本文介紹了面向NLP任務(wù)的遷移學(xué)習(xí)新模型ULMFit，只需使用極少量的標(biāo)記數(shù)據(jù)，文本分類精度就能和數(shù)千倍的標(biāo)記數(shù)據(jù)訓(xùn)練量達(dá)到同等水平。在數(shù)據(jù)標(biāo)記成本高數(shù)量少的情況下，這個通用語言微調(diào)模型可以大幅降低你的NLP任務(wù)訓(xùn)練時間和成本。

在本文中，我們將介紹自然語言處理（NLP）在遷移學(xué)習(xí)上的最新應(yīng)用趨勢，并嘗試執(zhí)行一個分類任務(wù)：使用一個數(shù)據(jù)集，其內(nèi)容是亞馬遜網(wǎng)站上的購物評價，已按正面或負(fù)面評價分類。然后在你可以按照這里的說明，用你自己的數(shù)據(jù)重新進(jìn)行實驗。

遷移學(xué)習(xí)模型的思路是這樣的：既然中間層可以用來學(xué)習(xí)圖像的一般知識，我們可以將其作為一個大的特征化工具使用。下載一個預(yù)先訓(xùn)練好的模型（模型已針對ImageNet任務(wù)訓(xùn)練了數(shù)周時間），刪除網(wǎng)絡(luò)的最后一層（完全連接層），添加我們選擇的分類器，執(zhí)行適合我們的任務(wù)（如果任務(wù)是對貓和狗進(jìn)行分類，就選擇二元分類器），最后僅對我們的分類層進(jìn)行訓(xùn)練。

由于我們使用的數(shù)據(jù)可能與之前訓(xùn)練過的模型數(shù)據(jù)不同，我們也可以對上面的步驟進(jìn)行微調(diào)，以在相當(dāng)短的時間內(nèi)對所有的層進(jìn)行訓(xùn)練。

除了能夠更快地進(jìn)行訓(xùn)練之外，遷移學(xué)習(xí)也是特別有趣的，僅在最后一層進(jìn)行訓(xùn)練，讓我們可以僅僅使用較少的標(biāo)記數(shù)據(jù)，而對整個模型進(jìn)行端對端訓(xùn)練則需要龐大的數(shù)據(jù)集。標(biāo)記數(shù)據(jù)的成本很高，在無需大型數(shù)據(jù)集的情況下建立高質(zhì)量的模型是很可取的方法。

遷移學(xué)習(xí)NLP的尷尬

目前，深度學(xué)習(xí)在自然語言處理上的應(yīng)用并沒有計算機(jī)視覺領(lǐng)域那么成熟。在計算機(jī)視覺領(lǐng)域中，我們可以想象機(jī)器能夠?qū)W習(xí)識別邊緣、圓形、正方形等，然后利用這些知識去做其他事情，但這個過程對于文本數(shù)據(jù)而言并不簡單。

最初在NLP任務(wù)中嘗試遷移學(xué)習(xí)的趨勢是由“嵌入模型”一詞帶來的。

實驗證明，事先將預(yù)先訓(xùn)練好的詞向量加入模型，可以在大多數(shù)NLP任務(wù)中改進(jìn)結(jié)果，因此已經(jīng)被NLP社區(qū)廣泛采用，并由此繼續(xù)尋找質(zhì)量更高的詞/字符/文檔表示。與計算機(jī)視覺領(lǐng)域一樣，預(yù)訓(xùn)練的詞向量可以被視為特征化函數(shù)，轉(zhuǎn)換一組特征中的每個單詞。

不過，詞嵌入僅代表大多數(shù)NLP模型的第一層。之后，我們?nèi)匀恍枰獜念^開始訓(xùn)練所有RNN / CNN /自定義層。

高階方法：微調(diào)語言模型，在上面加一層分類器

今年早些時候，Howard和Ruder提出了ULMFit模型作為在NLP遷移學(xué)習(xí)中使用的更高級的方法（論文地址：https://arxiv.org/pdf/1801.06146.pdf）。

他們的想法是基于語言模型（Language Model）。語言模型是一種能夠根據(jù)已經(jīng)看到的單詞預(yù)測下一個單詞的模型（比如你的智能手機(jī)在你發(fā)短信時，可以為你猜測下一個單詞）。就像圖像分類器通過對圖像分類來獲得圖像的內(nèi)在知識一樣，如果NLP模型能夠準(zhǔn)確地預(yù)測下一個單詞，似乎就可以說它已經(jīng)學(xué)會了很多關(guān)于自然語言結(jié)構(gòu)的知識。這些知識可以提供高質(zhì)量的初始化狀態(tài)，然后針對自定義任務(wù)進(jìn)行訓(xùn)練。

ULMFit模型一般用于非常大的文本語料庫（如維基百科）上訓(xùn)練語言模型，并將其作為構(gòu)建任何分類器的基礎(chǔ)架構(gòu)。由于你的文本數(shù)據(jù)可能與維基百科的編寫方式不同，因此你可以對語言模型的參數(shù)進(jìn)行微調(diào)。然后在此語言模型的頂部添加分類器層，僅僅對此層進(jìn)行訓(xùn)練。

Howard和Ruder建議向下逐層“解凍”，逐步對每一層進(jìn)行訓(xùn)練。他們還在之前關(guān)于學(xué)習(xí)速度（周期性學(xué)習(xí)）的研究成果基礎(chǔ)上，提出了他們自己的三角學(xué)習(xí)速率（triangular learning rates）。

用100個標(biāo)記數(shù)據(jù)，達(dá)到用20000個標(biāo)記數(shù)據(jù)從頭訓(xùn)練的結(jié)果

這篇文章得出的神奇結(jié)論是，使用這種預(yù)訓(xùn)練的語言模型，讓我們能夠在使用更少的標(biāo)記數(shù)據(jù)的情況下訓(xùn)練分類器。盡管網(wǎng)絡(luò)上未標(biāo)記的數(shù)據(jù)幾乎是無窮無盡的，但標(biāo)記數(shù)據(jù)的成本很高，而且非常耗時。

下圖是他們從IMDb情感分析任務(wù)中報告的結(jié)果：

該模型只用了100個示例進(jìn)行訓(xùn)練，錯誤率與20000個示例從頭到尾進(jìn)行完全訓(xùn)練的模型相仿。

此外，他們在文中還提供了代碼，讀者可以自選語種，對語言模型進(jìn)行預(yù)訓(xùn)練。由于維基百科上的語言多種多樣，因此我們可以使用維基百科數(shù)據(jù)快速完成語種的轉(zhuǎn)換。眾所周知，公共標(biāo)簽數(shù)據(jù)集更難以使用英語以外的語言進(jìn)行訪問。在這里，你可以對未標(biāo)記數(shù)據(jù)上的語言模型進(jìn)行微調(diào)，花幾個小時對幾百個至幾千個數(shù)據(jù)點(diǎn)進(jìn)行手動標(biāo)注，并使分類器頭適應(yīng)您預(yù)先訓(xùn)練的語言模型，完成自己的定制化任務(wù)。

為了加深對這種方法的理解，我們在公共數(shù)據(jù)集上進(jìn)行了嘗試。我們在Kaggle上找了一個數(shù)據(jù)集。它包含400萬條關(guān)于亞馬遜產(chǎn)品的評論，并按積極/消極情緒（即好評和差評）加上了標(biāo)記。我們用ULMfit模型對這些評論按好評/差評進(jìn)行分類。結(jié)果發(fā)現(xiàn)，該模型用了1000個示例，其分類準(zhǔn)確度已經(jīng)達(dá)到了在完整數(shù)據(jù)集上從頭開始訓(xùn)練的FastText模型的水平。甚至在僅僅使用100個標(biāo)記示例的情況下，該模型仍然能夠獲得良好的性能。

所以，語言模型了解的是語法還是語義？

我們使用ULMFit模型進(jìn)行了監(jiān)督式和無監(jiān)督式學(xué)習(xí)。訓(xùn)練無監(jiān)督的語言模型的成本很低，因為您可以在線訪問幾乎無限數(shù)量的文本數(shù)據(jù)。但是，使用監(jiān)督模型就很昂貴了，因為需要對數(shù)據(jù)進(jìn)行標(biāo)記。

雖然語言模型能夠從自然語言的結(jié)構(gòu)中捕獲大量相關(guān)信息，但尚不清楚它是否能夠捕捉到文本的含義，也就是“發(fā)送者打算傳達(dá)的信息或概念”或能否實現(xiàn)“與信息接收者的交流”。

我們可以這樣認(rèn)為，語言模型學(xué)到的更多是語法而不是語義。然而，語言模型比僅僅預(yù)測語法的模型表現(xiàn)更好。比如，“I eat this computer“（我吃這臺電腦）和“I hate this computer”（我討厭這臺電腦），兩句話在語法上都是正確的，但表現(xiàn)更優(yōu)秀的語言模型應(yīng)該能夠明白，第二句話比第一句話更加“正確”。語言模型超越了簡單的語法/結(jié)構(gòu)理解。因此，我們可以將語言模型視為對自然語言句子結(jié)構(gòu)的學(xué)習(xí)，幫助我們理解句子的意義。

由于篇幅所限，這里就不展開探討語義的概念（盡管這是一個無窮無盡且引人入勝的話題）。如果你有興趣，我們建議你觀看Yejin Choi在ACL 2018上的演講，深入探討這一主題。

微調(diào)遷移學(xué)習(xí)語言模型，大有前景

ULMFit模型取得的進(jìn)展推動了面向自然語言處理的遷移學(xué)習(xí)研究。對于NLP任務(wù)來說，這是一個激動人心的事情，其他微調(diào)語言模型也開始出現(xiàn)，尤其是微調(diào)遷移語言模型（FineTuneTransformer LM）。

我們還注意到，隨著更優(yōu)秀的語言模型的出現(xiàn)，我們甚至可以完善這種知識遷移。高效的NLP框架對于解決遷移學(xué)習(xí)的問題是非常有前景的，尤其是對一些常見子詞結(jié)構(gòu)的語言，比如德語，經(jīng)過詞級訓(xùn)練的語言模型的表現(xiàn)前景非常好。

怎么樣？趕緊試試吧~