最新NLP架构的直观解释：多任务学习– ERNIE 2.0（附链接）| CSDN博文精选
百度于今年早些时候发布了其最新的NLP架构ERNIE 2.0，在GLUE基准测试中的所有任务上得分均远高于XLNet和BERT。NLP的这一重大突破利用了一项被称为“连续增量式多任务学习”的创新技术。在本文中，我们将直观地解释“连续多任务学习”的概念，构建ERNIE 2.0模型，并解决有关ERNIE 2.0结果的疑虑。
预备知识：
神经网络
梯度下降
预训练&微调
（请看这个视频：https://bit.ly/2lIADHm）
什么是多任务学习？
为了理解多任务学习，让我们从单任务学习示例开始：为了简单起见，想象一下在NLP（自然语言处理）预训练中使用的简单前馈神经网络。任务是预测句子中的下一个单词。
输入字符串是“ I like New”，正确的输出是字符串“ York”。
训练过程（梯度下降）可以看成是滚下山坡的球：这里的地形是损失函数（也称为成本/误差函数），球的位置代表所有参数的当前值（权重和偏差）。
此图仅有两个维度以用于可视化目的。 如果这个比喻让你无法理解，请查看对梯度下降的理解：https://bit.ly/2C080IK。现在，如果你希望神经网络执行多个任务怎么办？ 例如，预测句子中的下一个单词并进行情感分析（预测态度分为正面，中立或负面。例如，“你很棒”被归为正面）。
实际上，你可以直接加上另一个输出！
输入为“I like New”，下一个单词预测为“York”，情感预测为正面。
然后，将两个输出的损失相加并求平均值，最后的损耗用于训练网络，因为这样就可以将两个任务的损失都降至最低。
这次，可以将训练过程可视化为将两种地形（两个损失函数）加在一起以获得一个新的地形（最终损失函数），然后执行梯度下降。
Figure 1: Calculating the final loss function and performing gradient descent
图1：计算最终损失函数并执行梯度下降
这就是多任务学习的本质-训练一个神经网络执行多个任务，以便该模型可以开发语言的通用表达形式，而不是将自身限制到一个特定的任务上。实际上，ERNIE 2.0训练其神经网络执行7个任务，后面将对此进行详细说明。
多任务学习在自然语言处理中尤其有用，因为预训练过程的目标是“理解”语言。同样，在语言理解方面，人类也会执行多项任务。
我们已经解释了多任务学习，而ERNIE 2.0架构中还有另一个关键概念，那就是……
持续学习
训练神经网络面临的一个挑战是这样一个事实：局部最小值并不总是全局最小值。
作为示例，让我们看一下上个例子种最终损失函数的形态-如果我们对权重进行不同的初始化，即将球放置在其他位置，会怎么样？
图 2
这次的局部最小值远非理想值。为解决此问题并找到更好的局部最小值，使得该最小值更可能是全局最小值，ERNIE 2.0提出了“持续学习”的概念。
不是训练所有任务（图2），而是按顺序训练它们：
在任务1上进行训练
使用上一步中的参数，并在任务1、2上进行训练
使用上一步中的参数，并在任务1、2、3上进行训练，以此类推…
这是受人类启发的，因为我们是逐步学习而不是一次学习多个任务。之所以行之有效，是因为如果达到任务1的全局最小值，那么将两个损失函数加在一起时，与使用完全随机参数开始时相比，更有可能获得全局最小值（图3）。
图 3
持续学习还可以轻松添加新任务-只需在序列中添加一个额外的步骤即可（例如，第3步：训练任务1、2、3）。但是，请记住，必须训练所有先前的任务以及新任务，以确保将损失函数相加。
此外，在ERNIE 2.0中，Adam Optimizer用于保证有更大机会定位到全局最小值，但这不在本文的讨论范围之内。如果您想了解更多信息，请访问以下链接：https://arxiv.org/pdf/1412.6980.pdf
ERINE 2.0模型
于是，我们终于可以构建ERINE2.0模型了！
这张图在论文4.2.3节
让我们从输入开始：输入包含token embedding, sentence embedding, sentence embedding, position embedding, task embedding。如果您没有听说过embedding，它们实际上是一种表示形式，可以将人类可以理解的内容转换为机器可以理解的内容。（在此处了解更多信息：https://bit.ly/2k52nWt）
接下来，将其输入可以是任何形式神经网络的“编码器”中。当然，如果你想要在自然语言处理种获得最好的效果，就应该使用RNN或者一种Transformer。
ERINIE 2.0使用的transformer与BERT和XLNET相同。
最后，输出结果包含了7个任务的输出，分别是：
知识遮盖
标记-文档关系
大写预测
句子重新排序
句子距离
话语关系
相关性
这些任务是专门挑选用来学习语言的词汇，句法（结构）和语义（含义）信息的。阅读论文第4.2节，以详细了解每个任务。
训练过程基本上与我们之前在持续学习部分演示的示例相同：
先训练任务1，然后任务1&2，然后任务1&2&3，以此类推……直到训练完7个任务。
图 4
如图4所示，当任务在训练过程中处于非活动状态时，其损失函数基本上始终为零。
另外，ERNIE 2.0设置中的一个不同之处是最终对损失进行平均（而不是求和）。
有关ERNIE 2.0结果的疑虑
ERNIE 2.0在GLUE基准测试的每个任务中都击败了所有以前的模型，例如XLNet和BERT。虽然该论文暗示该开创性的结果是由持续多任务学习引起的，但尚无模型简化测试来证明这一点。持续多任务学习之外的某些因素可能在击败XLNET和BERT方面发挥了关键作用：
使用了更多数据来训练模型（Reddit，发现数据…）。但是，这在一定程度上是不可避免的。由于多任务学习的训练目标更多，因此需要更多的数据。
该神经网络在PaddlePaddle中实现
更重要的是，为了将ERNIE 2.0的结果归因于“持续多任务学习”，需要回答以下问题：
多任务学习对结果有多大影响？
持续学习对结果有多大影响？如果一次训练了所有七个任务而不是依次进行会怎么样？
任务的顺序有影响吗？
结论
总而言之，ERNIE 2.0引入了“连续多任务学习”的概念，并且在所有NLP任务中均成功胜过XLNET和BERT。可以说连续多任务学习是开创性结果中的第一大因素，但仍然有许多问题需要解决。
当然，本文不会涵盖论文的全部主题，例如具体的实验结果，也没有这个必要。本文只是对ERNIE 2.0核心概念进行了直观解释。如果您想全面了解ERNIE 2.0，请同时阅读论文！
论文:
“ERNIE 2.0: A Continual Pre-training Framework for Language Understanding”
作者:
Yu Sun, Shuohuan Wang, Yukun Li, Shikun Feng, Hao Tian, Hua Wu, Haifeng Wang
链接:
https://arxiv.org/pdf/1512.03385.pdf
Related:
相关文章：
Interpolation in Autoencoders via an Adversarial Regularizer
Pre-training, Transformers, and Bi-directionality
Large-Scale Evolution of Image Classifiers
原文标题：
Multi-Task Learning – ERNIE 2.0: State-of-the-Art NLP Architecture Intuitively Explained
原文链接：
https://www.kdnuggets.com/2019/10/multi-task-learning-ernie-sota-nlp-architecture.html
编辑：于腾凯
校对：林亦霖
扫码查看作者更多文章
▼▼▼
（*本文为 AI科技大本营转载文章，转载请联系作者）
◆
精彩推荐
◆
推荐阅读
最新NLP架构的直观解释：多任务学习– ERNIE 2.0（附链接）| CSDN博文精选相关推荐
- 独家 | 最新NLP架构的直观解释：多任务学习– ERNIE 2.0（附链接）
作者:Michael Ye 翻译:陈雨琳 校对:吴金笛 本文约1500字,建议阅读7分钟. 本文将介绍多任务学习. 科技巨头百度于今年早些时候发布了其最新的NLP架构ERNIE 2.0,在GLUE基准 ...
- 基于AWS的云服务架构最佳实践 #CSDN博文精选# #IT# #云服务实践#
大家好,小C将继续与你们见面,带来精选的CSDN博文~ 在这里,你将收获: 将系统化学习理论运用于实践,系统学习IT技术 学习内容涵盖数据库.软件测试.主流框架.领域驱动设计和第三方生态等,离全栈工程 ...
- 关于Spark NLP学习，你需要掌握的LightPipeline（附代码）| CSDN博文精选
作者 | Veysel Kocaman, Data Scientist & ML Researcher ANKIT CHOUDHARY 翻译 | 赵春光 校对 | 申利彬 来源 | 数据派TH ...
- 资源 | Yann LeCun最新演讲：大脑是如何高效学习的？（附PPT+视频）
整理 | 周翔 作为深度学习的奠基人之一,Yann LeCun 的一言一行都颇受关注.近日,Yann LeCun 在 CCN 2017 (认知计算神经科学大会)上发表了主题为"How doe ...
- 速成！免费送！一份火爆国外的前沿深度学习实践课程（附链接）
本文经AI新媒体量子位(公众号ID:qbitai )授权转载,转载请联系出处. 本文约4000字,建议阅读8分钟. 本文介绍了目前国外火爆的免费AI课程--"给程序员的实践深度学习课&quo ...
- 深度学习在人脸检测中的应用 | CSDN 博文精选
作者 | 梁志成.刘鹏.陈方杰 责编 | 唐小引 转载自CSDN(ID:csdnnews) 在目标检测领域,可以划分为人脸检测与通用目标检测,往往人脸这方面会有专门的算法(包括人脸检测.人脸识别.人脸 ...
- 原创 | 初学者友好！最全算法学习资源汇总（附链接）
在计算机发展飞速的今天,也许有人会问,"今天计算机这么快,算法还重要吗?"其实永远不会有太快的计算机,因为我们总会想出新的应用.虽然在摩尔定律的作用下,计算机的计算能力每年都在飞快 ...
- 知识图谱构建技术一览 #CSDN博文精选# #高效学习法# #系统化学习# #IT技术学习#
大家好~我是小C,又见面啦!"文章过滤器"精选大咖干货.助力学习之路. <5天20篇CSDN精选博文带你掌握系统化学习方法>专栏将挑选有关"系统化学习方法&q ...
- 超级干货 ：最全算法学习资源汇总（附链接）
在计算机发展飞速的今天,也许有人会问,"今天计算机这么快,算法还重要吗?"其实永远不会有太快的计算机,因为我们总会想出新的应用.虽然在摩尔定律的作用下,计算机的计算能力每年都在飞快 ...
最新文章
- 中科院等发布《2017研究前沿》 中国25个前沿表现卓越 居全球第二
- axios基础和封装
- 田志刚：企业知识管理与用户创造内容（UGC）
- c语言 读取一个文件 删除注释,C/C++ 源文件删除注释代码
- [JS]图片自动切换效果（学习笔记）
- 数据库系统概论第五版课后习题——第一章 绪论
- Motion 5 for Mac(专业视频编辑软件)v5.3.2永久破解版
- wap网站制作教程，Github标星5.3K
- AIS (船舶自动识别系统Automatic Identification System)数据解析
- 用canvas制作的躲避球小游戏html5源码
- Win11忘记本地账户密码了怎么移除或修改密码
- 精彩揭秘，一个高大上的机器人自动化工厂需要哪些标配？
- 实例化和初始化的区别
- Java项目：SpringBoot图书管理系统
- EDI 对接CommerceHub OrderStream
- 鸿蒙电视发布会,鸿蒙发布会：无论设备大小 只需一个系统！
- Windows系统版本判定那些事儿
- 天使动漫 泉 此 方 桌面跳舞精灵
- 美文欣赏-------小石潭记
- RoboMaster机器人运行教程（一）