2023 年的 Node.js 生態(tài)系統(tǒng)
隨著技術(shù)的不斷演進(jìn)和創(chuàng)新，Node.js 在 2023 年達(dá)到了一個(gè)新的高度。Node.js 擁有一個(gè)龐大的生態(tài)系統(tǒng)，可以幫助開(kāi)發(fā)人員更快地實(shí)現(xiàn)復(fù)雜的應(yīng)用。本文就來(lái)看看 Node.js 最新的生
通過(guò)半監(jiān)督學(xué)習(xí)和自我監(jiān)督學(xué)習(xí)的某些特征，表征學(xué)習(xí)大大減少了訓(xùn)練模型所需的數(shù)據(jù)量，更重要的是，它更加重視阻礙傳統(tǒng)監(jiān)督學(xué)習(xí)中帶注釋的訓(xùn)練數(shù)據(jù)。
它也促進(jìn)了多任務(wù)學(xué)習(xí)(multitask learning)、零次學(xué)習(xí)(zero-shot learning)、流形布局技術(shù)(manifold layout techniques)和數(shù)據(jù)倍數(shù)概念(data multiple concept)等技術(shù)的發(fā)展，成為連接這些技術(shù)的基石。上面提到的這些技術(shù)對(duì)深度學(xué)習(xí)在自然語(yǔ)言技術(shù)中的應(yīng)用產(chǎn)生了巨大價(jià)值和重大影響。
由于表征學(xué)習(xí)，不僅使自然語(yǔ)言處理更快、更易于組織使用，而且更適用于廣泛的用例，而這些用例在表征學(xué)習(xí)出現(xiàn)之前是無(wú)法實(shí)現(xiàn)的。
“這些是我們?cè)?Indico 使用的技術(shù)，谷歌、Facebook 等其他組織顯然也在使用這些技術(shù)，” Indico Data首席技術(shù)官 Slater Victoroff 如是說(shuō)。“但是，表征學(xué)習(xí)在這些組織中只是小范圍使用，同時(shí)使用效果和理想也相差甚遠(yuǎn)，在具體應(yīng)用方面也是困難重重，并不能代表機(jī)器學(xué)習(xí)的主流。”
但是，如果用發(fā)展的眼光看問(wèn)題，為了獲取長(zhǎng)遠(yuǎn)受益，他們必須現(xiàn)在就行動(dòng)起來(lái)。
字節(jié)對(duì)編碼(byte pair encoder)
從廣義上講，表征學(xué)習(xí)的工作方式與鍵值對(duì)的概念沒(méi)有什么不同。它使用類似于密鑰的字節(jié)對(duì)編碼，Victoroff 觀察到，每個(gè)鍵都有一個(gè)表示它的數(shù)值，“就像字典或查找表一樣”。字節(jié)對(duì)編碼是表征學(xué)習(xí)的核心內(nèi)容，字節(jié)對(duì)編碼是為語(yǔ)言中“有意義的塊”(meaningful chunks)而生成的。例如：“'ing [ing] space' 可能是一個(gè)塊，或者'space um [um]' 可能是一個(gè)塊，”同時(shí)，Victoroff 提到字節(jié)對(duì)編碼時(shí)如是說(shuō)：“每個(gè)塊大約是 1 到 10 個(gè)字母長(zhǎng)度……大多數(shù)情況下是 1 到 3 個(gè)字母長(zhǎng)。”
這種學(xué)習(xí)模式有兩個(gè)值得注意的地方。首先是它的語(yǔ)言價(jià)值，對(duì)于單詞來(lái)說(shuō)，表征可以識(shí)別：這些事物是否是同義詞?這些東西在語(yǔ)義上是否相關(guān)?這些東西在句法上是否有聯(lián)系。其次，這種表征可以針對(duì)單個(gè)單詞、句子甚至段落，以及用戶需求提供更多的應(yīng)用場(chǎng)景。
零次學(xué)習(xí)(zero-shot learning)
表征學(xué)習(xí)以多種方式對(duì)深度學(xué)習(xí)產(chǎn)生深遠(yuǎn)影響，其中最值得注意的是減少了訓(xùn)練數(shù)據(jù)(標(biāo)記)的數(shù)量，這恰恰是高級(jí)機(jī)器學(xué)習(xí)模型提升準(zhǔn)確率的必備條件。“如果你的表示足夠好，你可以用來(lái)制作模型，他們稱之為零次學(xué)習(xí)(zero-shot learning)，”Victoroff 指出。使用這種技術(shù)，數(shù)據(jù)科學(xué)家可以利用標(biāo)簽作為訓(xùn)練模型的唯一示例。
例如，在構(gòu)建預(yù)測(cè)飛機(jī)模型時(shí)，統(tǒng)計(jì) AI 的方法會(huì)使用“airplane as your one example”這個(gè)標(biāo)簽，然后得出推論：“a few shots，[a] single shot。”其結(jié)果存在各種各樣的變化。 這一原則會(huì)提升企業(yè)在自然語(yǔ)言應(yīng)用領(lǐng)域的適用性，因?yàn)榇蠖鄶?shù)高級(jí)機(jī)器學(xué)習(xí)用例都需要高標(biāo)準(zhǔn)的訓(xùn)練數(shù)據(jù)，而這一點(diǎn)往往令人望而卻步。
多任務(wù)學(xué)習(xí)(multitask learning)
如果說(shuō)減少訓(xùn)練數(shù)據(jù)是表征學(xué)習(xí)相對(duì)于深度學(xué)習(xí)應(yīng)用模式的突破，那么另一個(gè)突破就是多個(gè)任務(wù)訓(xùn)練模型。借助更廣泛使用的監(jiān)督和非監(jiān)督學(xué)習(xí)方法，即使針對(duì)特定模型的機(jī)器學(xué)習(xí)任務(wù)(例如在針對(duì)銷(xiāo)售用例進(jìn)行訓(xùn)練之后，再對(duì)營(yíng)銷(xiāo)數(shù)據(jù)執(zhí)行智能處理以及自動(dòng)化的實(shí)體提取)，建模者再一次使用相關(guān)任務(wù)時(shí)也必須從頭開(kāi)始創(chuàng)建新模型。以表征學(xué)習(xí)、多任務(wù)學(xué)習(xí)為基礎(chǔ)可能會(huì)使這種方式成為過(guò)去。
“假設(shè)你對(duì)【情感分析】創(chuàng)建一個(gè)模型任務(wù)，同時(shí)為【文本分析】創(chuàng)建第二個(gè)模型任務(wù)，如果想要知道這兩個(gè)模型之間的關(guān)聯(lián)，就可以針對(duì)一個(gè)模型創(chuàng)建兩個(gè)任務(wù)進(jìn)行訓(xùn)練，兩個(gè)任務(wù)共享一個(gè)模型，關(guān)聯(lián)任務(wù)通過(guò)共享信息，相互補(bǔ)充，提升彼此的表現(xiàn)。”Victoroff 指出。
這種做法對(duì)模型使用效率的提高以及對(duì)自然語(yǔ)言分析的價(jià)值是顯而易見(jiàn)的。建模的執(zhí)行多任務(wù)處理能力在基于向量的 NLP(自然語(yǔ)言處理 Natural Language Processing)領(lǐng)域中得到了充分的認(rèn)可。在一些競(jìng)賽中就要求模型必須解決 10 種不同類型的 NLP 問(wèn)題，并且有證據(jù)表明模型實(shí)際上可以將從一項(xiàng) NLP 任務(wù)(例如理解一門(mén)外語(yǔ))中學(xué)到的知識(shí)應(yīng)用到另一項(xiàng) NLP 任務(wù)中，以理解英語(yǔ)為例“我們可以證明這種方式創(chuàng)建的 [模型] 正在跨語(yǔ)言交叉學(xué)習(xí)中利用了更多的信息，”Victoroff 評(píng)論道。“這種現(xiàn)象被稱為伸縮效應(yīng)。例如在訓(xùn)練機(jī)器學(xué)習(xí)英文之后，再訓(xùn)練其學(xué)習(xí)中文，會(huì)比一開(kāi)始就直接訓(xùn)練機(jī)器學(xué)習(xí)中文要容易得多。“
數(shù)據(jù)倍數(shù)(data multiple)
“better”這個(gè)詞表達(dá)的含義具有相對(duì)性，因此針對(duì)不同的人具有不同的含義，而含義取決于通過(guò) NLP 實(shí)現(xiàn)的目標(biāo)。現(xiàn)實(shí)情況是，從深度學(xué)習(xí)的計(jì)算能力以及可擴(kuò)展性方面來(lái)看，只要數(shù)據(jù)量足夠大，即使是糟糕的深度神經(jīng)網(wǎng)絡(luò)也可以達(dá)到較好的效果。然而，數(shù)據(jù)倍數(shù)原則是在數(shù)據(jù)量不大的情況下集中于精確定位，提升評(píng)估模型性能從而讓深度神經(jīng)網(wǎng)絡(luò)達(dá)到好的效果。正如Victoroff提到的，對(duì)于特定模型而言可以明顯看到，“在 100 個(gè)數(shù)據(jù)點(diǎn)上的工作情況如何;在 1,000 個(gè)數(shù)據(jù)點(diǎn)上的工作情況如何;在 10,000 個(gè)數(shù)據(jù)點(diǎn)上的效果如何?”
Victoroff 指出，高級(jí)機(jī)器學(xué)習(xí)模型的性能取決于數(shù)據(jù)倍數(shù)，對(duì)于上述表征學(xué)習(xí)技術(shù)(數(shù)據(jù)倍數(shù))，通常可以達(dá)到“至少 2 到 4 倍的數(shù)據(jù)倍數(shù)”。Victoroff 指出，“模型的4倍數(shù)據(jù)倍數(shù)就意味著該模型的形成減少了 4 倍的訓(xùn)練數(shù)據(jù)量”。使用數(shù)據(jù)倍數(shù)方式建模，可以在數(shù)據(jù)量不夠的情況下達(dá)到相對(duì)滿意的效果。用Victoroff的話就是“利用你手上現(xiàn)有的數(shù)據(jù)就可以達(dá)到幾乎翻倍的準(zhǔn)確性。”
流形布局技術(shù)(manifold layout techniques)
對(duì)于自然語(yǔ)言技術(shù)而言，其表征就是一個(gè)數(shù)字列表，數(shù)據(jù)科學(xué)家可以應(yīng)用不同的數(shù)學(xué)概念來(lái)讓機(jī)器理解單詞的含義。在自然語(yǔ)言處理中可以通過(guò)One-hot方式將詞用數(shù)字列表的方式表示，這個(gè)數(shù)字列表可以想象成一個(gè)詞典，需要處理的自然語(yǔ)言內(nèi)容越多，這個(gè)列表就越大。每個(gè)詞的表示都需要通過(guò)一個(gè)很大的數(shù)字列表來(lái)完成，這樣生成的向量維度高也稀疏，使計(jì)算效率大打折扣。因此，可以通過(guò)流形布局技術(shù)將數(shù)字列表中創(chuàng)造意義的部分，轉(zhuǎn)移到嵌入(Embedding)中，也就是將高維空間的數(shù)據(jù)轉(zhuǎn)換到低維空間。
嵌入(Embedding)是一個(gè)將離散變量轉(zhuǎn)化為連續(xù)向量的方式，它不光可以減少離散變量的空間維數(shù)，也可以有意義的表示該變量。Victoroff 透露，嵌入(Embedding)是一種將表征置于明確結(jié)構(gòu)中的方法，在這個(gè)過(guò)程中為這些表征賦予意義。流形是自然語(yǔ)言技術(shù)中最受歡迎的嵌入類型之一，因?yàn)樗鼈兙哂?ldquo;其他結(jié)構(gòu)可能沒(méi)有的東西，就是距離的概念。”Victoroff 透露。
距離，對(duì)于高級(jí)機(jī)器學(xué)習(xí)模型在語(yǔ)言精細(xì)理解領(lǐng)域至關(guān)重要。根據(jù) Victoroff 的說(shuō)法，“當(dāng)你閱讀一個(gè)句子時(shí)，存在同義詞和反義詞以及解析樹(shù)的概念。可以把詞與詞之間的關(guān)系看成是距離，所以我們有了這個(gè)距離的概念：兩個(gè)物體。” 流形就是在做降維的事情，允許表征從高維空間更容易地轉(zhuǎn)換到低維空間。
編者：這里需要解釋一下流形做的事情。加入一個(gè)二維空間，兩個(gè)點(diǎn)之間的距離通過(guò)兩個(gè)點(diǎn)的x、y的坐標(biāo)就可以算出來(lái)。如果一個(gè)多維空間例如一個(gè)地球儀上面有兩個(gè)點(diǎn)，需要知道這兩個(gè)點(diǎn)的距離，就必須用一個(gè)軟尺連接兩個(gè)點(diǎn)，獲取距離。而錯(cuò)誤的計(jì)算方式，就是用一根線切過(guò)地球表面連接兩個(gè)點(diǎn)。
流形布局測(cè)量的距離，就好像這一把軟尺，順著地球的表面量?jī)牲c(diǎn)的距離。在神經(jīng)網(wǎng)絡(luò)的多維空間中測(cè)量?jī)蓚€(gè)點(diǎn)的距離的時(shí)候就需要用到這個(gè)技術(shù)，我們可以把這兩個(gè)點(diǎn)想象成兩個(gè)詞，距離就是兩個(gè)詞的關(guān)系。離得近說(shuō)明詞的含義相近，如下圖所示。同時(shí)Embedding 還做了一個(gè)事情就是降維，將高維的向量變成低維的，容易分析和展示。
成長(zhǎng)與發(fā)展
深度學(xué)習(xí)空間正在繼續(xù)快速增長(zhǎng)。表征學(xué)習(xí)可以減少自然語(yǔ)言技術(shù)應(yīng)用中訓(xùn)練數(shù)據(jù)數(shù)量，并提升訓(xùn)練效率。同時(shí)使多任務(wù)學(xué)習(xí)的底層模型效用多樣化。其結(jié)果是組織可以通過(guò)這些模型實(shí)現(xiàn)更多目標(biāo)，減少構(gòu)建它們所需的時(shí)間和精力，并且提高它們?cè)?NLP 或其他應(yīng)用場(chǎng)景中的準(zhǔn)確性。
作者介紹
崔皓，51CTO社區(qū)編輯，資深架構(gòu)師，擁有18年的軟件開(kāi)發(fā)和架構(gòu)經(jīng)驗(yàn)，10年分布式架構(gòu)經(jīng)驗(yàn)。曾任惠普技術(shù)專家。樂(lè)于分享，撰寫(xiě)了很多熱門(mén)技術(shù)文章，閱讀量超過(guò)60萬(wàn)。《分布式架構(gòu)原理與實(shí)踐》作者。
參考
https://insidebigdata.com/2022/02/04/elite-deep-learning-for-natural-language-technologies-representation-learning/
https://www.jiqizhixin.com/articles/2019-03-27-7
https://www.zhihu.com/question/32275069
https://zhuanlan.zhihu.com/p/46016518
本文鏈接：http://m.www897cc.com/showinfo-119-2155-0.html表征學(xué)習(xí)：為自然語(yǔ)言而生的高級(jí)深度學(xué)習(xí) 原創(chuàng)
聲明：本網(wǎng)頁(yè)內(nèi)容旨在傳播知識(shí)，若有侵權(quán)等問(wèn)題請(qǐng)及時(shí)與本網(wǎng)聯(lián)系，我們將在第一時(shí)間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請(qǐng)聯(lián)系：2376512515@qq.com 津ICP備18001702號(hào)
津公網(wǎng)安備 12010102000574號(hào)