斯坦福NLP课程 | 第11讲 - NLP中的卷积神经网络

·  阅读 4150
斯坦福NLP课程 | 第11讲 - NLP中的卷积神经网络

ShowMeAI研究中心


NLP中的卷积神经网络 ShowMeAI斯坦福CS224n《自然语言处理与深度学习(Natural Language Processing with Deep Learning)》课程的全部课件,做了中文翻译和注释,并制作成了GIF动图!

NLP中的卷积神经网络 本讲内容的深度总结教程可以在这里 查看。视频和课件等资料的获取方式见文末


引言

NLP中的卷积神经网络

授课计划

授课计划

  • Announcements
  • Intro to CNNs / 卷积神经网络介绍
  • Simple CNN for Sentence Classification: Yoon (2014) / 应用CNN做文本分类
  • CNN potpourri / CNN 细节
  • Deep CNN for Sentence Classification: Conneauet al. (2017) / 深度CNN用于文本分类
  • Quasi-recurrent Neural Networks / Q-RNN模型

欢迎来到课程的下半部分!

欢迎来到课程的下半部分!

  • 现在,我们正在为你准备成为 DL+NLP 研究人员/实践者

  • 课程不会总是有所有的细节

    • 这取决于你在网上搜索/阅读来了解更多
    • 这是一个活跃的研究领域,有时候没有明确的答案
    • Staff 很乐意与你讨论,但你需要自己思考
  • 作业的设计是为了应付项目的真正困难

    • 每个任务都故意比上一个任务有更少的帮助材料
    • 在项目中,没有提供 autograder 或合理性检查
    • DL 调试很困难,但是你需要学习如何进行调试!

1.卷积神经网络介绍

(卷积神经网络相关内容也可以参考ShowMeAI的对吴恩达老师课程的总结文章 深度学习教程 | 卷积神经网络解读

1.1 从RNN到CNN

从RNN到CNN

  • 循环神经网络不能捕获没有前缀上下文的短语
  • 经常在最终向量中捕获的信息太多来自于最后的一些词汇内容
  • 例如:softmax通常只在最后一步计算

从RNN到CNN

  • CNN / Convnet 的主要思路
    • 如果我们为每一个特定长度的词子序列计算向量呢?
  • 例如:tentative deal reached to keep government open
  • 计算的向量为
    • tentative deal reached, deal reached to, reached to keep, to keep government, keep government open
  • 不管短语是否合乎语法
  • 在语言学上或认知上不太可信
  • 然后将它们分组 (很快)

1.2 CNN 卷积神经网络

CNN卷积神经网络

1.3 什么是卷积

什么是卷积?

  • 一维离散卷积一般为:(fg)[n]=m=MMf[nm]g[m](f \ast g)[n]=\sum_{m=-M}^{M} f[n-m] g[m]
  • 卷积通常地用于从图像中提取特征
    • 模型位置不变的识别
    • 可以参考斯坦福深度学习与计算机视觉课程cs231n (也可以在ShowMeAI查阅 cs231n 系列笔记学习)
  • 二维示例:
    • 黄色和红色数字显示过滤器 (=内核) 权重
    • 绿色显示输入
    • 粉色显示输出

1.4 文本的一维卷积

文本的一维卷积

  • 用于文本应用的 1 维卷积

1.5 带填充的文本的一维卷积

带填充的文本的一维卷积

  • 输入长度为 LL 的词序列
    • 假设单词维度为 4,即有 4 channels
    • 卷积后将会得到 1 channel
  • 多个channel,则最终得到多个 channel 的输出,关注的文本潜在特征也不同

1.6 conv1d,随时间推移填充最大池化

conv1d,随时间推移填充最大池化

  • 平均池化对 feature map 求平均

1.7 PyTorch实现

PyTorch实现

  • Pytorch中的实现:参数很好地对应前面讲到的细节
batch_size= 16
word_embed_size= 4
seq_len= 7
input = torch.randn(batch_size, word_embed_size, seq_len)
conv1 = Conv1d(in_channels=word_embed_size, out_channels=3, kernel_size=3) # can add: padding=1 
hidden1 = conv1(input)
hidden2 = torch.max(hidden1, dim=2) # max pool
复制代码

1.8 步长 (这里为2)

CNN步长

  • stride 步长,减少计算量

1.9 局部最大池化

其他概念:局部最大池化,步长=2

  • 每两行做 max pooling,被称为步长为 2 的局部最大池化

1.10 1维卷积的k-max pooling

conv1d, k-max pooling over time, k= 2

  • 记录每一个 channel 的所有时间的 top k 的激活值,并且按原有顺序保留(上例中的-0.2 0.3)

1.11 空洞卷积:dilation为2

其他概念:dilation = 2

扩张卷积 / 空洞卷积

  • 上例中,对1 3 5行进行卷积,通过两个 filter 得到两个 channel 的激活值
  • 可以在第一步的卷积中将卷积核从 3 改为 5,即可实现这样的效果,既保证了矩阵很小,又保证了一次卷积中看到更大范围的句子

补充讲解 / Summary

  • CNN中,一次能看一个句子的多少内容是很重要的概念
  • 可以使用更大的 filter、扩张卷积或者增大卷积深度 (层数)

2.应用CNN做文本分类

2.1 用于句子分类的单层CNN

用于句子分类的单层CNN

  • 目标:句子分类
    • 主要是识别判断句子的积极或消极情绪
    • 其他任务
      • 判断句子主观或客观
      • 问题分类:问题是关于什么实体的?关于人、地点、数字、……

用于句子分类的单层CNN

  • 一个卷积层和池化层的简单使用
  • 词向量:xiRk\mathbf{x}_{i} \in \mathbb{R}^{k}
  • 句子:x1:n=x1x2xn\mathbf{x}_{1 : n}=\mathbf{x}_{1} \oplus x_{2} \oplus \cdots \oplus \mathbf{x}_{n} (向量连接)
  • 连接 Xi:i+j\mathbf{X}_{i : i+j} 范围内的句子 (对称更常见)
  • 卷积核 wRhk\mathbf{w} \in \mathbb{R}^{h k} (作用范围为 hh 个单词的窗口)
  • 注意,filter是向量,size 可以是2、3或4

2.2 单层CNN

单层CNN

  • 过滤器 ww 应用于所有可能的窗口(连接向量)
  • 为CNN层计算特征(一个通道)
ci=f(wTxi:i+h1+b)c_{i}=f\left(\mathbf{w}^{T} \mathbf{x}_{i : i+h-1}+b\right)
  • 句子 x1:n=x1x2xn\mathbf{x}_{1 : n}=\mathbf{x}_{1} \oplus \mathbf{x}_{2} \oplus \ldots \oplus \mathbf{x}_{n}

  • 所有可能的长度为 hh 的窗口 {x1:h,x2:h+1,,xnh+1:n}\left\{\mathbf{x}_{1 : h}, \mathbf{x}_{2 : h+1}, \dots, \mathbf{x}_{n-h+1 : n}\right\}

  • 结果是一个 feature map c=[c1,c2,,cnh+1]Rnh+1\mathbf{c}=\left[c_{1}, c_{2}, \dots, c_{n-h+1}\right] \in \mathbb{R}^{n-h+1}

2.3 池化与通道数

池化与通道数

  • 池化:max-over-time pooling layer
  • 想法:捕获最重要的激活(maximum over time)
  • 从feature map中 c=[c1,c2,,cnh+1]Rnh+1\mathbf{c}=\left[c_{1}, c_{2}, \dots, c_{n-h+1}\right] \in \mathbb{R}^{n-h+1}
  • 池化得到单个数字 c^=max{c}\hat{c}=\max \{\mathbf{c}\}
  • 使用多个过滤器权重 ww
  • 不同窗口大小 hh 是有用的
  • 由于最大池化 c^=max{c}\hat{c}=\max \{\mathbf{c}\},和 cc 的长度无关
c=[c1,c2,,cnh+1]Rnh+1\mathbf{c}=\left[c_{1}, c_{2}, \dots, c_{n-h+1}\right] \in \mathbb{R}^{n-h+1}
  • 所以我们可以有一些 filters 来观察 unigrams、bigrams、tri-grams、4-grams等等

2.4 多通道输入数据

多通道输入数据

  • 使用预先训练的单词向量初始化 (word2vec 或 Glove)
  • 从两个副本开始
  • 只对1个副本进行了反向传播,其他保持静态
  • 两个通道集都在最大池化前添加到 cic_i

2.5 Classification after one CNN layer

Classification after one CNN layer

  • 首先是一个卷积,然后是一个最大池化
  • 为了获得最终的特征向量 z=[c^1,,c^m]\mathbf{z}=\left[\hat{c}_{1}, \dots, \hat{c}_{m}\right]
    • 假设我们有 mm 个卷积核 (滤波器filter) ww
    • 使用100个大小分别为3、4、5的特征图
  • 最终是简单的 softmax layer y=softmax(W(S)z+b)y=\operatorname{softmax}\left(W^{(S)} z+b\right)

补充讲解

  • arxiv.org/pdf/1510.03…
  • 输入长度为 7 的一句话,每个词的维度是 5 ,即输入矩阵是 7×57 \times 5
  • 使用不同的 filter_size : (2,3,4),并且每个 size 都是用两个 filter,获得两个 channel 的 feature,即共计 6 个 filter
  • 对每个 filter 的 feature 进行 1-max pooling 后,拼接得到 6 维的向量,并使用 softmax 后再获得二分类结果

2.6 Regularization 正则化

Regularization 正则化

  • 使用 Dropout:使用概率 pp (超参数) 的伯努利随机变量(只有0 1并且 pp 是为 11 的概率)创建 mask 向量 rr
  • 训练过程中删除特征
y=softmax(W(S)(rz)+b)y=\operatorname{softmax}\left(W^{(S)}(r \circ z)+b\right)
  • 解释:防止互相适应(对特定特征的过度拟合)
  • 在测试时不适用 Dropout,使用概率 pp 缩放最终向量
W^(S)=pW(S)\hat{W}^{(S)}=p W^{(S)}
  • 此外:限制每个类的权重向量的 L2 Norm (softmax 权重 W(S)W^{(S)} 的每一行) 不超过固定数 ss (也是超参数)
  • 如果 Wc(S)>s\left\|W_{c}^{(S)}\right\|>s ,则重新缩放为 Wc(S)=s\left\|W_{c}^{(S)}\right\|=s
    • 不是很常见

3.CNN细节

3.1 CNN参数讨论

All hyperparameters in Kim (2014)

  • 基于验证集 (dev) 调整超参数
  • 激活函数:Relu
  • 窗口过滤器尺寸h=345h=3,4,5
  • 每个过滤器大小有 100 个特征映射
  • Dropoutp=0.5p=0.5
    • Kim(2014年) 报告称,从 Dropout 来看,准确率提高了 24%2 - 4 \%
  • softmax行的 L2 约束,s=3s=3
  • SGD训练的最小批量:5050
  • 词向量:用 word2vec 预训练,k=300k=300
  • 训练过程中,不断检查验证集的性能,并选择最高精度的权重进行最终评估

3.2 实验结果

实验

  • 不同的参数设置下的实验结果

3.3 对比CNN与RNN

Problem with comparison?

  • Dropout 提供了 24%2 - 4 \% 的精度改进
  • 但几个比较系统没有使用 Dropout,并可能从它获得相同的收益
  • 仍然被视为一个简单架构的显著结果
  • 与我们在前几节课中描述的窗口和 RNN 架构的不同之处:池化、许多过滤器和 Dropout
  • 这些想法中有的可以被用在 RNNs 中

3.4 模型对比

Model comparison: Our growing toolkit

  • 词袋模型 / Bag of Vectors:对于简单的分类问题,这是一个非常好的基线。特别是如果后面有几个 ReLU 层 (See paper: Deep Averaging Networks)
  • 词窗分类 / Window Model:对于不需要广泛上下文的问题 (即适用于 local 问题),适合单字分类。例如 POS、NER
  • 卷积神经网络 / CNN:适合分类,较短的短语需要零填充,难以解释,易于在 gpu 上并行化
  • 循环神经网络 / RNN:从左到右的认知更加具有可信度,不适合分类 (如果只使用最后一种状态),比 CNNs 慢得多,适合序列标记和分类以及语言模型,结合注意力机制时非常棒

补充讲解

  • RNN对序列标记和分类之类的事情有很好的效果,以及语言模型预测下一个单词,并且结合注意力机制会取得很好的效果,但是对于某个句子的整体解释,CNN做的是更好的

3.5 跳接结构应用

Gated units used vertically

  • 我们在 LSTMs 和 GRUs 中看到的 门/跳接 是一个普遍的概念,现在在很多地方都使用这个概念
  • 你还可以使用 **纵向** 的门
  • 实际上,关键的概念——用快捷连接对候选更新求和——是非常深的网络工作所需要的
  • Note:添加它们时,请将 xx 填充成conv一样的维度,再求和

3.6 批归一化BatchNorm

Batch Normalization (BatchNorm)

  • 常用于 CNNs
  • 通过将激活量缩放为零均值和单位方差,对一个 mini-batch 的卷积输出进行变换
    • 这是统计学中熟悉的 Z-transform
    • 但在每组 mini-batch 都会更新,所以波动的影响不大
  • 使用 BatchNorm 使模型对参数初始化的敏感程度下降,因为输出是自动重新标度的
    • 也会让学习率的调优更简单,模型的训练会更加稳定
  • PyTorch:nn.BatchNorm1d

3.7 1x1卷积

1 x 1 Convolutions

  • 1x1的卷积有作用吗是的
  • 1x1 卷积,即网络中的 Network-in-network (NiN) connections,是内核大小为1的卷积内核
  • 1x1 卷积提供了一个跨通道的全连接的线性层
  • 它可以用于从多个通道映射到更少的通道
  • 1x1 卷积添加了额外的神经网络层,附加的参数很少
    • 与全连接 (FC) 层不同——全连接(FC)层添加了大量的参数

3.8 CNN 应用:机器翻译

CNN 应用:机器翻译

  • 最早成功的神经机器翻译之一
  • 使用CNN进行编码,使用RNN进行解码
  • Kalchbrennerand Blunsom(2013) Recurrent Continuous Translation Models

3.9 #论文解读# Learning Character-level Representations for Part-of-Speech Tagging

#论文解读# Learning Character-level Representations for Part-of-Speech Tagging

  • 对字符进行卷积以生成单词嵌入
  • 固定窗口的词嵌入被用于 POS 标签

3.10 #论文解读# Character-Aware Neural Language Models

#论文解读# Character-Aware Neural Language Models

  • 基于字符的单词嵌入
  • 利用卷积、highway network 和 LSTM

4.深度CNN用于文本分类

4.1 深度卷积网络用于文本分类

深度卷积网络用于文本分类

  • 起始点:序列模型 (LSTMs) 在 NLP 中占主导地位;还有CNNs、注意力等等,但是所有的模型基本上都不是很深入——不像计算机视觉中的深度模型
  • 当我们为 NLP 构建一个类似视觉的系统时会发生什么
  • 从字符级开始工作

4.2 VD-CNN 结构

VD-CNN 结构

  • 整个系统和视觉神经网络模型中的 VGG 和 ResNet 结构有点像
  • 不太像一个典型的深度学习 NLP 系统
  • 结果是固定大小,因为文本被截断或者填充成统一长度了
  • 每个阶段都有局部池化操作,特征数量 double

4.3 VD-CNN的卷积模块

Convolutional block in VD-CNN

  • 每个卷积块是两个卷积层,每个卷积层后面是 BatchNorm 和一个 ReLU
  • 卷积大小为 3
  • pad 以保持 (或在局部池化时减半) 维数

4.4 实验结果

实验结果

  • 使用大文本分类数据集
    • 比 NLP 中经常使用的小数据集大得多,如Yoon Kim(2014) 的论文

补充讲解

  • 以上数据均为错误率,所以越低越好
  • 深度网络会取得更好的结果,残差层取得很好的结果,但是深度再深时并未取得效果提升
  • 实验表明使用 MaxPooling 比 KMaxPooling 和 使用 stride 的卷积 的两种其他池化方法要更好
  • ConvNets 可以帮助我们建立很好的文本分类系统

实验结果

4.5 RNNs比较慢

RNNs比较慢

  • RNNs 是深度 NLP 的一个非常标准的构建块
  • 但它们的并行性很差,因此速度很慢
  • 想法:取 RNNs 和 CNNs 中最好且可并行的部分

5.Q-RNN模型

5.1 Quasi-Recurrent Neural Network

Quasi-Recurrent Neural Network

  • 努力把两个模型家族的优点结合起来
  • 时间上并行的卷积,卷积计算候选,遗忘门和输出门
zt=tanh(Wz1xt1+Wz2xt)ft=σ(Wf1xt1+Wf2xt)ot=σ(Wo1xt1+Wo2xt)\begin{aligned} \mathbf{z}_{t} &=\tanh \left(\mathbf{W}_{z}^{1} \mathbf{x}_{t-1}+\mathbf{W}_{z}^{2} \mathbf{x}_{t}\right) \\ \mathbf{f}_{t} &=\sigma\left(\mathbf{W}_{f}^{1} \mathbf{x}_{t-1}+\mathbf{W}_{f}^{2} \mathbf{x}_{t}\right) \\ \mathbf{o}_{t} &=\sigma\left(\mathbf{W}_{o}^{1} \mathbf{x}_{t-1}+\mathbf{W}_{o}^{2} \mathbf{x}_{t}\right) \end{aligned}
Z=tanh(WzX)F=σ(WfX)O=σ(WoX)\begin{aligned} \mathbf{Z} &=\tanh \left(\mathbf{W}_{z} * \mathbf{X}\right) \\ \mathbf{F} &=\sigma\left(\mathbf{W}_{f} * \mathbf{X}\right) \\ \mathbf{O} &=\sigma\left(\mathbf{W}_{o} * \mathbf{X}\right) \end{aligned}
  • 跨通道并行性的逐元素的门控伪递归是在池化层中完成的
ht=ftht1+(1ft)zt\mathbf{h}_{t}=\mathbf{f}_{t} \odot \mathbf{h}_{t-1}+\left(1-\mathbf{f}_{t}\right) \odot \mathbf{z}_{t}

5.2 Q-RNN 实验:语言模型

Q-RNN 实验:语言模型

5.3 Q-RNNs:情感分析

Q-RNNs:情感分析

  • 通常比 LSTMs 更好更快
  • 可解释更好

5.4 QRNN 的限制

QRNN 的限制

  • 对于字符级的 LMs 并不像 LSTMs 那样有效
    • 建模时遇到的更长的依赖关系问题
  • 通常需要更深入的网络来获得与 LSTM 一样好的性能
    • 当它们更深入时,速度仍然更快
    • 有效地使用深度作为真正递归的替代

5.5 RNN的缺点&Transformer提出的动机

RNN的缺点&Transformer提出的动机

  • 我们希望能够并行加速,但 RNN 是串行的
  • 尽管 GRUs 和 LSTMs,RNNs 通过注意力机制可以捕捉到长时依赖,但随着序列增长,需要计算的路径也在增长
  • 如果注意力机制本身可以让我们关注任何位置的信息,可能我们不需要 RNN?

6.视频教程

可以点击 B站 查看视频的【双语字幕】版本

7.参考资料

ShowMeAI系列教程推荐

showmeai用知识加速每一次技术成长

分类:
人工智能
标签:
分类:
人工智能
标签:
收藏成功!
已添加到「」, 点击更改