一文串起从NLP到CV 预训练技术和范式演进
本文首發(fā)于微信公眾號：包包算法筆記。包大人班車原創(chuàng)內(nèi)容分享。
主題是深度學習中的預訓練技術(shù)發(fā)展，基本思路是順著CV和NLP雙線的預訓練技術(shù)發(fā)展演進。看他們怎么影響和交織。
序言
會大致的看一下，在2013年，在CNN時代的word2vec，在2020年，Bert的時代的MAE，他們各自的預訓練技術(shù)是在8年之間，從CNN發(fā)展到MAE，以及怎么從word2vec發(fā)展到Bert，各自的思路是怎樣形成以及相互影響的。預訓練技術(shù)的歷史背景是什么，演進路線是什么，各個創(chuàng)新點是什么。為什么transformer作為集大成者，在CV和NLP上最后形成了交織和影響。
開頭和結(jié)尾放同一張圖，分別奠定本文的主線，所有細節(jié)將在后面逐漸展開！
從NLP說起
從預訓練技術(shù)說起，按照時間線，還是講NLP里的word2vec吧，NLP里的有監(jiān)督任務(wù)的范式，可以歸納成如下的樣子。
輸入是字詞序列，中間一步關(guān)鍵的是語義表征，有了語義表征之后，然后交給下游的模型學習。預訓練技術(shù)的發(fā)展，都是在圍繞怎么得到一個好的語義表征（representation）的這一層次，逐漸改進的。
下面我們圍繞表征（representation）這一塊展開講解。
語義表征演進
我們可以把語義表征（representation）的計算，大致將演進路線歸納成如下的樣子。
有兩條路線，分別從網(wǎng)絡(luò)深度和語義理解兩個角度出發(fā)，網(wǎng)絡(luò)越走越深，語義理解越來越深刻，越來越有代表性。
我們粗略的可以把語義表征的計算分為三個階段，分別是：
一、特征工程階段，以詞袋模型為典型代表。
二、淺層表證階段，以word2vec為典型代表。
三、深層表征階段，以基于transformer的Bert為典型代表。
后面我們講仔細講解，演進中解決的關(guān)鍵問題和基本思路。
刀耕火種
首先是詞袋模型，顧名思義，就是一個袋子打包詞，表征計算如下文右邊的籃筐，每個維度統(tǒng)計了文檔中詞的數(shù)量。
這種簡單粗暴的表征有一個問題，就是語義局限與字面相同與否。
人工智能和AI兩個詞，在語義上是有強關(guān)聯(lián)的，但是這個詞袋模型就抓瞎了。
為了解決這個問題，word2vec在2013年被搞出來了。
詞向量
word2vec就是典型學術(shù)的分布式語義表征（distribution representation）的代表，你肯定聽過另外一個名字，詞向量。
嗯詞袋模型的時候，人還真沒把叫做詞向量。頂多算特征工程的一種。在word2vec時候，這種語義表征有了專門的名字。
他的特別是詞的特征表達具有了聚類性質(zhì)和線性性質(zhì)，在一篇文章中，football和baseketball天然聚集。
并且有 國王-女王=男人-女人的奇妙性質(zhì)。（不過這個性質(zhì)后來沒有什么研究了，也沒什么太多的應(yīng)用）
word2vec解決了一個關(guān)鍵的問題，就是語義表征，真的有語義。不局限在字面意思。
但是不要太開心，他還沒有解決一個關(guān)鍵的問題，上下文語義。比如play music和play football，同一個play沒辦法區(qū)分開是打球還是彈琴，他就是玩哎。
語言模型
看了剛才word2vec解決的問題和存在什么問題，你一定想知道，他是怎么做的吧。這里其實說來話長，說word2vec的話，要從語言模型說起。
語言模型就是給你一串文本，讓你猜猜后面的詞是什么，以下面的圖為例。不知道是啥的搜索引擎，在我敲出【語言模型是】的時候，給出了【什么】的預測，這里面就有一定程度語言模型的功勞。
形式化地表達就是算這個東西 P(wi|w1,w2,...wi?1)，其中w是一個詞，根據(jù)輸入的前i-1個詞，預測第i個詞。
NNLM
語言模型除了類似貝葉斯那種統(tǒng)計的方法，有一個路子在這條線里非常重要，就是神經(jīng)語言模型。
下面那個圖，估計你看得云里霧里。不過你可以發(fā)揮一下聰明才智，要是讓你穿越回20年前，讓你做一個輸入法預測的工具，你會怎么做？
跨時代的發(fā)明來了，這個東西是Bengio大神發(fā)明的，真的跨時代，現(xiàn)代NLP，都是這個簡單模型的痕跡。
解釋一下，這是一個基本的MLP網(wǎng)絡(luò)，其中，最下面藍色框是詞的id，然后C是共享的矩陣參數(shù)，查表能到一個詞的
嵌入?yún)?shù)，你這里可以理解為，輸入為詞的onehot表達的MLP網(wǎng)絡(luò)。結(jié)果是一樣的。
在中間經(jīng)過concat后，走一層tanh激活的MLP。softmax激活，得到最大可能性詞的輸出概率。
其中輸出的softmax維度。和詞表V的大小是一樣的，就是在詞匯空間挑一個最大的詞。
嗯，就是一個很簡單的MLP。
其中關(guān)鍵的一步是，Table look up in C，這一步奠定了word2vec的基礎(chǔ)。
這個東西，每個詞對應(yīng)的參數(shù)，掏出來就是詞向量。
只不過在2013年的時候，最后那個詞表對應(yīng)的MLP網(wǎng)絡(luò)實在是太奢侈了，畢竟一個詞表動輒幾十萬，前文就算10個300維的詞向量拼接，
那也是3k*30萬的參數(shù)規(guī)模，實在是太奢侈了。
Word2Vec
word2vec解決了這個關(guān)鍵的問題，并且設(shè)計了兩種語言模型的任務(wù)。
直接大放異彩。
word2vec有兩種任務(wù)，
分別是CBOW和SkipGram，分別對應(yīng)著上下文預測中心詞，和中心詞預測上下文。
如下圖所示。
還有兩種加速技巧，分別是負采樣和哈夫曼樹，這里篇幅有限，實在是沒辦法展開了。
但是我們要注意這里的重點是，word2vec通過，大規(guī)模無標注語料上的自監(jiān)督訓練語言神經(jīng)網(wǎng)絡(luò)模型。
把網(wǎng)絡(luò)中的lookup table參數(shù)掏出來，當成詞向量的。
這里有兩個不平凡的地方，一個是神經(jīng)語言模型，一個是從網(wǎng)絡(luò)中提出出來的參數(shù)。
NLP的初級預訓練+下游任務(wù)
好了。現(xiàn)在詞向量有了。
等等，似乎還沒有講word2vec怎么用在NLP任務(wù)里。
這里以文本分類為例，穿插一點。以CNN做文本分類為例。
輸入是詞的token id，經(jīng)過詞向量層，映射到預訓練好的詞向量，然后下游通過卷積層提取特征。
基本的范式是 詞向量+DNN，詞向量負責提升特征表達能力，DNN負責特征提取和預測。
而在最最初期的時候，基本就是Bow（wordcount vector） + LR這樣的方案。
DNN改進了LR，詞向量改進了BoW，還沒有從根本上改進NLP的范式。
預訓練語言模型
下面是激動人心的時刻，我們先回顧下詞向量的問題。
他還沒有解決一個關(guān)鍵的問題，上下文語義。比如play music和play football，同一個play沒辦法區(qū)分開是打球還是彈琴，他就是玩哎。
于是預訓練語言模型出來了。
預訓練語言模型，與word2vec不同的是。
1.同樣在語料上進行自監(jiān)督訓練，我把任務(wù)改造成難度更大的形式，比如完形填空，句子順序?qū)︻A測等。
2.表征參數(shù)和特征提取組件的一體化。不需要像word2vec那樣掏出一層固定網(wǎng)絡(luò)參數(shù)，我預訓練語言模型本身可以實時推斷一個語義表征。
從ELMO說起
預訓練語言模型的開篇之作是ELMO，
源于 Deep contextualized word representation，這是NAACL在2019年的best paper。ELMO的全程是Embedding from Language Models。
ELMO是深層LSTM的堆疊，他最大的改進有兩點
1、表征參數(shù)和特征提取組件的一體化，拋棄了靜態(tài)詞向量的方案。
2、提出了兩階段上游預訓練+下游任務(wù)微調(diào)的范式
ELMO不再拆分詞向量和語言模型，用語言模型本身學好一個單詞的Word Embedding，一步到位。
這樣很巧妙的解決了靜態(tài)詞向量沒有語義的問題。
不足之處就是，ELMO還是以LSTM堆疊為基礎(chǔ)的。
而LSTM有一個致命的缺點，無法做到真正的并行，網(wǎng)絡(luò)復雜度高，在堆疊深的時候，難以快速訓練。
這就限制了這個框架的潛力，而Transformer正好解決了這個問題。
Transformer引入
tansformer有個非常好的優(yōu)點，就是可以跑得很快，并且做的很深。
至于是怎么實現(xiàn)的，還要從self-attention說起。self-attention改進了CNN那種粗暴的建模局部關(guān)鍵信息的思路，側(cè)重建模元素之間的關(guān)系，
能夠自動捕捉信息的關(guān)鍵和信息的交互，所以被稱為注意力機制。
并且他有個非常好的好處，
1.就是實現(xiàn)以無時序的矩陣乘法為核心，矩陣乘法是GPU最擅長地方，那么我就可以做的很快。
2.可以做的比較深，我沒有LSTM那種超級的復雜的非線性。我就是簡單的MHA+殘差。
我可以通過每一層，微弱的非線性表達做深，來提升網(wǎng)絡(luò)容量，又不至于過擬合和難以訓練。
這兩個天賦決定了，transformer的潛力無窮，只要你善于挖掘他。而Bert就是充分挖掘了transformer的潛力。
Bert千呼萬喚
重頭戲Bert來了，其實在他之前有個GPT，這個東西，實在是尷尬，理論上GPT才是把transformer和預訓練語言模型結(jié)合起來的最早的方法。
但是Bert通過改進預訓練和模型細節(jié)，實在是效果太好了搶了風頭，這兩者區(qū)別不太大，不單獨寫GPT了。特別沒有面子。
Bert比GPT的改進有兩點：
第一、預訓練任務(wù)的改進，MaskLM（完形填空）的成功應(yīng)用，要比普通的根據(jù)前文預測下文效果好很多，構(gòu)成了語義上的雙向性。
第二、NSP任務(wù)的引進（后來很多模型把他干掉了）
還是沿用了EMLo那種兩階段的微調(diào)范式。
除了預訓練任務(wù)的改進，Bert里面有兩個關(guān)鍵的地方
1. position embedding引入解決了上下文不敏感的問題
2.word level降級到BPE level（單詞拆分）一定程度解決了OOV的問題。
（2這個思路，在bert沒有出現(xiàn)的時候，我們在Kaggle上2017年 jigsaw第一屆的比賽用過，把word拆成bpe來訓練，提分很多）
從NLP到CV的預訓練
好了說了這么多，我們總結(jié)下NLP預訓練技術(shù)的演進特點吧。
一、模型從淺變深，從簡單NNLM變化到深層的transformer。
二、預訓練任務(wù)逐漸復雜，從上下文預測演進成完形填空。
三、任務(wù)從拆分靜態(tài)詞向量向 深度語義向量一體化演進。
四、語義從表面向深層，語義從孤立到上下文情景敏感。
好了NLP到這里，我們繼續(xù)翻到CV上。
CV從imagenet說起吧，imagenet是深度學習興起的見證者，見證了alexnet，vgg，resenet，densenet一直到現(xiàn)在的基于automl的efficient。
我們對比一下，CV和NLP在初期的預訓練上有什么特點。
CV上，預訓練來的還是比較簡單粗暴的，大家發(fā)現(xiàn)，在大的分類數(shù)據(jù)集上訓練好的參數(shù)，當其他的初始化，效果特別好。
這么簡單的思想一直在各種backbone上沿用。
但是這里面有個問題：
1.NLP里的預訓練都是自監(jiān)督的，憑啥你CV可以找人標注數(shù)據(jù)。
2.NLP里的預訓練都是側(cè)重輸入本身的表征學習的，憑啥你CV拿個分類backbone到處忽悠人？
這兩點，成為了最近CV預訓練任務(wù)改進的重大范式。
CNN初步演進主要還是集中在網(wǎng)絡(luò)結(jié)構(gòu)上，對于預訓練任務(wù)，大家約定俗成的似乎不太重視。
自監(jiān)督的水花：對比學習
當然，在這里面也有一些水花，比如對比學習。他是圖像領(lǐng)域為了解決
“在沒有更大標注數(shù)據(jù)集的情況下，如何采用自監(jiān)督預訓練模式，來從中吸取圖像本身的先驗知識分布，得到一個預訓練的模型”。
這一點很關(guān)鍵，在NLP里很自然的。大家使用無標注的語料，學習詞向量的表達，但是在CV里，就很怪。
有沒有辦法不依賴標注數(shù)據(jù)，要從無標注圖像中自己學習知識。
基本套路歸結(jié)成三步走：
1.構(gòu)造輸入的變化：對同一個樣本進行增強變換
2.使用backbone提取表征
3.loss：同一個樣本（原始和增強），表征距離相似，不同的樣本，表征的距離拉遠。
具體的細節(jié)暫且不展開。
嗯這樣的操作終于解決了不要標注的問題，你是一個成熟的CNN了，可以自己學起來了。不過讓人比較喪氣的是，這種方案的上限不太高，在imagenet能刷到70%就不錯了。
但是，這是一個偉大而美好的嘗試，我們先放一放，看看transformer在CV里折騰出什么花樣來了。
Transformer初見威力：iGPT
與NLP不一樣的地方，圖像作為一種高維、噪聲大、冗余度高的形態(tài)，被認為是生成建模的難點,這也是為什么過了好幾年，transformer才應(yīng)用到視覺領(lǐng)域。
其實我們想一下 就很離譜。
1. 圖像是連續(xù)的，NLP是離散的，如何解決圖像token輸入的問題？文本是個1D序列，圖像是個2D矩陣，transformer輸入的形式是類序列，因此，如何轉(zhuǎn)化圖片為transformer的輸入很關(guān)鍵。
2.怎么搞定圖像的預訓練呢？還是簡單的在分類上train嗎？似乎沒有夢想。我想像NLP一樣，自監(jiān)督，學習上下文，效果還特別好。
3.transfomer的self-attention的復雜度是O(n^2 d)的。CIFA圖像展開之后的序列長度是 3072，再長的大分辨率圖完全搞不定了。
關(guān)鍵一：為了解決問題1，本文把像素從上到下，從左到右拉平，作為離散的token來輸入transfomer，這里會帶來問題3。后面會講
關(guān)鍵二：為了解決問題2，這個論文借鑒了GPT2的結(jié)構(gòu)，預訓練任務(wù)設(shè)計為
1.自回歸任務(wù)，根據(jù)前邊的像素，逐個預測后面的像素
2.掩碼語言模型MLM，類似Bert中的完形填空，只不過是像素級別的
關(guān)鍵三：為了解決問題3，這個論文對圖像進行了壓縮操作。分為兩步，第一步是尺度的降采樣，第二步是用Kmeans對顏色降采樣為9bit。這樣就非常小了。
文章中有個小trick就是，第三步。作者發(fā)現(xiàn)最后一層的表征不一定是最好的，結(jié)果最好的可能是中間幾層，所以做了這樣的操作。
這個效果挺好的，在各個數(shù)據(jù)集上刷到了SOTA，但是，他也有幾個問題。
1.iGPT要想達到同樣的效果，需要的參數(shù)是CNN的2倍多，速度也特別慢，iGPTL在V100上要跑2500天。。。
2.iGPT對于圖片降采樣，損失信息很多，CNN對這個問題不是很敏感
后續(xù)有繼續(xù)的改進工作。下面再說。
這張圖展示了TRM不同層向量對于結(jié)果的影響，可以看出來，先上升后下降的，所以中間層效果更好。
ViT：高效的Transformer分類預訓練
我覺得上面那個iGPT的思路是不錯的，不過看起來就不是很完美的文章，為了預訓練的目標，降采樣這種操作都出來了。
嗯后來大家改進了這個問題。我們看一下ViT吧。
ViT很重要的一點是提出了Path+embedding的思想 替換了降采樣的方式。
另外，Bert里是通過在輸入開頭加【CLS】來實現(xiàn)文本的語義表達的。如果文本能做到這件事，似乎說明了在我們離圖片語義越來越近了。
ViT具體的做法是：
1.模仿Bert中的position embeding ，標記圖片的位置，稱為patch embeddings
2.每一個patch是一個圖形小塊，類比Bert中的 word embedding
ViT通過這樣的方式把圖片塞進了transformer，并且沒有壓縮。維持了【CLS】作為語義向量用來分類的特色。
但是，唯一美中不足的是，他是分類任務(wù)進行預訓練的（開倒車）。
別忘了我們最初美好的愿景，我們希望像NLP一樣，能從語料庫里面用自監(jiān)督的方式，學習到語義信息。
BEiT：Transformer+自監(jiān)督
于是更接近Bert的圖像Transformer出現(xiàn)了，他是BEIT。BEiT: BERT Pre-Training of Image Transformers
BEiT繼承了ViT中Patch的做法，改進了預訓練任務(wù)。
1、預訓練任務(wù)變成了圖像復原。
2、Patch級別的MLM引入到預訓練任務(wù)中
搞CV的同學可能對這個數(shù)字很有疑惑。這個東西是個啥玩意？
他是為了引入圖像復原的Visual Tokens，對應(yīng)的東西是一個編號，編號里的玩意，是這個位置對應(yīng)的語義向量，
預訓練任務(wù)就是學習預測的 visual tokens ，復原網(wǎng)絡(luò)，這里是通過encoder-decoder的方式來實現(xiàn)的。
嗯這個工作真是承上啟下已經(jīng)接近完美了。
但是還有一個問題，
這個模型訓練的時候是分兩步的。
stage1：首先優(yōu)化 dVAE（圖重構(gòu)組件），這個我們叫重構(gòu)損失，通過優(yōu)化 編碼和解碼 ，好讓dVAE 能夠?qū)W習到更好的隱變量又能更好還原原圖，:
stage2：然后再優(yōu)化 Encoder 和 Masked Image Modeling Head（語義編碼組件），為了能更好的預測出對應(yīng)的 visual tokens
有沒有什么辦法能像NLP那樣自然呢？完形填空，大道至簡。
有的，kaiming大神MAE呼之欲出。
MAE：Transformer+大規(guī)模自監(jiān)督的巔峰之作
大道至簡，MAE秉承了自監(jiān)督預訓練的基因，通過encoder-decoder預訓練框架，encoder輸入只有image的token，decoder同時送入image token和mask token，對patch序列進行重建，完成圖片復原任務(wù)。他改進了BEiT兩階段的任務(wù)。去掉了預訓練編解碼器的過程，并且做到了image token和mask token和分離。添加positional embedding來保持patch的位置信息。
encoder只做語義編碼的事情，decoder只做圖像恢復的事情。簡化的模型，讓速度提升顯著。
在預訓練任務(wù)里面，提速可以讓同樣的時間，過更多的數(shù)據(jù)。而自監(jiān)督，意味著無窮無盡的無標注數(shù)據(jù)唾手可得。
我可以把Transformer的潛力壓榨到死。
看一下圖片恢復的效果，簡直震驚了，這哪里是圖片復原，這是腦洞打開的自動畫面！
CV中的演進總結(jié)
類比下NLP中語義編碼路線的發(fā)展。
我們把他從CV中扒拉出來。
一條線是從CNN到transformer的探索
另一條線是從分類預訓練發(fā)展到大規(guī)模的自監(jiān)督預訓練。
嗯，清晰了。
CV和NLP演進的交匯
我們最后一起來看一下吧。
下圖通過三種顏色標識了幾個關(guān)鍵的階段，然后箭頭指引了優(yōu)化借鑒和發(fā)展的方向。
要是非要說一條路線的話，那就是為了更好的理解知識表征這一件事。圍繞著這件事，我們在更自動化，設(shè)計學習任務(wù)，加速模型，提升模型潛力天花板，上做了大量的優(yōu)化工作。
你都看到了這了，一定要分享給你的同學同事，一起來學習下吧~
?
本站qq群955171419，加入微信群請掃碼：
總結(jié)
以上是生活随笔為你收集整理的一文串起从NLP到CV 预训练技术和范式演进的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： win10如何关闭Windows Def
- 下一篇： 如何对RTSP播放器做功能和性能评估