百度文心ERNIE开源四大预训练模型助力AI工业大生产--龙新网-品牌策划

百度文心ERNIE开源四大预训练模型助力AI工业大生产

日期：2021-05-26 07:44:08 作者：分类：国内动态浏览：次

2019年以来，基于深度神经网络的预训练技术在技术创新和工业应用上不断取得突破，但传统预训练技术上仍有一些痛点困扰着开发者：

仅考虑单一粒度语义建模，缺乏多粒度语义理解能力;

受限于 Transformer 结构的建模长度瓶颈，无法处理超长文本;

聚焦语言等单一模态，缺乏工业真实应用场景针对多个模态如语言、视觉、听觉信息的联合建模能力。

5月20日举办的2021深度学习开发者峰会WAVE SUMMIT上，依托飞桨核心框架，百度文心ERNIE最新开源四大预训练模型：多粒度语言知识增强模型 ERNIE-Gram、长文本理解模型 ERNIE-Doc、融合场景图知识的跨模态理解模型 ERNIE-ViL、语言与视觉一体的模型ERNIE-UNIMO。

针对传统预训练技术现存的难点痛点，此次文心ERNIE开源的四大预训练模型不仅在文本语义理解、长文本建模和跨模态理解三大领域取得突破，效果上超越谷歌、微软等业界模型，还拥有广泛的应用场景和前景，进一步助力产业智能化升级。

文心ERNIE开源版地址：https://github.com/PaddlePaddle/ERNIE

文心ERNIE官网地址：https://wenxin.baidu.com/

一、多粒度语言知识增强模型ERNIE-Gram

从 ERNIE模型诞生起，百度研究者们就在预训练模型中引入知识，通过知识增强的方法提升语义模型的能力。本次发布的ERNIE-Gram模型正是通过显式引入语言粒度知识，从而提升模型的效果。具体来说，ERNIE-Gram 提出显式 n-gram 掩码语言模型，学习 n-gram粒度语言信息，相对连续的n-gram掩码语言模型大幅缩小了语义学习空间（ → ，其中为词表大小，为建模的gram 长度），显著提升预训练模型收敛速度。

图1-1 连续 n-gram 掩码语言模型 vs 显式 n-gram 掩码语言模型

此外，在显式 n-gram 语义粒度建模基础上，ERNIE-Gram 提出多层次 n-gram 语言粒度学习，利用 two-stream 双流机制，实现同时学习 n-gram 语言单元内细粒度(fine-grained)语义知识和 n-gram 语言单元间粗粒度(coarse-grained)语义知识，实现多层次的语言粒度知识学习。

图1-2 n-gram 多层次语言粒度掩码学习

ERNIE-Gram在不增加任何计算复杂度的前提下，在自然语言推断任务、短文本相似度任务、阅读理解任务等多个典型中文任务上，效果显著超越了业界主流开源预训练模型。此外，ERNIE-Gram 英文预训练模型也在通用语言理解任务、阅读理解任务上效果超越主流模型。ERNIE-Gram的方法被 NAACL 2021主会长文录用。

论文地址：https://arxiv.org/abs/2010.12148

二、长文本理解模型ERNIE-Doc

Transformer 是 ERNIE预训练模型所依赖的基础网络结构，但由于其计算量和空间消耗随建模长度呈平方级增加，导致模型难以建模篇章、书籍等长文本内容。受到人类先粗读后精读的阅读方式启发，ERNIE-Doc 首创回顾式建模技术，突破了 Transformer 在文本长度上的建模瓶颈，实现了任意长文本的双向建模。

通过将长文本重复输入模型两次，ERNIE-Doc在粗读阶段学习并存储全篇章语义信息，在精读阶段针对每一个文本片段显式地融合全篇章语义信息，从而实现双向建模，避免了上下文碎片化的问题。

此外，传统长文本模型(Transformer-XL等)中Recurrence Memory结构的循环方式限制了模型的有效建模长度。ERNIE-Doc将其改进为同层循环，使模型保留了更上层的语义信息，具备了超长文本的建模能力。

图2-1 ERNIE-Doc中的回顾式建模与增强记忆机制

通过让模型学习篇章级文本段落间的顺序关系，ERNIE-Doc 可以更好地建模篇章整体信息。

图2-2 篇章重排序学习

ERNIE-Doc显著提升了长文本的建模能力，可以解决很多传统模型无法处理的应用难题。例如在搜索引擎中，ERNIE-Doc可以对网页整体理解，返回用户更加系统的结果。在智能创作中，ERNIE-Doc可以用来生成更加长篇、语义丰富的文章。

超长文本理解模型 ERNIE-Doc在包括阅读理解、信息抽取、篇章分类、语言模型等不同类型的13个典型中英文长文本任务上取得最优的效果。ERNIE-Doc的方法被 ACL 2021主会长文录用。

论文链接：https://arxiv.org/abs/2012.15688

三、融合场景图知识的跨模态理解模型ERNIE-ViL

跨模态的信息处理能力需要人工智能模型深入理解并综合语言、视觉、听觉等模态的信息。当前，基于预训练的跨模态语义理解技术，通过对齐语料学习跨模态的联合表示，将语义对齐信号融合到联合表示中，从而提升跨模态语义理解能力。ERNIE-ViL提出了知识增强的视觉-语言预训练模型，将包含细粒度语义信息的场景图(Scene Graph)知识融入预训练过程，构建了物体预测、属性预测、关系预测三个预训练任务，使得模型在预训练过程中更加关注细粒度语义知识，学习到能够刻画更好跨模态语义对齐信息，得到更好的跨模态语义表示。

图3-1知识增强的跨模态预训练ERNIE-ViL框架

ERNIE-ViL首次将场景图知识融入跨模态模型的预训练过程，为跨模态语义理解领域研究提供了新的思路。该模型在视觉问答、视觉常识推理、引用表达式理解、跨模态文本&图像检索等5个典型跨模态任务上取得了领先的效果。ERNIE-ViL模型也逐步在视频搜索等真实工业应用场景中落地。ERNIE-ViL的方法被AAAI-2021主会长文录用。

论文地址:https://arxiv.org/abs/2006.16934

四、语言与视觉一体的模型ERNIE-UNIMO

大数据是深度学习取得成功的关键基础之一。当前的预训练方法，通常分别在各种不同模态数据上分别进行，难以同时支持各类语言和图像的任务。基于深度学习的AI系统是否也能像人一样同时学习各种单模、多模等异构模态数据呢?如果能够实现，无疑将进一步打开深度学习对大规模数据利用的边界，从而进一步提升AI系统的感知与认知的通用能力。

为此，语言与视觉一体的模型ERNIE-UNIMO提出统一模态学习方法，同时使用单模文本、单模图像和多模图文对数据进行训练，学习文本和图像的统一语义表示，从而具备同时处理多种单模态和跨模态下游任务的能力。此方法的核心模块是一个Transformer网络，在具体训练过程中，文本、图像和图文对三种模态数据随机混合在一起，其中图像被转换为目标(object)序列，文本被转换为词(token)序列，图文对被转换为目标序列和词序列的拼接。统一模态学习对三种类型数据进行统一处理，在目标序列或者词序列上基于掩码预测进行自监督学习，并且基于图文对数据进行跨模态对比学习，从而实现图像与文本的统一表示学习。进一步的，这种联合学习方法也让文本知识和视觉知识互相增强，从而有效提升文本语义表示和视觉语义表示的能力。