作者：韩信子@ShowMeAI，路遥@ShowMeAI，奇异果@ShowMeAI

教程地址：http://www.showmeai.tech/tutorials/36

本文地址：http://www.showmeai.tech/article-detail/235

声明：版权所有，转载请联系平台与作者并注明出处

收藏ShowMeAI查看更多精彩内容

ShowMeAI为斯坦福CS224n《自然语言处理与深度学习(Natural Language Processing with Deep Learning)》课程的全部课件，做了中文翻译和注释，并制作成了GIF动图！

本讲内容的深度总结教程可以在这里 查看。视频和课件等资料的获取方式见文末。

引言

CS224n是顶级院校斯坦福出品的深度学习与自然语言处理方向专业课程。核心内容覆盖RNN、LSTM、CNN、transformer、bert、问答、摘要、文本生成、语言模型、阅读理解等前沿内容。

本篇是ShowMeAI对第3课的内容梳理，内容主要是对神经网络知识回顾，会基于NLP的场景做一点结合讲解。

本篇内容覆盖

• 神经网络基础
• 命名实体识别
• 基于窗口数据的预测
• 基于pytorch实现的分类器

1. 神经网络基础

1.1 分类问题基础

对于分类问题，我们有训练数据集：它由一些样本组成 \{x_i, y_i\}_{i=1}^{N}

• x_i 是输入，例如单词(索引或是向量)，句子，文档等等(维度为 d )
• y_i 是我们尝试预测的标签( C 个类别中的一个)，例如：
• 类别：感情，命名实体，购买/售出的决定
• 其他单词
• 多词序列( 之后会提到)

1.2 分类问题直观理解

训练数据 \{x_i, y_i\}_{i=1}^{N} ，用一个最简单的2维词向量分类问题作为案例，使用softmax / logistic回归，构建线性决策边界

• 传统的机器学习/统计学方法：

假设 x_i 是固定的，训练 softmax/logistic 回归的权重 W \in R^{C \times d} 来决定决定边界(超平面)

预测阶段，对每个 x ，预测:

1.3 softmax分类器的细节

我们可以将预测函数分为两个步骤：

• 将 W 的 y^{th} 行和 x 中的对应行相乘得到分数：

• 对  c=1, \cdots ,C ，计算 f_c
• 使用softmax函数获得归一化的概率：

1.4 softmax和交叉熵损失

在softmax分类器中最常用到交叉熵损失，也是负对数概率形态。

对于每个训练样本 (x,y) ，我们的目标是最大化正确类 y 的概率，或者我们可以最小化该类的负对数概率

使用对数概率将我们的目标函数转换为求和形态，这更容易在推导和应用中使用。

1.5 交叉熵损失理解

交叉熵的概念来源于信息论，衡量两个分布之间的差异

• 令真实概率分布为 p ，我们计算的模型概率分布为 q
• 交叉熵为

假设标准答案的概率分布是，在正确的类上为 1 ，在其他类别上为 0 ：

因为 p 是独热向量，所以唯一剩下的项是真实类的负对数概率。

1.6 完整数据集上的分类

在整个数据集 \{x_i , y_i \}_{(i=1)}^N 上的交叉熵损失函数，是所有样本的交叉熵的均值

不使用 f_y=f_y(x)=W_y \cdot x=\sum_{j=1}^{d} W_{yj} x_j ，而是使用向量化的形态，基于矩阵来表示 f:f=Wx 。

1.7 传统的机器学习优化算法

对于传统的机器学习算法（如逻辑回归）来说，一般机器学习的参数 \theta 通常只由 W 的列组成

\theta=\left[\begin{array}{c}{W_{\cdot 1}} \\ {\vdots} \\ {W_{\cdot d}}\end{array}\right]=W( :) \in \mathbb{R}^{C d}

因此，我们只通过以下方式更新决策边界

1.8 神经网络分类器

• 单独使用线性分类器Softmax( ≈ logistic回归)并不十分强大
• 如上图所示，Softmax得到的是线性决策边界
  • 对于复杂问题来说，它的表达能力是有限的
  • 有一些分错的点，需要更强的非线性表达能力来区分

1.9 神经网络非线性切分

• 神经网络可以学习更复杂的函数和非线性决策边界
• tip ：更高级的分类需要
  • 词向量
  • 更深层次的深层神经网络

1.10 基于词向量的分类差异

• 一般在NLP深度学习中：
• 我们学习了矩阵 W 和词向量 x 。
• 我们学习传统参数和表示。
• 词向量是对独热向量的重新表示——在中间层向量空间中移动它们——以便 (线性)softmax分类器可以更好地分类。
• 即将词向量理解为一层神经网络，输入单词的独热向量并获得单词的词向量表示，并且我们需要对其进行更新。

• 其中， Vd 是数量很大的参数。

1.11 神经计算

• An artificial neuron
• 神经网络有自己的术语包
• 但如果你了解 softmax 模型是如何工作的，那么你就可以很容易地理解神经元的操作
• Neural computation：神经计算
• Neural selectivity：神经选择性
• Hierarchy of neural processing：神经处理层次

1.12 单个神经元：可视作二元逻辑回归单元

• b ：我们可以有一个“总是打开”的特性，它给出一个先验类，或者将它作为一个偏向项分离出来。
• w , b 是神经元的参数。

1.13 一个神经网络：多个逻辑回归组合

• 如果我们输入一个向量通过一系列逻辑回归函数，那么我们得到一个输出向量。
• 但是我们不需要提前决定这些逻辑回归试图预测的变量是什么。

• 我们可以输入另一个logistic回归函数。
• 损失函数将指导中间隐藏变量应该是什么，以便更好地预测下一层的目标。

我们添加更多层的神经网络，就得到了多层感知器。

1.14 单层神经网络的矩阵形态表示

• f(x) 在运算时是 element-wise 逐元素的

1.15 非线性变换的必要性

• 例如：函数近似，如回归或分类
• 没有非线性，深度神经网络只能做线性变换
• 多个线性变换，也还是组成一个线性变换 W_1 W_2 x=Wx
• 因为线性变换是以某种方式旋转和拉伸空间，多次的旋转和拉伸可以融合为一次线性变换
• 对于非线性函数而言，使用更多的层，他们可以近似更复杂的函数

2.命名实体识别

2.1 命名实体识别(NER)

• 可能的用途
• 跟踪文档中提到的特定实体(组织、个人、地点、歌曲名、电影名等)
• 对于问题回答，答案通常是命名实体
• 许多需要的信息实际上是命名实体之间的关联
• 同样的技术可以扩展到其他 slot-filling 槽填充分类
• 通常后面是命名实体链接/规范化到知识库

2.2 句子中的命名实体识别

我们通过在上下文中对单词进行分类，然后将实体提取为单词子序列来预测实体。

2.3 NER的难点

• 很难计算出实体的边界
  • 第一个实体是 “First National Bank” 还是 “National Bank”
• 很难知道某物是否是一个实体
  • 是一所名为“Future School” 的学校，还是这是一所未来的学校？
• 很难知道未知/新奇实体的类别
  • “Zig Ziglar” ? 一个人
• 实体类是模糊的，依赖于上下文
  • 这里的“Charles Schwab” 是 PER 不是 ORG

3.基于窗口数据的分类预测

3.1. 词-窗分类

• 思路：为在上下文中的语言构建分类器
  • 一般来说，很少对单个单词进行分类
• 例如，上下文中一个单词的命名实体分类
  • 人、地点、组织、没有
• 在上下文中对单词进行分类的一个简单方法，可能是对窗口中的单词向量进行平均，并对平均向量进行分类
  • 问题：这会丢失位置信息

3.2 窗口分类器：softmax

• 训练softmax分类器对中心词进行分类，方法是在一个窗口内将中心词周围的词向量串联起来
• 例子：在这句话的上下文中对“Paris”进行分类，窗口长度为2
• 结果向量 x_{window}=x \in R^{5d} 是一个列向量

3.3 最简单的窗口分类器：Softmax

对于 x=x_{window} ，我们可以使用与之前相同的softmax分类器

如何更新向量？

• 简而言之：就像之前讲的那样，求导和优化

3.4 稍微复杂一点：多层感知器

• 假设我们要对中心词是否为一个地点，进行分类
• 与word2vec类似，我们将遍历语料库中的所有位置。但这一次，它将受到监督，只有一些位置能够得到高分。
• 例如，在他们的中心有一个实际的NER Location的位置是“真实的”位置会获得高分

3.5 神经网络前馈计算

使用神经激活 a 简单地给出一个非标准化的分数

我们用一个三层神经网络计算一个窗口的得分

• x \in \mathbb{R}^{20 \times 1}
• W \in \mathbb{R}^{8 \times 20}
• U \in \mathbb{R}^{8 \times 1}

之前的例子

3.6 附加层

中间层学习输入词向量之间的非线性交互

例如：只有当“museum”是第一个向量时，“in”放在第二个位置才重要

4.基于pytorch实现的分类器

4.1 使用合页损失替换

关于训练目标的想法：让真实窗口的得分更高，而其他窗口的得分更低(直到足够好为止)

$ >$ s_c = score(Not \quad all \quad museums \quad in \quad Paris) $$

最小化： J=max(0,1-s+s_c)

这是不可微的，但它是连续的 → 我们可以用SGD

补充解析

• 单窗口的目标函数为 J=max(0,1-s+s_c)
• 每个中心有NER位置的窗口的得分应该比中心没有位置的窗口高1分
• 要获得完整的目标函数：为每个真窗口采样几个损坏的窗口。对所有训练样本窗口求和
• 类似于word2vec中的负抽样

4.2 随机梯度下降

• \alpha 是 步长或是学习率

4.3 课堂手推

5.视频教程

可以点击 B站 查看视频的【双语字幕】版本

6.参考资料

• 本讲带学的在线阅翻页本
• 《斯坦福CS224n深度学习与自然语言处理》课程学习指南
• 《斯坦福CS224n深度学习与自然语言处理》课程大作业解析
• 【双语字幕视频】斯坦福CS224n | 深度学习与自然语言处理(2019·全20讲)
• Stanford官网 | CS224n: Natural Language Processing with Deep Learning