这个红色的怪物叫做ELMo 、最早的self-supervised learning model
作业四的模型也是个transformer，只有0.1个million
最早的是ELMo
Cookie Monster等你来凑😼
T5是Google做的，跟车子也没什么关系，
在没有label情况下，自己想办法做supervised；将没有标注的资料分成两部分，一部分作为输入，一部分作为标注，进行训练；自监督学习是unsupervised learning中的一种方法；
BERT network的架构和 transformer encoder一模一样，有self-attention、residual、normalization等等；输入一排向量，输出一排向量，输入和输出一样长；BERT最早是用在文字上，当然BERT也可以用于语音、图像等处理中，本质上都是一排向量；
token就是你在处理一段文字时的单位，token的大小是你自己决定的，
-BERT任务之一：
首先把输入文字的一些部分随机盖掉，具体而言，盖住的做法有两种，
两种方法都可以用，也是随机使用的；
如上图，把盖住部分所对应的输出做一个线性变换（乘以一个矩阵），然后做softmax得到一个输出分布（一个非常长的向量，包含了所有的文字）；
我们其实是知道被盖住的文字是哪一个字，只是bert本身不知道，将被盖住的字，即“湾”，作为ground truth，bert学习的目标就是使输出与ground truth越接近越好，minimize cross entropy；讲的更简单其实就相当于做一个分类问题，只是类别数目很多；
bert和linear model两者一起训练；
-BERT任务之二：预测句子是否为上下句
从数据集中拿出两个句子，在两个句子中加入两个特殊符号（cls代表开头，sep代表分隔）将句子拼成一个sequence，一股脑丢到bert里面，会输出另一个序列，我们只取cls对应的输出，做一个线性变换（即乘上一个矩阵），输出yes/no，yes/no是指两个句子是不是相接的；
但是Next Sentence Prediction对bert接下来想要做的事情帮助不大；Robustly optimized BERT approach (RoBERTa)（https://arxiv.org/abs/1907.11692）这篇paper中指出该方法没有什么特别的帮助。可能是因为Next Sentence Prediction这个任务太简单了，bert没有借此学到太多东西。
有另一种方法是sentence order prediction（SOP）（https://arxiv.org/abs/1909.11942），ALBERT（Bert一个进阶的版本）中使用了该方法，SOP该方法让bert判断两个句子的先后次序：
由此，bert学会了做填空题，神奇的是 他可以被用于各式各样的下游任务中，这些任务跟填空题甚至根本没什么关系，
下游任务downstream task训练时需要有标注的资料；对bert进行fine-tune（微调），就可以分化成各式各样的任务；而产生bert的过程，是自监督学习，该过程也称为pre-train（预训练）；
今天要测试self supervised learning the model的能力，常会测试在多个任务上（任务集），一个知名的任务集 标杆是GLUE （https://gluebenchmark.com/），当你想知道你训练的像bert这样的模型好不好，就可以分别微调，在GLUE的9个任务上测试；
各种预训练模型在GLUE上的性能测试如下图，有了Bert后，GLUE的分数确实逐年攀升，其中黑线表示人类在该任务上的准确率：
随着时间的推移，GLUE可能被玩坏了，不够难，于是又有了更难的任务，如Super GLUE；
bert如何使用？如何进行微调？下面举例说明：
例子1：
分类任务，输入是序列，输出是类别，如情绪分析任务；
在句子前放cls，输入到bert中，只取cls对应的输出，做线性变换，softmax，输出类别；需要给bert一些有标注的资料；使用梯度下降来训练bert和linear模型，linear模型的参数是随机初始化的，而bert初始化的参数来自预训练；
下图是使用预训练参数的bert和随机初始化参数的bert的对比，可以看出，使用了预训练参数的bert收敛速度快了很多，而且最终loss更小；使用预训练参数的bert可以理解成只需要进行微调就能够完成训练：
预训练是无监督学习，用了大量无标注的资料，而下游任务中，使用了少量有标注的资料，所以pre-train + fine-tune合起来，是semi-supervised learning，即半监督学习；
例子2：
输入和输出是长度一样的sequence，如词性标注任务；如下图所示，将每一个输入token对应的输出向量，每个向量分别做linear transform，过softmax，输出类别，
例子3：
输入两个句子，输出一个class；如自然语言推理（NLI）任务，输入一个“前提”、一个“假设”，判断二者关系，输出 矛盾/蕴含/中性；应用在如“立场分析”任务，判断留言是赞成文章还是反对文章，输入是文章和留言；
bert如何解上图中的任务？
例子4：
问答系统，给机器读一篇文章，问它一个问题，机器给你一个答案（我们假设答案一定在文章里面），输入两个sequence，文章和问题，输出两个正整数(s, e)，代表文章里第s~e个字是答案；
这个听起来非常狂，但其实是今天非常标注的做法，5、6年前第一次听到实在不可置信。
做法如下图，这整个任务里，唯一需要从头开始训练，即random initialized的东西只有两个向量，这两个向量的长度跟bert的输出是一模一样的，
bert输入的长度有没有限制？理论上没有、但实际上有限制，因为self-attention的运算量非常很大，所以实作上bert输入的长度可能512就差不多了 ；训练时把文章截成一小段,
训练bert不是一般人能够训练的起来的，训练量太大了，需要的算力和资源太大，下图中用TPU v3训练100万次跑了8天：
如果我们自己训练一个bert，会有什么意义？有google现成的bert，而且这些预训练模型都是公开的。自己训练可以观察到bert在什么时候学会填什么样的词汇，填空能力到底是怎么增进的。具体可参考文献：https://arxiv.org/abs/2010.02480；
如何预训练一个seq2seq model？bert只有pre-train encoder，如何pre-train decoder呢？如下图，给encoder输入的句子做一些扰动（corrupted），然后希望decoder输出的句子 还原 弄坏前。
如何损坏输入的序列？有多种方法，见下图：
哪种“弄坏”的方法比较好？一篇Google的paper T5 已经讨论了这个问题：
你可以想的到的组合都做过了，长达67页
这篇文章试过了各式各样pre-train的方法
T5训练在C4 data set上，C4是个公开资料集 原始档案有7t
常见的解释是：输入一段文字，每一个文字都对应一个输出的向量，这些向量称为embedding，这些向量代表输入的字的意思，即：假设把这些字对应的向量画出来，算距离，你会发现意思越接近的字，他们对应的向量距离越近；字有一字多义，bert有考虑上下文，所以同一个字上下文不同，向量（embedding）是不一样的：
假设现在考虑“果”这个字，计算embedding之间的余弦相似度：
得到的计算结果如下图，十个“果”，两两计算相似度，得到10*10的矩阵，越偏黄表示值越大，bert知道前五个和后五个“果”意思不一样。
我们也许可以说，bert在训练做填空题的过程中，他学会了每个中文字的意思，所以可能能够在接下来的任务中做的更好，
bert为什么有这样神奇的能力？1960年代的语言学家：一个词汇的意思取决于他的上下文，bert在做填空题的过程中，也许他在学的就是从上下文抽取资讯，来预测被盖住的字，
这样的想法在bert之前就有了，过去有个技术word embedding中的CBOW技术（只用了两个linear transform）做的事情就是填空题，16年时候训练非常大的模型还是有困难的，
-BERT可以认为是deep版CBOW。bert能够考虑到上下文，所以抽出来的embedding也被叫做contextualized word embedding。
另一种解释是：把训练在文字上的bert用于蛋白质、DNA、音乐的分类，以DNA为例：
把bert用于DNA分类上，将ATCG分别对应到一个英文词汇（词汇随意选取），丢到bert里面，如下：
测试结果如下图，用bert是有一定效果的：
这个神奇的实验，bert为什么在该任务上能够运作起来，目前没有特别好的解释
bert为什么会好，还有很大研究的空间。
我们可以非常明显的从embedding里观察到他确实知道每个词汇的意思，但给他乱七八糟的句子，居然还可以分类的比较好，所以 他的能力也许不完全来自于看的懂文章，而是可能有其他的理由
也许bert本质上就是一个比较好的初始化参数、不见得跟语义有关，这组初始化参数就是特别适合拿来做大型模型的训练，
To learn more...
BERT(part1) https://youtu.be/1_gRK9EIQpc
BERT(part2) https://youtu.be/Bywo7m6ySlk
用多语言训练的得到的bert模型，google用104种语言训练了一个Multi-BERT模型，神奇的地方是，用英文的QA资料做训练，它自动就会学做中文的QA任务：
一个真实的实验如下图：
如何解释这种现象？一个比较简单的解释是，对multi-BERT而言，不同语言间没有什么差异，只要embedding意思一样，就很接近，如兔子和rabbit的embedding很近，也许他在看过大量语言的过程中自动学会了这件事。
下面实验验证：
MRR越高表示两个不同语言的embedding他们aligned越好，aligned好是指 同样意思不同语言的字他们的向量越接近。
蓝色是Google做的结果，代表是不同语言对他来说没有什么不一样，他只看意思。
李老师的团队自己也跑了一个multi-bert，每种语言有200k个资料，资料算很少。但是alignment比较差；于是他们想试试是不是资料量不够引起的，于是资料量增加了五倍，八张v100跑了两天，当快要放弃时，loss才掉下去，bert的性能才进一步变好了，而alignment的结果也变好了，如下图：
所以资料量是能把不同语言align在一起的非常关键的因素！很多现象要在足够资料量时才会显现出来。过去都没人说过 “英文QA数据训练，完成中文QA任务”，可能是资料量不够多、大量的运算资料、硬做下去，这种现象才会被观察到。
最后，再介绍一个神奇的实验：你不觉得整件事还是怪怪的吗，你说bert 可以把不同语言同样意思的符号让他们的向量接近，可是训练时，明明是给英文做英文填空，不会混在一起，如果对他来说不同语言没有差别，为什么他不在英文填空里填中文，bert应该是知道中英文之间的差异的，他知道语言的资讯，所以 语言的资讯到底在哪里？
于是李宏毅团队做了如下图的实验：计算中文embedding的平均值，英文embedding的平均值，蓝色向量表示两个平均值之间的距离，加到bert的输出embedding上，Bert就会觉得它读到的是中文的句子，让它做填空题，把embedding变回句子以后，是英文所对应的正确的中文形式，非常神奇：
四、GPT 系列
open AI发表的
GPT的任务是：预测下一个token，所以它有生成的能力
BOS begin of sentence
- GPT架构像是transformer的decoder，不过要拿掉cross attention部分。也就是说你会做mask attention
最大的GPT模型不是public available的、
有人把一个比较小的GPT模型放在线上。 可以输入一个句子，补完接下去的内容
-GPT也可以和BERT一样，把输出接上一个简单的linear部分然后做下游任务，但GPT论文不是这么做的
-有可能的原因是GPT实在是太大了，连fine-tun都不好做
Bert也是要train的model的一部分，参数也是要调的。
-GPT更倾向于进行Few-shot Learning、One-shot Learning甚至Zero-shot Learning
-“In-context” Learning代表不是一般的learning，梯度下降都没做，不对GPT的参数进行更新
GPT系列到底有没有达成这个目标？见仁见智。相较于可以微调模型，正确率有点低
加减法 学会了，跟逻辑推理有关的任务 怎么都学不会
to learn more... https://youtu.be/DOG1L9lvsDY
(选修)To Learn More - 來自獵人暗黑大陸的模型 GPT-3_哔哩哔哩_bilibili
GPT-3 的神奇之处
接下来就讲 GPT-3 的几个神奇之处。
首先，它可以做 Closed Book QA。在 question answering 中，有一个 knowledge source，有一个 question，然后要找出 answer。如果机器在回答问题的时候可以看 knowledge source，就是 open book QA，而 Closed Book QA 则是没有 knowledge source，直接问一个问题看看能不能得到答案。比如直接问你，喜马拉雅山有多高，看机器的参数里面会不会有喜马拉雅山高度的资讯，会不会不需要读任何文章，它就知道喜马拉雅山的高度是 8848 公尺。
而 GPT-3 的表现如图。神奇的事情是， Few-shot Learning 居然超过了在 TriviaQA 上 fine-tune 最好的 SOTA model。
所以，在这里，巨大的 model 展现了奇迹。如果是只有 13 个 billion，没有办法超越 SOTA，但约 10 倍大，达到 175 个 billion，可以超越 SOTA。
左图是 SuperGLUE 的部分，随着的参数量越来越多，performance 当然越来越好。如果看最大的 model 的话，它可以超越 Fine-tuned BERT Large model。
右图显示，在做 Few-shot Learning 时，training example 对 performance 所造成的影响。
如果没有给任何 example，也就是 Zero-shot Learning，当然有点差。但随着 example 越来越多，如果只给 1-4 个，那与 Fine-tuned BERT 的 performance 差不多；如果给到 32 个，就可以超越 Fine-tuned BERT。
GPT-3 是一个 language model，所以它可以生成文本。在 GPT-3 论文中，作者群也用 GPT-3 来产生文章。他们给 GPT-3 新闻的标题，然后希望 GPT-3 自己把新闻写出来。
有一个神奇的小发现是：如果不给 GPT-3 任何 example，只给它一则新闻的标题，它会以为这则新闻的标题是推特的一句话，然后接下来它就会自己去回应。
所以在做generation的时候，GPT-3 不会是 Zero-shot 的，你需要给它几个 example，告诉它有一个标题，下面会接一篇新闻，然后接下来再给他一个标题，希望它可以根据这个标题阐述。
在上图，纵轴代表的是，给人看 GPT-3 产生的新闻与真正的新闻，人能不能够判断这篇新闻的真假。如果人的正确率只有 50%，就代表 GPT-3 产生出来的新闻太过真实，真实到人类没法判断。最大的 GPT-3 几乎可以骗过人类，
GPT-3 还学会了造句。上图中，浅灰色的文字是人的输入，黑色的文字是 GPT-3 的输出。
你先告诉 GPT-3 要怎么造句，造句是怎么一回事，先给一个词汇的定义。比如，有一个东西叫做 “whatpu”，“whatpu” 是什么，“whatpu” 是一个小的毛茸茸的动物。接下来，以 “whatpu” 为词汇造一个句子，。
再给一个胡乱创造的词汇，这个词汇叫做 “Burringo”，是一种跑得很快的车。要 GPT-3 用 “Burringo” 造一个句子，它知道 Burringo 是一个可以开的东西。
再比如，有一个东西叫做 “Gigamuru”，它是日本的乐器。GPT-3 知道 Gigamuru 是一个可以弹的东西。
或者有一个动词 “screeg”，它是挥剑的意思。此时，GPT-3 造出来的句子有些奇怪了，它说我们对彼此挥剑（它知道要加 ed），然后我们就去吃 ice cream，乍一看有点前言不对后语，彼此挥剑感觉应该是敌人，怎么接下来就是吃 ice cream？如果你把 screeg 想成是一种小孩的游戏，小朋友对彼此挥剑之后，接下来去吃冰淇淋，听起来也是合理的。
再来看 GPT-3 学会做数学问题。如何让它做数学问题呢？你就问 “What is 17 minus 14？”，然后给它 “A:”，它自动回答 “3”。它居然会算数学。
GPT-3 的数学水平可以做到什么程度？如果看这些参数量最多的模型，你会发现，基本上在两位数的加法跟两位数的减法上，可以得到不错的几乎 100% 的正确率。三位数的减法也做得不错，也不知道为什么三位数的加法就稍微差一点。
其他更困难的问题 ——4 位数、5 位数的加法，对它来说就比较困难，但至少它学会了二位数跟三位数的加减法（三位数不算完全学会）。
GPT-3 的 “不神奇” 之处
从文章里面看，GPT-3 在做 NLI 问题的时候不太行。
所谓 NLI 的问题，即给机器两个句子，要求机器判断这两个句子是矛盾的，还是互相包含，还是中立的关系。
就算是最大的模型，在 Zero-Shot 跟 One-Shot 上，基本都是惨的。只有 Few-Shot Learning，给模型 50 个 example 的时候，看起来是有一些希望，
所以， NLI 问题对 GPT-3 来说还是有些困难。
不过，GPT-3 是一个巨大的 language model，它在学习的过程中从来没有看过什么 NLI 问题，只知道 predict 下一个词汇而已。
也许因为在做 NLI 任务的时候，我们放在一起的两个句子很多时候是奇怪和矛盾的句子，两个矛盾的句子放在一起，这种情况本身在人类文字中出现的次数是很少，所以，GPT 系列看到这种接在一起但是矛盾的句子，它会觉得有些困惑。
接下来发生了一件有趣的事情。今天我们在训练这种巨大的 model 时，资料往往来自于网络，而网络上爬下来的资料，有可能就包含了我们现在的 testing data。
本来 OpenAI 在做这个实验的时候，他们就想要尽量避免训练数据中杂了 downstream task 的数据。但是他们在写的时候有一个 bug，所以没有成功实现这一点。但是 GPT-3 太大了，虽然有一个 bug，但没办法重新训练，只能够就这样了。
虽然没有办法重新训练，那我们就改一下 testing data。所以他们把 downstream task data 分成 clean data 和 dirty data。
clean data，即 GPT-3 在训练的时候，没有接触到的 data。dirty data，即 GPT-3 在训练的时候接触过的 data。如果这些点在这一个水平线之下的话，就代表有看到 dirty data 的 performance 比较好，在水平线之上，就代表给 GPT-3 只看 clean data 的 performance 比较好，也就是说，有一些混杂的资料对它来说也没占到什么便宜。如图我们发现，多数任务都集中在这条水平线上，即训练数据有没有被污染，有没有混杂到 downstream task 的数据，对 GPT-3 来说也许影响并没有那么大，所以有一个 bug 就算了。
超大规模的 model，语言水平究竟如何？
有一个比赛叫做 Turing Advice Challenge。它跟 GPT-3 没有什么直接关系了，只是想知道 这么多巨大的 model，好像都理解人类的语言，那它们可以像人类一样知道怎么使用这些语言吗？而 这个比赛，就是要机器去 reddit 上给人类意见。reddit 上会有很多 po文，举例来说，有人会抛一些感情上的问题。这个 po文 是放在 Turing Advice Challenge paper 里面的例子。
对机器而言，要给出像样的建议不太容易。
那么，机器怎么学会给建议呢？你训练一个 model，这个 model “吃” 下 reddit 上的一个 po文，然后它会想办法去模仿 po文 下面的回复。
这个比赛提供了 600k 训练数据，也就是 600k 个 reddit 上的 po文 及 回应，
这里以 T5 当作例子，那个时候还没有 GPT-3。T5 答案 不知所云，看起来是合理的句子，看起来像在讲些什么，但实际上没有什么作用。今天，这些巨大的 language model，它往往能得到的表现就是样子。
上图是一些真正的实验结果。在 Turing Advice Challenge 中，拿了包括 Grover、T5 等各式各样的模型。拿reddit上大家公认最好的建议和这些model产生的建议做比较，
结果是，就算是 T5，人们也只有在 9% 的情况下，才觉得 T5 提出来的建议比人提出来的建议有效。
如果现在比较 reddit 上评分第一高的建议与第二高的建议，其实评分第二高的建议还有 40% 的人是觉得有用的，但 T5 只有 9% 的人是觉得有用。
这说明了，用这种巨大的 language model 来让机器使用语言，来产生文字，和人类对语言使用的能力仍相差甚远。
GPT用在影像上
raster order 一行一行的把影像产生出来，
直接用GPT，都没调network架构，直接把pixel当作文字硬train下去就结束了
-BERT、GPT系列只是self-supervised learning三个类型中的prediction，
SimCLR 非常有名
BYOL很奇怪，根本不知道他为什么work，这个想法感觉有巨大的瑕疵，而且还曾经一度得到state of the art的结果
语言版的Bert、GPT都已经有很多研究成果了
不过语言上相较于文字处理上 还是有一些很缺乏的东西，缺乏 如 GLUE 这样 基准的资料库
语言技术 其实有非常多不同的面向，语音转文字、语音包含非常多的资讯，内容、语者、语气、这句话背后的语义，...
我们有个toolkit 包含各式各样self-supervised模型，还有这些模型可以做的各式各样的语音下游任务
