OpenAI最近似乎搞了個大新聞，隨手一搜，”最大模型”、”15億參數(shù)”、”無需領(lǐng)域數(shù)據(jù)”等等躍然在目。當然現(xiàn)在是標題黨的年代，為了吸引眼球，外行媒體的夸張手法也能理解。當然最大的爭議還是他們在官網(wǎng)上解釋為什么只提供小模型的理由：為了防止大模型用于生成欺詐和有歧視性的文章，我們只發(fā)布小規(guī)模的模型(Due to concerns about large language models being used to generate deceptive, biased, or abusive language at scale, we are only releasing a much smaller version of GPT-2 along with sampling code)。這個當然引起了軒然大波，使得很多人在Reddit上吐槽。聽這語氣，人工智能已經(jīng)實現(xiàn)了，為了保護人類，他們不能把這個惡魔放出來。實際情況怎么樣呢？別聽專家的，最好還是我們自己讀讀論文跑跑代碼吧。
目錄
背景簡介
BERT的缺陷
語言模型
Children’s Book
LAMBADA
Winograd Schema Challenge
Reading Comprehension
Summarization
機器翻譯
Question Answering
大翻盤
代碼
背景簡介
2018年深度學(xué)習在NLP領(lǐng)域取得了比較大的突破，最大的新聞當屬Google的BERT模型橫掃各大比賽的排行榜。作者認為，深度學(xué)習在NLP領(lǐng)域比較重點的三大突破為：Word Embedding、RNN/LSTM/GRU+Seq2Seq+Attention+Self-Attention機制和Contextual Word Embedding(Universal Sentence Embedding)。
Word Embedding解決了傳統(tǒng)機器學(xué)習方法的特征稀疏問題，它通過把一個詞映射到一個低維稠密的語義空間，從而使得相似的詞可以共享上下文信息，從而提升泛化能力。而且通過無監(jiān)督的訓(xùn)練可以獲得高質(zhì)量的詞向量(比如Word2vec和Glove等方法)，從而把這些語義知識遷移到數(shù)據(jù)較少的具體任務(wù)上。但是Word Embedding學(xué)到的是一個詞的所有語義，比如bank可以是”銀行”也可以是”水邊。如果一定要用一個固定的向量來編碼其語義，那么我們只能把這兩個詞的語義都編碼進去，但是實際一個句子中只有一個語義是合理的，這顯然是有問題的。
這時我們可以通過RNN/LSTM/GRU來編碼上下文的語義，這樣它能學(xué)到如果周圍是money，那么bank更可能是”銀行”的語義。最原始的RNN由于梯度消失和梯度爆炸等問題很難訓(xùn)練，后來引入了LSTM和GRU等模型來解決這個問題。最早的RNN只能用于分類、回歸和序列標注等任務(wù)，通過引入兩個RNN構(gòu)成的Seq2Seq模型可以解決序列的變換問題。比如機器翻譯、摘要、問答和對話系統(tǒng)都可以使用這個模型。尤其機器翻譯這個任務(wù)的訓(xùn)練數(shù)據(jù)比較大，使用深度學(xué)習的方法的效果已經(jīng)超過傳統(tǒng)的機器學(xué)習方法，而且模型結(jié)構(gòu)更加簡單。到了2017年，Google提出了Transformer模型，引入了Self-Attention。Self-Attention的初衷是為了用Attention替代LSTM，從而可以更好的并行(因為LSTM的時序依賴特效很難并行)，從而可以處理更大規(guī)模的語料。Transformer出來之后被廣泛的用于以前被RNN/LSTM/GRU霸占的地盤，Google更是在Transformer的論文里使用”Attention is all you need”這樣霸氣的標題。現(xiàn)在Transformer已經(jīng)成為Encoder/Decoder的霸主。
雖然RNN可以學(xué)到上下文的信息，但是這些上下文的語義是需要通過特定任務(wù)的標注數(shù)據(jù)使用來有監(jiān)督的學(xué)習。很多任務(wù)的訓(xùn)練數(shù)據(jù)非常少并且獲取成本很高，因此在實際任務(wù)中RNN很難學(xué)到復(fù)雜的語義關(guān)系。當然通過Multi-Task Learning，我們可以利用其它相關(guān)任務(wù)的數(shù)據(jù)。比如我們要做文本分類，我們可以利用機器翻譯的訓(xùn)練數(shù)據(jù)，通過同時優(yōu)化兩個(多個)目標，讓模型同時學(xué)到兩個任務(wù)上的語義信息，因為這兩個任務(wù)肯定是共享很多基礎(chǔ)語義信息的，所以它的效果要比單個任務(wù)好。但即使這樣，標注的數(shù)據(jù)量還是非常有限的。
因此2018年的研究熱點就變成了怎么利用無監(jiān)督的數(shù)據(jù)學(xué)習Contextual Word Embedding(也叫做Universal Sentence Embedding)，也就是通過無監(jiān)督的方法，讓模型能夠?qū)W到一個詞在不同上下文的不同語義表示方法。當然這個想法很早就有了，比如2015年的Skip Thought Vector，但是它只使用了BookCorpus，這只有一萬多本書，七千多萬個句子，因此效果并沒有太明顯的提升。
在BERT之前比較大的進展是ELMo、ULMFiT和OpenAI GPT。尤其是OpenAI GPT，它在BERT出現(xiàn)之前已經(jīng)橫掃過各大排行榜一次了，當然Google的BERT又橫掃了一次，并且PR效果更加明顯。所以O(shè)penAI看風頭都被Google強勁，自然有些羨慕嫉妒恨，也就有了今天我們要討論的OpenAI GPT-2。
UMLFiT比較復(fù)雜，而且效果也不是特別好，我們暫且不提。ELMo和OpenAI GPT的思想其實非常非常簡單，就是用海量的無標注數(shù)據(jù)學(xué)習語言模型，在學(xué)習語言模型的過程中自然而然的就學(xué)到了上下文的語義關(guān)系。它們倆都是使用Transformer來學(xué)習語言模型，但是在進行下游任務(wù)處理的時候就有所不同，ELMo是把它當成特征。拿分類任務(wù)來說，輸入一個句子，用ELMo把它掃一次，這樣就可以得到每個詞的表示，這個表示是考慮上下文的，因此”He deposited his money in this bank”和”His soldiers were arrayed along the river bank”中的兩個bank的向量是不同的。下游任務(wù)用這些向量來做分類，它會增加一些網(wǎng)絡(luò)層，但是ELMo語言模型的參數(shù)是固定的。而OpenAI GPT不同，它直接用特定任務(wù)來Fine-Tuning Transformer的參數(shù)。因為用特定任務(wù)的數(shù)據(jù)來調(diào)整Transformer的參數(shù)，這樣它更可能學(xué)習到與這個任務(wù)特定的上下文語義關(guān)系，因此效果也更好。
而BERT和OpenAI GPT的方法類似，也是Fine-Tuning的思路，但是它解決了OpenAI GPT(包括ELMo)單向信息流的問題，同時它的模型和語料庫也更大。依賴Google強大的計算能力和工程能力，BERT橫掃了OpenAI GPT，在后者霸主寶座屁股還沒坐熱的時候就把它趕下臺。成王敗寇，再加上Google的PR能力，很少還有人記得OpenAI GPT的貢獻了。要說BERT的學(xué)術(shù)貢獻，最多是利用了Mask LM(這個模型在上世紀就存在了)和Predicting Next Sentence這個Multi-task Learning而已，其余的方法都是完全follow OpenAI GPT的。因此OpenAI心情郁悶也就可以理解了，這次搞出個GPT-2也是想出來露個臉，刷一下存在感。
更多技術(shù)細節(jié)，有興趣的讀者可以參考詳解谷歌最強NLP模型BERT或者參與作者的BERT課程。地址：http://fancyerii.github.io/2019/03/05/bert-prerequisites/
BERT的缺陷
如果你是OpenAI GPT的科學(xué)家，你會怎么辦呢？當然如果能提出一個更加突破性的模型，然后在各大比賽上橫掃BERT，這自然是最理想的。但是學(xué)術(shù)研究又不能像媒體宣傳的那樣天天突破(作者訂閱的各種公眾號倒是每天都能看到突破，因此經(jīng)常被震驚)，要拼資源和算力那顯然拼不過Google。其實除了OpenAI，其它公司也想搞點新聞，比如Microsoft最近搞了個MT-DNN，據(jù)說效果要比BERT好(一點)，但是由于好的有限，而且有沒有源代碼甚至模型，誰知道是不是用tricky的方法過擬合這些數(shù)據(jù)集呢？
我們回到OpenAI，顯然短期類無法超過BERT，Google開源的BERT模型橫掃了其它更多榜單，仿佛挑釁般的對其他對手說：不服你跑個分啊。被當面打臉，顯然很郁悶。那怎么辦呢？OpenAI的科學(xué)家突然找到了BERT模型的一個弱點——它不是”正常的”語言模型，因此不能生成句子。BERT的Mask LM只能用來做完形填空題，也就是用手遮住一個句子的某個單詞，然后讓它猜哪個詞更可能，但是普通的語言模型是可以生成句子的。抓住這個點之后，OpenAI大作文章。它使用Common Crawl的8百萬文章(共40GB，不知道是否壓縮過)訓(xùn)練了一個15億(1542M)參數(shù)的”最大模型”，不過參數(shù)雖然很多，但是訓(xùn)練數(shù)據(jù)確實有點少。作者訓(xùn)練個中文詞向量還得搞個幾千萬的百科文章，Google的數(shù)據(jù)那得用TB來做單位吧。因此作者在文中強調(diào)模型是underfit的(All models still underfit Web-Text and held-out perplexity has as of yet improved givenmore training time.)，參數(shù)多，數(shù)據(jù)少，那自然不能訓(xùn)練太久，否則過擬合后效果更差(但是生成句子過擬合無所謂，直接把莎士比亞全集的句子背出來肯定能震驚很多人)。訓(xùn)練了這個模型用來刷榜？我猜測作者嘗試過，結(jié)果呢？那自然就不用說了，否則我們看到的就不是現(xiàn)在的這個新聞了。
不過沒關(guān)系，他們的目標是BERT的軟肋——不能生成句子(段落和篇章當然就更不行了)。我們來看看論文的實驗是怎么設(shè)計的：
語言模型
BERT不是普通的語言模型吧，好，那咱們來PK一下(你是零分啊)。但是用Transformer去跑語言模型這樣的灌水文章別人早發(fā)過了，沒啥意思。因此要搞出一個Zero-shot的概念：你們在一個很小的語料庫訓(xùn)練一個語言模型然后大家比賽，俺不這么跟你玩。俺用很大的語料訓(xùn)練一個模型，然后不用你的數(shù)據(jù)，效果還能超過你們在小數(shù)據(jù)上的效果。
當然這個概念還是不錯的，結(jié)果如下圖所示。
圖：不同數(shù)據(jù)集上語言模型的PPL，越小越好
我們看到，除了最后一個1BW的很大的語料庫，OpenAI都超過了它們。其實這也說明了，如果有很多的領(lǐng)域數(shù)據(jù)，還是領(lǐng)域數(shù)據(jù)好使，這在機器翻譯系統(tǒng)里也得到了驗證。如果訓(xùn)練數(shù)據(jù)較少，我們通常使用預(yù)訓(xùn)練的詞向量作為模型詞向量的初始值。如果訓(xùn)練數(shù)據(jù)非常少，我們通常固定預(yù)訓(xùn)練的詞向量；如果訓(xùn)練數(shù)據(jù)還可以，那么就Fine-Tuning一下。如果訓(xùn)練數(shù)據(jù)很多，比如在機器翻譯任務(wù)里，預(yù)訓(xùn)練的詞向量和隨機初始化的效果沒什么區(qū)別(開始的時候好一點，因為比較是相對較好的初始值)。
Children’s Book
類似于完型填空，其實BERT是可以搞的。但是NLP的比賽那么多，Google總不能都做完吧。國內(nèi)很多AI公司天天發(fā)PR稿：我們又獲得了一個世界第一。其實很多外行的讀者并不知道這個比賽只有5個參數(shù)選手，可能其中2個還是某個在校學(xué)生擠出周末打游戲的時間去做的。
圖：Children’s Book任務(wù)
效果似乎還不錯，離人類的水平相差不遠。
LAMBADA
PPL從99.8降到8.6，測試的準確率從19%提高到52.66%。作者不了解這個比賽，不做點評。
Winograd Schema Challenge
63%到70.7%，似乎還不錯。作者也不了解這個比賽，不做點評。
Reading Comprehension
這是最近很火的比賽類型，有很多數(shù)據(jù)集，這里使用的是CoQA，BERT的baseline是89的F1得分(越大越好)，GPT-2的得分是55。這似乎差得太遠啊，但是作者有高大上的解釋：BERT是用來監(jiān)督數(shù)據(jù)的，俺們不用訓(xùn)練數(shù)據(jù)。有點像考試不及格的學(xué)渣對學(xué)霸說，雖然你得了89分，但是你天天熬夜背題，俺天天翹課也差點及格了，說明俺比你有天賦。學(xué)霸說：那你也天天熬夜背題啊，看看能不能跑分跑過我？學(xué)渣說：俺們是搞素質(zhì)教育的，不搞題海戰(zhàn)術(shù)。
Summarization
摘要任務(wù)，分越高越好，成績單如下：
圖：Children’s Book任務(wù)
機器翻譯
SOTA的BLEU分(越高越好)33.5，俺不學(xué)習也得了11.5。
Question Answering
無監(jiān)督的效果慘不忍睹。
大翻盤
這是最終大殺器，咱們來PK生成文章了。論文附錄挑選了許多生成的”故事”，作者英語比較差，看不出好壞來。學(xué)術(shù)界最近對產(chǎn)生式(Generative)模型非常感興趣，尤其是在圖像和視覺領(lǐng)域。不過作者對此并不感興趣，作者是實用主義者，生成花里胡哨的東西并不能解決實際的問題。大家上網(wǎng)隨便一搜，都能找到各種作詩機器人、對聯(lián)機器人或者生成某些名人風格的文字?？雌饋砀衤蓢乐攲φ坦ふ鋵嵍际呛翢o意義。當然，也不是說生成的模型完全無用，比如Gmail用模型自動生成郵件的回復(fù)，作者試了一下還不錯。不管怎么說，OpenAI是扳回一城了，因此也就有了鋪天蓋地的新聞出來。
代碼
因為沒有中文模型，只能跑英文，所以作者這三腳貓的英語水平還是藏拙的好，就不做點評了。讀者可以自己試試。
git clone https://github.com/openai/gpt-2.git && cd gpt-2
需要安裝Tensorflow 1.12.0(作者試了1.11也是可以的，因為BERT的官方實現(xiàn)要求1.11+)：
pip3 install tensorflow==1.12.0
安裝其它依賴：
pip3 install -r requirements.txt
下載模型：
python3 download_model.py 117M
因為模型放在storage.googleapis.com，所以需要科學(xué)上網(wǎng)，可以這樣修改代碼，請把”127.0.0.1:1080”改成你自己的代理：
$ git diffdiff --git a/download_model.py b/download_model.pyindex 2a38294..83d6fb8 100644--- a/download_model.py+++ b/download_model.py@@ -15,7 +15,11 @@ if not os.path.exists(subdir): for filename in ['checkpoint','encoder.json','hparams.json','model.ckpt.data-00000-of-00001', 'model.ckpt.index', 'model.ckpt.meta', 'vocab.bpe']: - r = requests.get("https://storage.googleapis.com/gpt-2/" + subdir + "/" + filename, stream=True)+ proxies = {+ 'http': 'http://127.0.0.1:1080',+ 'https': 'http://127.0.0.1:1080',+ }+ r = requests.get("https://storage.googleapis.com/gpt-2/" + subdir + "/" + filename, stream=True, proxies=proxies) with open(os.path.join(subdir, filename), 'wb') as f:
使用前需要設(shè)置編碼：
export PYTHONIOENCODING=UTF-8
申請創(chuàng)業(yè)報道，分享創(chuàng)業(yè)好點子。點擊此處，共同探討創(chuàng)業(yè)新機遇！
