Transfer learning dla modeli językowych

Rekurencyjne sieci neuronowe (RNN) do modelowania języka w Keras

David Cecchini

Data Scientist

Idea transfer learningu

Transfer learning:

Lepszy punkt startowy niż losowe wagi
Modele wytrenowane na bardzo dużych zbiorach danych
„Open-source" modele data science

Dostępne architektury

Przykład bazowy: I really loved this movie

Word2Vec
- Continuous Bag of Words (CBOW) X = [I, really, this, movie], y = loved
- Skip-gram X = loved, y = [I, really, this, movie]
FastText X = [I, rea, eal, all, lly, really, ...], y = loved
- Używa słów i n-gramów znaków
ELMo X = [I, really, loved, this], y = movie
- Używa słów, osadzeń zależnych od kontekstu
- Używa głębokich dwukierunkowych modeli językowych (biLM)
Word2Vec i FastText są dostępne w pakiecie gensim, a ELMo w tensorflow_hub

Przykład użycia Word2Vec

from gensim.models import word2vec

# Train the model
w2v_model = word2vec.Word2Vec(tokenized_corpus, size=embedding_dim, 
                              window=neighbor_words_num, iter=100)

# Get top 3 similar words to "captain"
w2v_model.wv.most_similar(["captain"], topn=3)

[('sweatpants', 0.7249663472175598),
('kirk', 0.7083336114883423),
('larry', 0.6495886445045471)]

Przykład użycia FastText

from gensim.models import fasttext

# Instantiate the model
ft_model = fasttext.FastText(size=embedding_dim, window=neighbor_words_num)

# Build vocabulary
ft_model.build_vocab(sentences=tokenized_corpus)

# Train the model
ft_model.train(sentences=tokenized_corpus, 
               total_examples=len(tokenized_corpus), 
               epochs=100)

Czas na ćwiczenia!

Rekurencyjne sieci neuronowe (RNN) do modelowania języka w Keras