和预测序列是$x_1,x_2,x_3$的前3个位置结果是一样的（增量更新）；同时与训练时的模型架构保持一致，前向传播的方式是一致的。

5、嵌入向量和位置向量用为什么add而不用concat

• 在d维token嵌入向量上concat一个d维的位置向量，变成了2d维的向量，最终要得到d维的输出，需要*（2d，d）的矩阵。等价于：先对token嵌入向量做变换，然后再加上位置嵌入，并且concat会增加网络的计算量。
• 相同的token在句子中不同位置语义应该是不一样的，token向量应该有差异，add可以在向量的各个维度上表现出差异，而concat会导致向量前面部分一样，只有后面部分不同。

6、为什么在进行Softmax之前需要对Attention进行scaled（为什么除以$\sqrt{d_k}$)

• 这取决于softmax函数的特性，如果softmax内计算的数数量级太大，会输出近似one-hot编码的形式，导致梯度消失的问题，所以需要scale。
• 那么至于为什么需要用维度开根号，假设向量q，k满足各分量独立同分布，均值为0，方差为1，那么qk点积均值为0，方差为dk，从统计学计算，若果让qk点积的方差控制在1，需要将其除以dk的平方根，是的softmax更加平滑

4、Word2Vec

Word2Vec有两种主要的模型：CBOW和Skip-gram。这两种模型都是基于神经网络的模型，它们通过学习文本数据中的上下文信息来得到单词的向量表示。

• CBOW。 全称是Continuous bag of words（连续词袋模型），通过context word（背景词）来预测Target word（目标词）。在每个窗口内它不考虑词序信息，它是直接把上下文的词向量相加，自然就损失了词序信息。
• Skip-gram。 与CBOW相反，Skip-gram模型的输入是一个词汇，输出则是该词汇的上下文。（Skip-gram 出来的准确率比cbow 高）
  

5、BERT

BERT模型由多层Transformer编码器堆叠而成，通过预训练任务来学习语言的深层表示。这些预训练任务包括：
（1）遮蔽语言模型（Masked Language Model，MLM）（类似于完形填空）。在MLM任务中，模型被训练来预测输入句子中被遮蔽的词；
（2）下一句预测（Next Sentence Prediction，NSP）。在NSP任务中，模型需要判断两个句子是否是连续的文本序列。

6、GPT

1、GPT-1：
Pretrain+finetune
在预训练阶段，给定tokens的语料：$U=u_1,\cdots ,u_t$，目标函数为最大化似然函数：
$$L_1(U)=\sum _{i}log(P(u_i|u_{i-k},\cdots ,u_{i-1};\theta )$$
其中，$k$是文本上下文窗口的大小

• 12层的transformer，每个transformer块有12个头
• 词编码的长度为768
• Batchsize为64

2、GPT-2：
Zero-shot
GPT-2去掉了fine-tuning层：不再针对不同任务分别进行微调建模，而是不定义这个模型应该做什么任务，模型会自动识别出来需要做什么任务。GPT2依然沿用GPT1单向transformer的模式，只不过使用了更大的网络参数，和更大的数据集。
GPT-2试图通过“上下文学习In Context Learning”的方式来实现这一点，使用预训练语言模型的文本输入作为任务规范的一种形式：模型以自然语言指令和/或几个任务演示为条件，然后预期仅通过预测接下来会发生什么来完成更多的任务实例。
GPT-2的核心思想概括为：任何有监督任务都是语言模型的一个子集，当模型的容量非常大且数据量足够丰富时，仅仅靠训练语言模型的学习便可以完成其他有监督学习的任务。

• 滑动窗口大小增加为1024
• 将Transformer堆叠层数增加到48层，隐层的维度增至1600，参数量达15亿
• Batchsize的大小增加为512

3、GPT-3：
稀疏自注意力，（locally banded sparse attention，局部带状稀疏注意力）

• Dense Attention（传统 Self Attention）：每个token之间两两计算Attention
• Sparse Attention：每个token只与其他token的一个子集计算Attention
  网络容量的提升：
• GPT-3采用了96层的多头transformer，头的个数为96
• 词向量的长度是12888
• 上下文滑动窗口的窗口大小提升至2048个token
  具体来说，sparse Attention除了相对距离不超过k，以及相对距离为k，2k，3k，…的token，其他所有token的注意力都设为0。
  

4、GPT和BERT区别：

• GPT用的是transformer中去掉中间Encoder-Decoder Attention的Decoder，（其实也可以等价地说，用到的是Encoder层，只是将Multi-Head Attention换成了Masked Multi-Head Attention），即：Masked Self Attention，是单向语言模型，即给定前几个词预测下一个词，更适合自然语言生成的任务；
• 而BERT使用的是transformer的Encoder，即：Self Attention，是双向的语言模型，即给定周围上下文的词预测中间被mask的词，更适合自然语言理解的任务。

7、CLIP

使用对比学习，让模型学习文本-图像对的匹配关系，在同时输入文本和图像对的情况下，只有对角线上的位置才是真值。
为了实现这一目标，CLIP使用了一个多模态编码器，它由两个自编码器组成：图像编码器可以是基于卷积神经网络（CNN）或者VIT的模型；文本编码器则是一个基于Transformer的模型。作者通过一个线性投影将每个编码器的表示映射到多模态嵌入空间。通过联合训练图像编码器和文本编码器来最大化批次中的N个真实对的图像和文本嵌入的余弦相似度，同时最小化$N^2-N$个错误对的余弦相似度。

8、BPE（Byte Pair Encoder）字节对编码

1、构建词表：

• 确定词表大小，即subword的最大个数V；
• 在每个单词最后添加一个，并且统计每个单词出现的频率；
• 将所有单词拆分为单个字符，构建出初始的词表，此时词表的subword就是字符；
• 挑出频次最高的字符对，比如说t和h组成的th，将新字符加入词表，然后将预料中所有该字符对融合（merge），即所有t和h都变为th。新字符依然可以参与后续的merge，优点类似哈夫曼树，BPE实际上就是一种贪心算法；
• 重复3、4的操作，直到词表中单词数量达到预设的阈值V或者下一个字符对的频数为1；

2、BPE编码：

• 将词表中的单词按长度大小，从长到短排序；
• 对于语料中的每个单词，遍历排序好的词表，判断词表中的单词/子词（subword）是否是该字符串的子串，如果匹配上了，则输出当前子词，并继续遍历单词剩下的字符串；
• 如果遍历完词表，单词中仍然后子字符串没有被匹配，那我们将其替换为一个特殊的子词，比如< unk >

3、BPE解码：
将所有的输出子词拼在一起，直到碰到结尾为。
例如：[“moun”, “tain”, “high”, “the”] 解码后：[“mountain”, “highthe”]

4、优缺点：

• 优点： BPE算法是介于字符和单词粒度之间的一种以subword为粒度的分词算法。1）能够解决OOV问题（无法很好的处理未知或罕见的词汇）；2）减少词汇表大小；3）具有一定的泛化能力；
• 缺点： 是基于统计的分词算法，对语料依赖性很强，如果语料规模很小，则效果一般不佳。