OpenAI最近似乎搞了個大新聞，隨手一搜，”最大模型”、”15億參數”、”無需領域數據”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年深度學習在NLP領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，深度學習在NLP領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)督的訓練可以獲得高質量的詞向量(比如Word2vec和Glove等方法)，從而把這些語義知識遷移到數據較少的具體任務上。但是Word Embedding學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，通過引入兩個RNN構成的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的訓練數據比較大，使用深度學習的方法的效果已經超過傳統(tǒng)的機器學習方法，而且模型結構更加簡單。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已經成為Encoder/Decoder的霸主。
雖然RNN可以學到上下文的信息，但是這些上下文的語義是需要通過特定任務的標注數據使用來有監(jiān)督的學習。很多任務的訓練數據非常少并且獲取成本很高，因此在實際任務中RNN很難學到復雜的語義關系。當然通過Multi-Task Learning，我們可以利用其它相關任務的數據。比如我們要做文本分類，我們可以利用機器翻譯的訓練數據，通過同時優(yōu)化兩個(多個)目標，讓模型同時學到兩個任務上的語義信息，因為這兩個任務肯定是共享很多基礎語義信息的，所以它的效果要比單個任務好。但即使這樣，標注的數據量還是非常有限的。
因此2018年的研究熱點就變成了怎么利用無監(jiān)督的數據學習Contextual Word Embedding(也叫做Universal Sentence Embedding)，也就是通過無監(jiān)督的方法，讓模型能夠學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OpenAI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據學習語言模型，在學習語言模型的過程中自然而然的就學到了上下文的語義關系。它們倆都是使用Transformer來學習語言模型，但是在進行下游任務處理的時候就有所不同，ELMo是把它當成特征。拿分類任務來說，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。下游任務用這些向量來做分類，它會增加一些網絡層，但是ELMo語言模型的參數是固定的。而OpenAI GPT不同，它直接用特定任務來Fine-Tuning Transformer的參數。因為用特定任務的數據來調整Transformer的參數，這樣它更可能學習到與這個任務特定的上下文語義關系，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的學術貢獻，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。但是學術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據集呢？
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)訓練了一個15億(1542M)參數的”最大模型”，不過參數雖然很多，但是訓練數據確實有點少。作者訓練個中文詞向量還得搞個幾千萬的百科文章，Google的數據那得用TB來做單位吧。因此作者在文中強調模型是underfit的(All models still underfit Web-Text and held-out perplexity has as of yet improved givenmore training time.)，參數多，數據少，那自然不能訓練太久，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)。訓練了這個模型用來刷榜？我猜測作者嘗試過，結果呢？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。俺用很大的語料訓練一個模型，然后不用你的數據，效果還能超過你們在小數據上的效果。
當然這個概念還是不錯的，結果如下圖所示。
圖：不同數據集上語言模型的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，如果有很多的領域數據，還是領域數據好使，這在機器翻譯系統(tǒng)里也得到了驗證。如果訓練數據較少，我們通常使用預訓練的詞向量作為模型詞向量的初始值。如果訓練數據非常少，我們通常固定預訓練的詞向量；如果訓練數據還可以，那么就Fine-Tuning一下。如果訓練數據很多，比如在機器翻譯任務里，預訓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個參數選手，可能其中2個還是某個在校學生擠出周末打游戲的時間去做的。
圖：Children’s Book任務
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，有很多數據集，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)督數據的，俺們不用訓練數據。有點像考試不及格的學渣對學霸說，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。學霸說：那你也天天熬夜背題啊，看看能不能跑分跑過我？學渣說：俺們是搞素質教育的，不搞題海戰(zhàn)術。
Summarization
摘要任務，分越高越好，成績單如下：
圖：Children’s Book任務
機器翻譯
SOTA的BLEU分(越高越好)33.5，俺不學習也得了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。學術界最近對產生式(Generative)模型非常感興趣，尤其是在圖像和視覺領域。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?，其實都是毫無意義。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，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，所以需要科學上網，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！
