Tag Archives: Word embedding

AI talk 最常被提到的口號：“Data is the King”. 確實 AI 發展最快的幾個領域如 recommendation system (cloud), computer vision (cloud/edge), and NLP (cloud/edge) 都有巨量 dataset: labeled or unlabeled, public or private. 相形之下，voice, industrial/scientific/medical (ISM), etc. 進展比較慢。除了 data 相對比較少，還有其他的原因。 以 NLP 為例，NLP 中有各種各樣的任務，比如分類 (Classification)，翻譯 (translation)，問答（QA），實體命名識別（NER）等。對於這些不同的任務，最早的做法是根據每類任務定制不同的模型，輸入預訓練好的embedding，然後利用特定任務的數據集對模型進行訓練，如下圖。這裡存在的問題就是，不是每個特定任務都有大量的標籤數據可供訓練，對於那些數據集非常小的任務，恐怕就難以得到一個理想的模型。 我們看一下圖像領域是如何解決這個問題的。圖像分類是計算機視覺中最基本的任務，當我要解決一個小數據集的圖像分類任務時，該怎麼做？CV領域已經有了一套成熟的解決方案。我會用一個通用的網絡模型，比如Vgg，ResNet或者GoogleNet，在ImageNet上做預訓練（pre-training）。ImageNet有1400萬張有標注的圖片，包含1000個類別，這樣的數據規模足以訓練出一個規模龐大的模型。在訓練過程中，模型會不斷的學習如何提取特徵，底層的CNN網絡結構會提取邊緣，角，點等通用特徵，模型越往上走，提取的特徵也越抽象，與特定的任務更加相關。當完成預訓練之後，根據我自己的分類任務，調整最上層的網絡結構，然後在小數據集里對模型進行訓練。在訓練時，可以固定住底層的模型參數只訓練頂層的參數，也可以對整個模型進行訓練，這個過程叫做微調（fine-tuning），最終得到一個可用的模型。 總結一下，整個過程包括兩步，拿一個通用模型在ImageNet上做預訓練（pre-training），然後針對特定任務進行微調（fine-tuning），完美解決了特定任務數據不足的問題。還有一個好處是，對於各種各樣的任務都不再需要從頭開始訓練網絡，可以直接拿預訓練好的結果進行微調，既減少了訓練計算量的負擔，也減少了人工標注數據的負擔。 A good reference of NLP. [@zhangTransformerBERT2019] Pre-trained network 例如 ResNet 或是 MobileNet 可以做為特徵提取的骨幹，用於各類的圖像任務。像是下圖的 object …

Continue reading “NLP #1: 自然語言處理簡介”