Transformer 如戏,全靠 Mask

从语言模型到 Seq2Seq

Posted by 苏剑林 on September 24, 2019

转载自《从语言模型到Seq2Seq:Transformer如戏,全靠Mask》,作者:苏剑林。

相信近一年来(尤其是近半年来),大家都能很频繁地看到各种 Transformer 相关工作(比如 Bert、GPT、XLNet 等等)的报导,连同各种基础评测任务的评测指标不断被刷新。同时,也有很多相关的博客、专栏等对这些模型做科普和解读。

俗话说,“外行看热闹,内行看门道”,我们不仅要在“是什么”这个层面去理解这些工作,我们还需要思考“为什么”。这个“为什么”不仅仅是“为什么要这样做”,还包括“为什么可以这样做”。比如,在谈到 XLNet 的乱序语言模型时,我们或许已经从诸多介绍中明白了乱序语言模型的好处,那不妨更进一步思考一下:

为什么 Transformer 可以实现乱序语言模型?是怎么实现的?RNN 可以实现吗?

本文从对 Attention 矩阵进行 Mask 的角度,来分析为什么众多 Transformer 模型可以玩得如此“出彩”的基本原因,正如标题所述“Transformer 如戏,全靠 Mask”,这是各种花式 Transformer 模型的重要“门道”之一。

读完本文,你或许可以了解到:

  • Attention 矩阵的 Mask 方式与各种预训练方案的关系;
  • 直接利用预训练的 Bert 模型来做 Seq2Seq 任务。

背景

《Attention is All You Need》以后,基于纯 Attention 的 Transformer 类模型逐渐变得流行起来,而 Bert 的出现则将这股潮流推向了一个新的高度。而后,各种基于大规模预训练的 Transformer 模型的工作不断出现,有基于现成的模型做应用的,有试图更好地去解释和可视化这些模型的,还有改进架构、改进预训练方式等以得到更好结果的。总的来说,这些以预训练为基础的工作层出不穷,有种琳琅满目的感觉。甚至一定程度上来说,如果你还没有微调过 Bert,那已经算是落后于主流的 NLP 技术了。

花式预训练

众所周知,传统的模型预训练手段就是语言模型,比如 ELMo 模型就是以 BiLSTM 为基础架构、用两个方向的语言模型分别预训练两个方向的 LSTM 的,后面的 OpenAI 的 GPT、GPT-2 也是坚定不移地坚持着用祖传的(标准的、单向的)语言模型来预训练。

然而,还有更多花样的预训练玩法。比如 Bert 就用了称之为“掩码语言模型 (Masked Language Model)”的方式来预训练,不过这只是普通语言模型的一种变体;还有 XLNet 则提出了更彻底的“Permutation Language Modeling”,我们可以称之为“乱序语言模型”;还有 UNILM 模型,直接用单个 Bert 的架构做 Seq2Seq,你可以将它作为一种预训练手段,又或者干脆就用它来做 Seq2Seq 任务…

如此花样百出,让我们不禁疑问:为什么刚好在 Transformer 流行的时代,才出现这种各种大型预训练模型“百花齐放,百家争鸣”的现象?

Transformer 专属

事实上,除了单向语言模型及其简单变体掩码语言模型之外,UNILM 的 Seq2Seq 预训练、XLNet 的乱序语言模型预训练,基本可以说是专为 Transformer 架构定制的。说白了,如果是 RNN 架构,根本就不能用乱序语言模型的方式来预训练,至于 Seq2Seq 的预训练方式,则必须同时引入两个模型(encoder 和 decoder),而无法像 Transformer 架构一样,可以一个模型搞定。

这其中的奥妙主要在 Attention 矩阵之上。Attention 实际上相当于将输入两两地算相似度,这构成了一个 $n^2$ 大小的相似度矩阵(即 Attention 矩阵,$n$ 是句子长度,本文的 Attention 均指 Self Attention),这意味着它的空间占用量是 $\mathscr{O}(n^2)$ 量级,相比之下,RNN 模型、CNN 模型只不过是 $\mathscr{O}(n)$,所以实际上 Attention 通常更耗显存。然而,有弊也有利,更大的空间占用也意味着拥有了更多的可能性,我们可以通过往这个 $\mathscr{O}(n^2)$ 级别的 Attention 矩阵加入各种先验约束,使得它可以做更灵活的任务。说白了,也就只有纯 Attention 的模型,才有那么大的“容量”去承载那么多的“花样”。

而加入先验约束的方式,就是对 Attention 矩阵进行不同形式的 Mask,这便是本文要关注的焦点。

分析

《〈Attention is All You Need〉浅读(简介+代码)》一文中我们已经对 Attention 做了基本介绍,这里仅做简单回顾。Attention 的数学形式为:

这里的 $\boldsymbol{Q}\in \mathbb{R}^{l_q\times d_q},\boldsymbol{K}\in\mathbb{R}^{l_k\times d_q},\boldsymbol{V}\in\mathbb{R}^{l_k\times d_v}$,分别代表 query、key、value 的向量序列,其中我们可以认为 key 和 value 是一一对应的,而 $\boldsymbol{Q}\boldsymbol{K}^{\top}$ 则是将 query、key 的向量两两做内积,然后用 softmax 归一化,就得到一个$l_q\times l_k$ 的 Attention 矩阵,它描述的就是 query 和 key 之间任意两个元素的关联强度,后面我们要讲的故事,都是在这个 Attention 矩阵上下功夫。最后再与 $\boldsymbol{V}$ 相乘,相当于按照这个关联强度将 $\boldsymbol{V}$ 的各个向量加权求和,最终输出一个 $l_q\times d_v$ 的向量序列。

目前最常用的 Attention 方式当数 Self Attention,即 $\boldsymbol{Q},\boldsymbol{K},\boldsymbol{V}$ 都是同一个向量序列经过线性变换而来的,而 Transformer 则是 Self Attention 跟 Position-Wise 全连接层(相当于 kernel size 为 1 的一维卷积)的组合。所以,Transformer 就是基于 Attention 的向量序列到向量序列的变换。

在本节中,我们将会比较详细地分析 Attention 矩阵的 Mask 方式,这分别对应单向语言模型、乱序语言模型、Seq2Seq 的实现原理。

单向语言模型

语言模型可以说是一个无条件的文本生成模型,如果读者还不了解文本生成模型,可以自行查阅相关资料并配合《Seq2Seq 模型入门》一文来理解。单向语言模型相当于把训练语料通过下述条件概率分布的方式“记住”了:

我们一般说的“语言模型”,就是指单向的(更狭义的只是指正向的)语言模型。语言模型的关键点是要防止看到“未来信息”。如上式,预测 $x_1$ 的时候,是没有任何外部输入的;而预测 $x_2$ 的时候,只能输入 $x_1$,预测 $x_3$ 的时候,只能输入 $x_1,x_2$;依此类推。

单向语言模型图示。每预测一个 token,只依赖于前面的 token。

RNN 模型是天然适合做语言模型的,因为它本身就是递归的运算;如果用 CNN 来做的话,则需要对卷积核进行 Mask,即需要将卷积核对应右边的部分置零。如果是 Transformer 呢?那需要一个下三角矩阵形式的 Attention 矩阵:

单向(正向)语言模型的 Mask 方式

如图所示,Attention 矩阵的每一行事实上代表着输出,而每一列代表着输入,而 Attention 矩阵就表示输出和输入的关联。假定白色方格都代表 0,那么第 1 行表示“北”只能跟起始标记 <s> 相关了,而第 2 行就表示“京”只能跟起始标记 <s>“北”相关了,依此类推。所以,只需要在 Transformer 的 Attention 矩阵中引入下三角形形式的 Mask,并将输入输出错开一位训练,就可以实现单向语言模型了。(至于 Mask 的实现方式,可以参考《Keras 使用技巧》的 Mask 一节

乱序语言模型

乱序语言模型是 XLNet 提出来的概念,它主要用于 XLNet 的预训练上。说到 XLNet,我觉得它的乱序语言模型这种预训练方式是很有意思的,但是我并不喜欢它将基本架构换成了 Transformer-XL。我觉得谁有资源可以试试“Bert+乱序语言语言模型预训练”的组合,或许会有意外的发现。

乱序语言模型跟语言模型一样,都是做条件概率分解,但是乱序语言模型的分解顺序是随机的:

总之,$x_1,x_2,\dots,x_n$ 任意一种“出场顺序”都有可能。原则上来说,每一种顺序都对应着一个模型,所以原则上就有 $n!$ 个语言模型。而基于 Transformer 的模型,则可以将这所有顺序都做到一个模型中去!

那怎么做到这一点呢?还是以“北京欢迎你”的生成为例,假设随机的一种生成顺序为“<s><e>”,那么我们只需要用下图中第二个子图的方式去 Mask 掉 Attention 矩阵,就可以达到目的了:

正向语言模型的 Mask
乱序语言模型的 Mask
倒序语言模型的 Mask

跟前面的单向语言模型类似,第 4 行只有一个蓝色格,表示“迎”只能跟起始标记 <s> 相关,而第 2 行有两个蓝色格,表示“京”只能跟起始标记 <s>“迎”相关,依此类推。直观来看,这就像是把单向语言模型的下三角形式的 Mask “打乱”了。

也就是说,实现一种顺序的语言模型,就相当于将原来的下三角形式的 Mask 以某种方式打乱。正因为 Attention 提供了这样的一个 $n\times n$ 的 Attention 矩阵,我们才有足够多的自由度去以不同的方式去 Mask 这个矩阵,从而实现多样化的效果。

说到这里,读者可能会有一个实现上的疑问:打乱后的 Mask 似乎没看出什么规律呀,难道每次都要随机生成一个这样的似乎没有什么明显概率的 Mask 矩阵?事实上有一种更简单的、数学上等效的训练方案。这个训练方案源于纯 Attention 的模型本质上是一个无序的模型,它里边的词序实际上是通过 Position Embedding 加上去的。也就是说,我们输入的不仅只有 token 本身,还包括 token 所在的位置 id;再换言之,你觉得你是输入了序列“[北, 京, 欢, 迎, 你]”,实际上你输入的是集合“{(北, 1), (京, 2), (欢, 3), (迎, 4), (你, 5)}”

重新排序,使得正向语言模型就可以实现乱序语言模型

既然只是一个集合,跟顺序无关,那么我们完全可以换一种顺序输入,比如刚才的“<s> → 迎 → 京 → 你 → 欢 → 北 → <e>”,我们可以按“(迎, 4), (京, 2), (你, 5), (欢, 3), (北, 1)”的顺序输入,也就是说将 token 打乱为“迎,京,你,欢,北”输入到 Transformer 中,但是第 1 个 token 的 position 就不是 1 了,而是 4;依此类推。这样换过来之后,Mask 矩阵可以恢复为下三角矩阵,所以只需要在输入层面打乱即可,这样操作起来就更简单了。

Seq2Seq

现在到我们的“重头戏”了:将 Bert 等 Transformer 架构跟 Seq2Seq 结合起来。为什么说重头戏呢?因为原则上来说,任何 NLP 问题都可以转化为 Seq2Seq 来做,它是一个真正意义上的万能模型。所以如果能够做到 Seq2Seq,理论上就可以实现任意任务了。

将 Bert 与 Seq2Seq 结合的比较知名的工作有两个:MASSUNILM,两者都是微软的工作,两者还都在同一个月发的~其中 MASS 还是普通的 Seq2Seq 架构,分别用 Bert 类似的 Transformer 模型来做 encoder 和 decoder,它的主要贡献就是提供了一种 Seq2Seq 思想的预训练方案;真正有意思的是 UNILM,它提供了一种很优雅的方式,能够让我们直接用单个 Bert 模型就可以做 Seq2Seq 任务,而不用区分 encoder 和 decoder。而实现这一点几乎不费吹灰之力——只需要一个特别的 Mask。

UNILM 直接将 Seq2Seq 当成句子补全来做。假如输入是“你想吃啥”,目标句子是“白切鸡”,那 UNILM 将这两个句子拼成一个:[CLS] 你 想 吃 啥 [SEP] 白 切 鸡 [SEP]。经过这样转化之后,最简单的方案就是训练一个语言模型,然后输入“[CLS] 你 想 吃 啥 [SEP]”来逐字预测“白 切 鸡”,直到出现“[SEP]”为止,即如下面的左图:

用单向语言模型的方式做 Seq2Seq
设计更适合的 Mask 做 Seq2Seq

不过左图只是最朴素的方案,它把“你想吃啥”也加入了预测范围了(导致它这部分的 Attention 是单向的,即对应部分的 Mask 矩阵是下三角),事实上这是不必要的,属于额外的约束。真正要预测的只是“白切鸡”这部分,所以我们可以把“你想吃啥”这部分的 Mask 去掉,得到上面的右图的 Mask。

这样一来,输入部分的 Attention 是双向的,输出部分的 Attention 是单向,满足 Seq2Seq 的要求,而且没有额外约束。这便是 UNILM 里边提供的用单个 Bert 模型就可以完成 Seq2Seq 任务的思路,只要添加上述形状的 Mask,而不需要修改模型架构,并且还可以直接沿用 Bert 的 Masked Language Model 预训练权重,收敛更快。这符合“一 Bert 在手,天下我有”的万用模型的初衷,个人认为这是非常优雅的方案。

UNILM 做 Seq2Seq 模型图示。输入部分内部可做双向 Attention,输出部分只做单向 Attention

实验

事实上,上述的这些Mask方案,基本上都已经被集成在笔者写的 bert4keras,读者可以直接用 bert4keras 加载 bert 的预训练权重,并且调用上述 Mask 方案来做相应的任务。下面,我们给出一个利用 UNILM 的思路做一个快速收敛的 Seq2Seq 模型的例子。

代码开源

这次代码的测试任务依然是之前的标题生成,代码调整自《Seq2Seq 模型入门》里边的代码,并且得益于 bert4keras 的封装,模型部分的代码实现非常简单清爽。这一次直接使用了 THUCNews 的原始数据集,读者可以自行下载数据集和源码测试复现。

详细请看:https://github.com/bojone/bert4keras/blob/master/examples/task_seq2seq.py

这个效果能有多好呢?经过实验,在标题生成的任务上,只要 7000 个 iteration,就已经能生成基本可读的标题了。相应地,以前用 LSTM 做的时候,大概需要多 10 倍的 iteration 才有同样的效果。

只需要 7000 步的训练,就可以得到基本可读的生成结果

简单说明

下面对代码的关键部分做简要说明。

首先,输入格式还是以 token_idsegment_id 输入,比如:

tokens = ['[ClS]', u'你', u'想', u'吃', u'啥', '[SEP]', u'白', u'切', u'鸡', '[SEP]']
token_ids = [token_dict[t] for t in tokens]
segment_ids = [0, 0, 0, 0, 0, 0, 1, 1, 1, 1]

segment_ids 用来区分输入句子和目标句子,0 对应的为输入句子,1 对应的为目标句子,只需要自带的tokenizer.encode 就可以生成这种 token_idsegment_id 了。

至于搭建模型,就只有寥寥几行:

model = load_pretrained_model(
    config_path,
    checkpoint_path,
    seq2seq=True,
    keep_words=keep_words
)

model.summary()

y_in = model.input[0][:, 1:] # 目标tokens
y_mask = model.input[1][:, 1:]
y = model.output[:, :-1] # 预测tokens,预测与目标错开一位

# 交叉熵作为loss,并mask掉输入部分的预测
y = model.output[:, :-1] # 预测tokens,预测与目标错开一位
cross_entropy = K.sparse_categorical_crossentropy(y_in, y)
cross_entropy = K.sum(cross_entropy * y_mask) / K.sum(y_mask)

注意 load_pretrained_model 中只要设置 seq2seq=True,就会自动加载 Bert 的 MLM 部分,并且传入对应的 Mask,剩下就只需要把loss写好就行了。另外还有一个keep_words,这个是用来精简 Embedding 层用的,对于中文 Bert 来说,总的 tokens 大概有 2 万个,这意味着最后预测生成的 token 时是一个 2 万分类问题。但事实上这大多数 tokens 都不会被使用到,因此这 2 万分类浪费了不少计算量。于是这里提供了一个选项,我们可以自行统计一个字表,然后传入对应的 id,只保留这部分 token,这样就可以降低计算量了(精简后一般只有 5000 个左右)。

剩下的就是通过 beam search 来解码等步骤了,这与一般的 Seq2Seq 无异,不再赘述,大家看《Seq2Seq 模型入门》和代码即可。

总结

本文相对系统地总结了 Transformer 中 Attention 矩阵的Mask技巧,并且给出了用 UNILM 方案来做 Seq2Seq 的实现。对于同语言的 Seq2Seq 的文本生成任务来说,采用 UNILM 的思路加载 Bert 的 MLM 预训练权重,能够有效、快速地实现并提升生成效果,值得一试。

转载自《从语言模型到Seq2Seq:Transformer如戏,全靠Mask》,作者:苏剑林。