文 | Jazon

大家好，我是Jazon，现在是Stanford计算机硕士项目的一只学生，非常荣幸加入小夕的大家庭！请各路大神多多指教呀。

2021年1月12日，又一季Stanford CS224n——自然语言处理开课了，我和很多MSCS同学一起加入了这门课。由于疫情，今年的课程是以线上Zoom的方式进行，由 Prof. Manning 在他的书房远程授课。第一节课的Zoom有400多位同学参加，足见这门课有多么火爆。如果是线下授课的话，肯定能把教室挤爆。

彼时的Stanford微信和Slack群里十分热闹，大家都在各种找课友、队友。上这门课的主力军是硕士生，当然也有本科生和博士生。能在Stanford亲身体验这门传说中的神课，有一种朝圣的感觉，感觉特别幸运！

课程新设置

今年的课程设置，和2019年版的公开课相比，有不少小变化，这也反映了NLP领域发展之快。具体不同的地方，我会在下文里穿插着介绍~所有的课件都在课程网站（cs224n.stanford.edu)上，而今年Lecture的录播视频在几个月后也会在YouTube上公开，到时候大家就可以看到全新的Lectures啦！

前半学期的课程由10次Lecture和5个作业组成，覆盖NLP和神经网络的核心概念，如词向量、RNN、梯度下降等。第8节课是Final Projects的建议。

后半学期的第11 ~ 18次Lectures则主要是“嘉宾讲座”（Guest Lectures），如T5的提出者Colin Raffel来讲了T5，又或者是一些选学的话题，如 Coreference Resolution。不强制上课，没有什么作业，这样可以让我们专心做Project。

特别值得提及的是今年的第9、10节课，Transformers和预训练模型首次进入了核心概念的部分，而不是像以前那样属于选听的嘉宾讲座。授课人是今年224n的Head TA（总助教）——John Hewitt。John是Stanford NLP组的博三学生，讲得真的非常棒！以前我看paper看不懂的 Transformer 和 BERT，他讲得真的是深入浅出，我很快就明白了。

重磅新作业

和前10次讲座相辅相成的是这门课的5次作业。作业1里大家简单探索了词向量的性质；作业2里我们推导了训练词向量的公式（这是这节课最calculus-intensive的作业）；作业3算是唯一一个涉及比较传统的语言学概念与算法的作业，是关于 Dependency Parsing（依存句法分析）的。

前3次作业都和去年的一致，作业4和5则是今年新出的。在这里要感谢出作业的TA们！作业4仍然是要搭建一个机器翻译模型，只是目标语言变成了Cherokee（美国原住民的语言之一）。这次作业的编程部分，让我们熟悉了PyTorch模型里的各种Tensor操作。

作业5是今年紧跟NLP大趋势，“重磅”新推出的：在数学部分，我们探索了Multi-head Attention的性质；在编程部分，我们需要复现一些预训练数据处理的代码（span corruption），以及实现Attention的一个变种。

这次作业出乎大家意料地难，我和不少同学们都至少花了25小时才做完。由于是今年首次发布，作业里还有很多说得不清楚的地方，本来Instruction已经9页纸了，TA们又写了一篇很长的Clarification。

那一周我们还需要提交Project Proposal，所以大家都很爆炸。2月20号早上，作业已经截止了一天，Office Hours却排起了可怕的50人长队。这门课的学生总数是475，可想而知有多大比例的同学没能按时写完，不得不用late days。

作业5的主要作者正是我们的John，据说他本来还想让我们 Encoder-Decoder 也自己写，被其他TA制止了。显然，他严重高估了同学们的实力，对这次失控的局面，他的心里也十分愧疚，一直守在论坛、Office Hours上回答同学们的问题。这也许印证了，特别优秀的人，对别人也会有意无意地设定很高的标准吧！

当然，做完作业5也让我收获很多，作业里我们需要分别训练一个“vanilla”模型和预训练模型、比较结果，于是我对预训练的效果、性质有了更直观的了解。

224n是怎么来的？

话说斯坦福一年有4个学期，这么火的课为什么只有冬季学期开呢？这里我想偏个题，讲讲我校NLP组的特点。Chris Manning教这门课已经20多年了，他算是NLP领域开山鼻祖级别的人物，224n课程材料里有讲到他自己发明的技术（比如 GloVe），这是件很神奇的事！

但显然，他是位大忙人，手下有十几位PhD学生，没有精力每学期都教NLP。Stanford NLP组另外3位主要的教授可能也没有时间来教224n：Dan要教CS124（低阶NLP课），Percy要教CS221（人工智能），Potts要教CS224U（自然语言理解）。

Stanford NLP组只有4 ~ 7位教授，相比之下，CMU的LTI（Language Technologies Institute）有30位教授，其中不少大方向都是做NLP的科研，人手要多得多。因此CMU在NLP方面的课程多样得多，除了NLP以外，机器翻译、问答系统、搜索引擎等等，都有专门的课（羡慕脸）。

NLP很大，可惜时间太少

好了，回到224n。像我们Quarter制（4学期制）的学校，一学期是11周，今年由于疫情，学期强行缩减到10周，时间更加紧张。这么短的时间里要塞进整个NLP的内容，显然不可能，所以NLP里很多任务，如信息抽取、对话系统，课程里都没有涉及到（当然124、224U有补充一些概念）。也许224n可以像Data Mining一样，概念部分是一节课（CS 246），Project专门另外一节课来做（CS 341），可能就不用这么赶时间了。

同时，由于时间限制、科技趋势，课程里偏语言学的概念也越来越少。前面有提到，核心课程里唯一比较硬核Linguistics的内容是Dependency Parsing。19年的公开课里Manning花了一节讲Constituency Parsing，今年这节课已被其他内容取代，以后可能也不会再讲这个概念了，有些令人唏嘘。

我第一次接触NLP，应该是读吴军老师的《数学之美》，当初花了不少功夫理解信息论、隐马尔可夫、TF-IDF、分词等等概念，但是224n完全没有涉及它们。这本书是2014年写的，也许其中一些概念在这个BERT的时代已经变得不太相关了吧，真是让人感叹技术迭代的速度之快啊。

完成了前半学期的学习，大家也准备好肝Final Project啦！224n的重头戏还在后半学期，下篇文章会更精彩哦！

后台回复关键词【入群】

加入卖萌屋NLP/IR/Rec与求职讨论群

后台回复关键词【顶会】

获取ACL、CIKM等各大顶会论文集！