E. 深度学习 — 其他

Pointer Network

• 概述
  • Pointer Networks正是通过对Attention Mechanism的简化而得到的。
• 问题
  • 传统seq2seq模型来说，它的输出词汇表已经限定，当输入序列的长度变化的时候（如变为10个点）它根本无法预测大于4的数字
• 实现
  • 初始化Key1值
  • 使用RNN把所有的输入跑一遍
  • 通过softmax，获取一个输入，作为当前这次迭代选中的点
  • 通过选中的点，生成key2
  • 回到第二步，直到标记点（End）被选中
• 应用场景
  • 适用场景
    • Pointer Networks特别适合用来直接复制输入序列中的某些元素给输出序列
    • Pointer Networks其实特别适合用于解决OOV（out of vocabulary）问题，或许它可以在NLP的其他任务中被用来解决OOV问题。
  • 使用Pointer-Generator网络的文本摘要方法
  • 机器翻译

Recursive Structure

• 概述
  • Recursive Network是一种RNN的扩展形式，他是空间的展开，且具有树形结构。RNN是一种结构模式。
• 应用场景
  • 情感分析：分析语法结构

ELMO（Embeddings from Language Model）

• 基本框架
  • 基本框架是一个双层的Bi-LSTM，不过在第一层和第二层之间加入了一个残差结构
  • 第一个概率是来自于正向的由左到右的RNN结构，在每一个时刻上的RNN输出（也就是这里的第二层LSTM输出），然后再接一个Softmax层将其变为概率含义，就自然得到了 ；
  • 第二个概率来自反向的由右到左的RNN结构，每一个时刻RNN的输出经过Softmax层后也能得到一个概率大小，表示从某个词的下文推断该词的概率大小。
• 步骤
  • 算出embeddings，有可能是多个
  • 通过权重，把多个embeddings，合并成一个embeddings，权重是通过具体的使用任务学习
• 优势
  • 第一是，CNN能够减少普通做Softmax时全连接层中的必须要有的|V|h的参数规模，只需要保持CNN内部的参数大小即可，而一般来说，CNN中的参数规模都要比|V|h的参数规模小得多；
  • 另一方面，CNN可以解决OOV （Out-of-Vocabulary）问题，这个在翻译问题中尤其头疼；
  • 最后一方面，在预测阶段，CNN对于每一个词向量的计算可以预先做好，更能够减轻inference阶段的计算压力。
• 缺点
  • 模型都过于简单，它们都受限于所使用的模型表征能力，某种意义上都只能得到比较偏上下文共现意义上的词向量，并且也很少考虑过词序对于词的意义的影响（比如CBOW从其名称来看就是一个bag-of-words，在模型的输入中没有词序的概念）。

ULMFit

• 算法流程
  • 分别是在大规模语料集上（比如Wikitext 103，有103million个词）先预训练，
  • 然后再将预训练好的模型在具体任务的数据上重新利用语言模型来finetune一下（这是第一次finetune，叫做LM finetune），
  • 尔后再根据具体任务设计的一个模型上，将预训练好的模型当做这个任务模型的多层，再一次finetune（这是第二次finetune，如果是分类问题的话可以叫做Classifier finetune）

GPT（Generative Pre-Training）

• 概述
  • 预测接下来要做的token
  • 类似 Transformer 的Decoder
• 应用场景
  • 给定前半段，补齐后面的句子
  • 托福翻译
    • Few-shot
    • One-shot
    • Zero-shot
  • 阅读理解
  • 文章摘要

标签：学习,RNN,finetune,---,Softmax,深度,CNN,Pointer,模型
来源： https://blog.csdn.net/micklongen/article/details/120932291