本文主要用于记录发表于2018年的一篇论文。该论文首次提出了将迁移学习应用在NLP领域。本笔记主要为方便初学者快速入门，以及自我回顾。
论文链接：https://arxiv.org/pdf/1801.06146.pdf
开源地址：http://nlp.fast.ai/ulmfit
基本目录如下：
- 摘要
- 核心思想
- 总结
——————第一菇 – 摘要——————
1.1 论文摘要
迁移学习的成功已经在计算机视觉领域取得了巨大的成功，但是在NLP领域还是不能够很好的运用。本文作者提出了一种针对NLP领域的迁移学习方法，ULMFiT，主要是介绍了很多在微调模型时候的小技巧。作者的这种方法在六大文本分类任务上都取得了成功，并且在大部分数据集上将误差减少了18-24%。此外，还有一个比较夸张的点，仅仅用了100个标注数据，就取得了等同于用100倍数据量训练出来的结果。
——————第二菇 – 核心思想——————
2.1 论文背景介绍
其实论文本身没有提出什么特别的模型结构，主要的重点就是放在介绍其实践迁移学习的方法。在开篇介绍部分作者也解释说了，现阶段的NLP的深度学习模型在有大量数据训练的基础上，确是能取得不错的效果，但是大数据集常常很难获取，而现阶段在NLP领域做的比较好的，也就是word embeddings那一层可以实现。然后作者也解释了一下原因，他们认为其实不能做迁移学习本身并不是语言模型（LM）不够强大，而是我们在做预训练的时候，或者在迁移本身的训练上有很多的小技巧我们没有很好的掌握，所以，作者才会提出一种全新的模式ULMFiT（Universal Language Model Fine-tuning），来实践NLP领域的迁移学习方法。
2.2 论文模型实践方法
作者提出的实践方法，第一个词就是“universal”，显示了其通用性，作者对其的理解有如下几个层面：
1）适用于任意的文本大小，数据类型，标签类型
2）单一的模型架构和训练过程
3）不需要额外的特征过程与预训练
4）不需要额外领域专一的文本和标签
看这描述是，如果能做到，那绝对是NLP领域的里程碑！接下来，我们仔细看一下，作者实践的步骤。
第一步 – 通用领域语言模型的预训练
类似ImageNet在CV的地位一样，NLP领域应该也需要这样的通用数据集，作者目前是用Wikitext-103来做预训练的，这一步其实是最耗费时间的（贵），但是只需要做一次，就会为后续的下游NLP模型打好基础。
第二步 – 目标任务的语言模型微调
目标任务的数据分布肯定是与我们的预训练数据分布不一样的，因此，我们需要用目标任务的数据来对我们的语言模型进行微调训练。因为有提前的预训练，因此这一步的微调需要一点小技巧，作者提出了2种设置学习率的小技巧，
1）分层学习率微调（Discriminative fine-tuning）
核心思想就是在微调的时候，作者认为对所有的层都设置相同的学习率是不合理的，因为每一层都在学习词汇不同层面的表达特征，因此在新的数据集上，每一层需要学习的程度也是不一样的。因此作者提出的解决办法就是为每一层都设置不同的学习率，因此反向传播的公式就可以表达为，
其中，就是每一层的学习率。作者实验发现，当最后的一层的学习率设置为
的时候，
，时候效果最好。
2）斜三角学习率（Slanted triangular learning rates）
作者同时还认为，在对任务语料微调训练的时候，模型应该在一开始就快速收敛，然后再慢慢精修。因此，作者提出了一种新的学习率设置机制，在一开始训练的时候增加学习率，然后在线性衰减学习率，公式如下，
STLR.png
其中，就是训练的迭代次数，
就是学习率上升的迭代次数比率，
就是学习率开始衰减时候的迭代次数，
就是学习率的衰减比例（最小／最大），
就是某次迭代的学习率。然后作者实验发现，短时间的增加学习率，长时间的衰减，模型的拟合能力是最棒的～
第三步 – 目标任务的分类模型微调
我们最终还是要来微调最后产生结果的分类模型。首先作者为了增强语言模型的表达能力，额外多加了两个线性组合层。因此，最终输出到分类器层，不仅仅来自语言模型的最后一层输出，还包括了最大池化层，平均池化层，
在最终微调分类器的时候，作者又提出了一种新的训练技巧，逐层解冻（Gradual unfreezing）。简单来说，就是作者任务最后一层会包括最通用的特征，因此，在训练时候，我们先训练最后一层（冻住其他层），而不是所有层一起来训练。然后在第二个EPOCH的时候，再解冻倒数第二层来训练，然后以此类推。
至此，整个流程已经介绍完了，贴一张原论文的图来帮大家梳理逻辑。
三阶段.png
随后在论文的实验部分，作者也通过实验设定来证实自己提出的几种微调模型的有效性。这里就不具体展开，有兴趣的朋友可以自己去查阅原始论文。
2.3 论文模型实践
这里先留个坑，以后有时间，把ULMFiT的调参实践也摆上来。
——————第三菇 – 总结——————
3.1 总结
到这里，整篇论文的核心思想及其创新点已经说清楚了。本论文主要集中在于阐述ULMFiT运用于NLP迁移学习的步骤及其预训练和调参的思想，并且用具体的NLP实验证明了使用这一套架构的原理，并证实了其可行性。
简单总结一下本文就是先罗列了一下该论文的摘要，再具体介绍了一下ULMFiT流程和调参技巧。总的来说，这篇论文提出的很多小技巧值得大家学习。希望大家读完本文后能进一步加深对该论文的理解。有说的不对的地方也请大家指出，多多交流，大家一起进步～😁
