WDK李宏毅学习笔记第十二周01_ELMO,BERT,GPT

2024-02-18 07:32

本文主要是介绍WDK李宏毅学习笔记第十二周01_ELMO,BERT,GPT,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

ELMO,BERT,GPT

文章目录

  • ELMO,BERT,GPT
  • 摘要
  • 1、Contextualized Word Embedding
  • 2、Embeddings from Language Model(ELMO)
  • 3、Bidirectional Encoder Representations from Transformers(BERT)
    • 3.1 How to use BERT-Case 1
    • 3.2 How to use BERT-Case 2
    • 3.3 How to use BERT-Case 3
    • 3.4 How to use BERT-Case 4
  • 4、Generative Pre-Training(GPT)
  • 方法
  • 结论与展望


摘要

在实际生活中,一个word往往有多个意思,光靠一个vector是没法完全代表一个word的,所有说,前面word embedding的方法都是不够好的,本章讲的就是解决一词多意问题的方法—ELMO,BERT,GPT,它们的目的是用多个vector表示同一个word的多个意思,以此解决对应问题。

1、Contextualized Word Embedding

Contextualized Word Embedding是根据语义对word进行编码,同样的word可以对应不同的word,以解决一次多用的问题。
在这里插入图片描述

2、Embeddings from Language Model(ELMO)

ELMO是一个RNN-base的model,它是train一个正向的RNN和一个反向的RNN,再将其得到的结果接起来,就可以得到词汇的Embedding,该Embedding不仅考虑了前文意思,也考虑了后文意思。同样的word,要是前后文意思不同,得到的Embedding也不同,从而实现一词多译。
在这里插入图片描述
当我们的RNN是Deep的时候,对于同一个词汇,每一层都会输出一个Embedding,这样该如何选择?
在这里插入图片描述
ELMO的做法是全都要,如下图右上角所示,将每一层的的两个Embedding都加权求和,得到代表能够每一层的Embedding,权重的值是learning到的。在这里插入图片描述

3、Bidirectional Encoder Representations from Transformers(BERT)

BERT做的事情是输入word,然后输出word对应的Embedding。
在这里插入图片描述
训练BERT的方法有俩个。

  1. Masked LM。它就是随机的将句子中间的词用[Mask]替代,然后让machine去找合适的词填好。这样如果是多个词填在一起没有违和感时,那么它们就会有非常接近的Embedding。
    在这里插入图片描述
  2. Next Sentence Prediction。它做的事情是,给machine两个句子,在句子开头,输入标志符[CLS],句子间用标志符[SEP]表示两个句子的分隔符,[CLS]标志符得到的Embedding会送给一个二分类model,该model判断这两个句子该不该连在一块。
    在这里插入图片描述

3.1 How to use BERT-Case 1

它是进行语义识别的,如下图所示,像BERT输入一些句子,和分类标志符[CLS],将分类标志符的对应位置的Embedding丢给Linear Classifier,Linear Classifier再输出语义是好还是不好。
在这里插入图片描述

3.2 How to use BERT-Case 2

向BERT输入word和分类标志符[CLS],将每个word对应的输出丢给分类器,分类器输出每个word对应的类别,可以用来解决词性分类的问题。
在这里插入图片描述

3.3 How to use BERT-Case 3

Natural Language Inference(给machine一个前提和假设,machine判断根据前期假设是否成立,它的做法是输入多个句子和分类标志符[CLS],句子间用标志符[SEP]隔开,分类器输出假设是否成立。
在这里插入图片描述

3.4 How to use BERT-Case 4

Extraction-based Question Answering(给machine读文章,希望问它问题可以正确的回答),它的做法是给machine输入问题和文章,再learned两个vector,一个vector和文章word的embedding做点积,将得到的值做Softmax,得到最大值位置,作为答案的起始点,另一个word也是同样的做法,它输出的最大值位置作为文章结束点。
在这里插入图片描述

4、Generative Pre-Training(GPT)

GPT就是如下图所示的model,它其实就是Transformer 的 Decoder ,它做的事情是自动填词。GPT是最复杂的,但是它也是很有效,相比其他model,它可以用很少的training data就可以做到相同的事情。
在这里插入图片描述

方法

  1. ELMO的做法是training一个正向的RNN和反向的RNN,两者组合作为word的Embedding,这样word Embedding不仅考虑了前文语境思,也考虑了后文语境,且不同语境得到的word也都是不同的。
  2. BERT是Transformer的Encoder,它常用的训练方法有两个,一个是将句子中的某些word用标志符[mask]代替,让machine去猜被代替的词是什么,如此就可以找到每个word的Embedding。另一个是输入分类标志符和句子间的分隔标志符,然后输入句子是否是可以连在一块的,让machine知道句子间的联系及含义。
  3. GPT是Transformer的Dncoder,它是将每一个word分为3个vector,每一层的输出作为下一次的输入,将联系一层一层传递下去,然后training出所有word的vectors。

结论与展望

ELMO在处理一词多意的问题上是很有效的,还可以适当增加Deep来提高准确率,相比这三个model,ELMO所占内存也是最小的。BERT则是更适合用在处理文本分类的问题上,且在文本分类问题的比赛中常年霸榜。GPT是这三个model最复杂占用内存最大的,但是在这3个model中,它可以用更少的训练数据完成同样的效果,所以当训练数据不充足时,使用该model将会更准确。

这篇关于WDK李宏毅学习笔记第十二周01_ELMO,BERT,GPT的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/720470

相关文章

Pytorch微调BERT实现命名实体识别

《Pytorch微调BERT实现命名实体识别》命名实体识别(NER)是自然语言处理(NLP)中的一项关键任务,它涉及识别和分类文本中的关键实体,BERT是一种强大的语言表示模型,在各种NLP任务中显著... 目录环境准备加载预训练BERT模型准备数据集标记与对齐微调 BERT最后总结环境准备在继续之前,确

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

hdu 2602 and poj 3624(01背包)

01背包的模板题。 hdu2602代码: #include<stdio.h>#include<string.h>const int MaxN = 1001;int max(int a, int b){return a > b ? a : b;}int w[MaxN];int v[MaxN];int dp[MaxN];int main(){int T;int N, V;s

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss