【自然语言处理 | Transformers】Transformers 常见算法介绍合集（一）

╰半橙微兮° 2023-10-16 09:36 63阅读 0赞

#### 文章目录 ####

*   *  一、Transformer
     *  二、BERT
     *  三、GPT-3
     *  四、RoBERTa
     *  五、GPT-2
     *  六、T5
     *  七、GPT
     *  八、BART
     *  九、XLNet
     *  十、ALBERT

Transformer 是一种神经网络架构，具有多种属性，使其能够有效地对具有远程依赖性的数据进行建模。 它们通常具有多头注意力机制、残差连接、层归一化、前馈连接和位置嵌入的组合。

### 一、Transformer ###

Transformer 是一种模型架构，它避免重复，而是完全依赖注意力机制来绘制输入和输出之间的全局依赖关系。 在《变形金刚》出现之前，主要的序列转导模型基于复杂的循环或卷积神经网络，其中包括编码器和解码器。 Transformer 还采用了编码器和解码器，但为了支持注意力机制而消除了循环，与 RNN 和 CNN 等方法相比，可以实现显着更高的并行化。

![在这里插入图片描述][ad9cd063ec4c40c298b04699fb3b1140.png]

### 二、BERT ###

BERT（即 Transformer 的双向编码器表示）通过使用掩码语言模型 (MLM) 预训练目标消除单向性约束，对标准 Transformer 进行了改进。 屏蔽语言模型随机屏蔽输入中的一些标记，目标是仅根据上下文来预测屏蔽词的原始词汇 ID。 与从左到右的语言模型预训练不同，MLM 目标使表示能够融合左右上下文，这使我们能够预训练深度双向 Transformer。 除了掩码语言模型之外，BERT 还使用联合预训练文本对表示的下一句预测任务。

BERT有两个步骤：预训练和微调。 在预训练期间，模型在不同的预训练任务中使用未标记的数据进行训练。 为了进行微调，首先使用预训练的参数初始化 BERT 模型，然后使用来自下游任务的标记数据对所有参数进行微调。 每个下游任务都有单独的微调模型，即使它们是使用相同的预训练参数进行初始化的。

![在这里插入图片描述][bdf4575e6d5542ca8ae43954fc203491.png]

### 三、GPT-3 ###

GPT-3 是一个自回归 Transformer 模型，拥有 1750 亿个参数。 它使用与 GPT-2 相同的架构/模型，包括修改后的初始化、预归一化和可逆标记化，但 GPT-3 在变压器层中使用交替密集和局部带状稀疏注意力模式，类似于 稀疏变压器。

![在这里插入图片描述][a97a8f4cfcab4b1a823cbcff8645d088.png]

### 四、RoBERTa ###

RoBERTa 是 BERT 的扩展，对预训练过程进行了更改。 修改内容包括：

使用更多数据、更大批次、更长时间地训练模型  
删除下一个句子的预测目标  
较长序列的训练  
动态改变应用于训练数据的掩蔽模式。 作者还收集了一个大型的新数据集（CC-NEWS）与其他私人使用的数据集大小相当，以更好地控制训练集大小的影响

![在这里插入图片描述][ce73216856024950803fe92eec0d4754.png]

### 五、GPT-2 ###

GPT-2 是一种 Transformer 架构，在发布时以其规模（15 亿个参数）而闻名。 该模型在 WebText 数据集（来自 4500 万个网站链接的文本）上进行了预训练。 它很大程度上沿袭了之前的 GPT 架构，但做了一些修改：

层归一化被移至每个子块的输入，类似于预激活残差网络，并且在最终自注意力块之后添加了额外的层归一化。

使用了修改后的初始化，该初始化考虑了残差路径上随模型深度的累积。

词汇量扩大到50,257个。 上下文大小从 512 个令牌扩展到 1024 个令牌，并且使用了更大的批量大小 512。

![在这里插入图片描述][9c5abcce1c1e4a4590ee100c09df8417.png]

### 六、T5 ###

T5（即文本到文本传输转换器）是一种基于转换器的架构，使用文本到文本的方法。 每项任务（包括翻译、问答和分类）都被视为将模型文本作为输入并训练它生成一些目标文本。 这允许在我们不同的任务集中使用相同的模型、损失函数、超参数等。 与 BERT 相比的变化包括：

在双向架构中添加因果解码器。  
用替代预训练任务的组合取代填空完形填空任务。

![在这里插入图片描述][db0f4b72567f494d9be998f72ec27ac9.png]

### 七、GPT ###

GPT 是一种基于 Transformer 的架构和训练程序，用于自然语言处理任务。 培训遵循两个阶段的程序。 首先，在未标记的数据上使用语言建模目标来学习神经网络模型的初始参数。 随后，使用相应的监督目标使这些参数适应目标任务。

![在这里插入图片描述][cb077b62363b4601927b90489dac19d3.png]

### 八、BART ###

BART 是一种用于预训练序列到序列模型的去噪自动编码器。 它的训练方式是：(1) 使用任意噪声函数破坏文本，以及 (2) 学习模型来重建原始文本。 它使用标准的基于 Transformer 的神经机器翻译架构。 它使用标准的 seq2seq/NMT 架构，带有双向编码器（如 BERT）和从左到右的解码器（如 GPT）。 这意味着编码器的注意力掩模是完全可见的，如 BERT，而解码器的注意力掩模是因果的，如 GPT2。

![在这里插入图片描述][23c5a332edc747b9827e0ef09220ede4.png]

### 九、XLNet ###

XLNet 是一种自回归 Transformer，它充分利用了自回归语言建模和自动编码的优点，同时试图避免它们的局限性。 XLNet 不像传统自回归模型那样使用固定的前向或后向分解顺序，而是最大化序列的预期对数似然。 因式分解顺序的所有可能排列。 由于排列操作，每个位置的上下文可以由来自左侧和右侧的标记组成。 在预期中，每个位置都会学习利用来自所有位置的上下文信息，即捕获双向上下文。

此外，受自回归语言建模最新进展的启发，XLNet将Transformer-XL的分段递归机制和相对编码方案集成到预训练中，从经验上提高了性能，特别是对于涉及较长文本序列的任务。

![在这里插入图片描述][899c6c58bd0d4922b17f14ee15cf6363.png]

### 十、ALBERT ###

ALBERT 是基于 BERT 的 Transformer 架构，但参数少得多。 它通过两种参数减少技术来实现这一点。 第一个是分解嵌入参数化。 通过将大词汇嵌入矩阵分解为两个小矩阵，将隐藏层的大小与词汇嵌入的大小分开。 这使得在不显着增加词汇嵌入的参数大小的情况下更容易增加隐藏大小。 第二种技术是跨层参数共享。 这种技术可以防止参数随着网络深度的增长而增长。

此外，ALBERT 利用自监督损失进行句子顺序预测 (SOP)。 SOP主要关注句子间的连贯性，旨在解决原始BERT中提出的下一句预测（NSP）损失的无效问题。

![在这里插入图片描述][1ecd853803014ab3ad183ce783942bf7.png]

[ad9cd063ec4c40c298b04699fb3b1140.png]: https://img-blog.csdnimg.cn/ad9cd063ec4c40c298b04699fb3b1140.png
[bdf4575e6d5542ca8ae43954fc203491.png]: https://img-blog.csdnimg.cn/bdf4575e6d5542ca8ae43954fc203491.png
[a97a8f4cfcab4b1a823cbcff8645d088.png]: https://img-blog.csdnimg.cn/a97a8f4cfcab4b1a823cbcff8645d088.png
[ce73216856024950803fe92eec0d4754.png]: https://img-blog.csdnimg.cn/ce73216856024950803fe92eec0d4754.png
[9c5abcce1c1e4a4590ee100c09df8417.png]: https://img-blog.csdnimg.cn/9c5abcce1c1e4a4590ee100c09df8417.png
[db0f4b72567f494d9be998f72ec27ac9.png]: https://img-blog.csdnimg.cn/db0f4b72567f494d9be998f72ec27ac9.png
[cb077b62363b4601927b90489dac19d3.png]: https://img-blog.csdnimg.cn/cb077b62363b4601927b90489dac19d3.png
[23c5a332edc747b9827e0ef09220ede4.png]: https://img-blog.csdnimg.cn/23c5a332edc747b9827e0ef09220ede4.png
[899c6c58bd0d4922b17f14ee15cf6363.png]: https://img-blog.csdnimg.cn/899c6c58bd0d4922b17f14ee15cf6363.png
[1ecd853803014ab3ad183ce783942bf7.png]: https://img-blog.csdnimg.cn/1ecd853803014ab3ad183ce783942bf7.png