自然语言处理 Paddle NLP - 预训练模型产业实践课-理论

基础
自然语言处理（NLP）
自然语言处理PaddleNLP-词向量应用展示
自然语言处理（NLP）-前预训练时代的自监督学习
自然语言处理PaddleNLP-预训练语言模型及应用
自然语言处理PaddleNLP-文本语义相似度计算（ERNIE-Gram）
自然语言处理PaddleNLP-词法分析技术及其应用
自然语言处理PaddleNLP-快递单信息抽取
理解
自然语言处理PaddleNLP-信息抽取技术及应用
自然语言处理PaddleNLP-基于预训练模型完成实体关系抽取--实践
自然语言处理PaddleNLP-情感分析技术及应用-理论
自然语言处理PaddleNLP-情感分析技术及应用SKEP-实践
问答
自然语言处理PaddleNLP-检索式文本问答-理论
自然语言处理PaddleNLP-结构化数据问答-理论
翻译
自然语言处理PaddleNLP-文本翻译技术及应用-理论
自然语言处理PaddleNLP-机器同传技术及应用-理论
对话
自然语言处理PaddleNLP-任务式对话系统-理论
自然语言处理PaddleNLP-开放域对话系统-理论
产业实践
自然语言处理 Paddle NLP - 预训练模型产业实践课-理论

模型压缩：理论基础
模型压缩基本方法分为三类:

• 量化
• 裁剪
• 蒸馏
  
  量化
  
  
  裁剪
  
  
  绿线：随机裁剪 30% 已经扛不住了
  蓝线：60% 还不错
  
  蒸馏
  
• 蒸馏任务与原来的学习任务同时进行.
• 对于没有标注的数据，可以只学习teacher的预测概率
  Teacher model:教师模型，是已经训练好的，比较不错的模型。
  Student(distilled) model:学生模型，是重新初始化的小模型,去学生老师的结果
  设置损失函数，让学生的概率分布，往老师上靠。使得学生能够复现老师的输出，从而获得老师的准确率
  

蒸馏的信号

第一步：A 首先对Student进行学习，不带蒸馏的，一般在无监督数据上进行 lask
第二步：把学习的模型拿过来，带一个老师模型，同样进行无监督学习，B
第三步：通过通用的老师.. 视频时间：20:00
任务无关蒸馏：不需要知道下一步要做什么，蒸完就能直接拿去用

3层，比12层更小，更宽。
压缩模型最好是压深度，而不是宽度，因为压缩深度可以有效的降低依赖性，使用3步就可以完成计算，宽度有些设备可以高效的并行完成
宽度的大小对整个模型的预测时间，是影响不大的

中文是没有空格的语言，所以先要分词

产业实践案例
模型上线，首先要考虑的是模型是不是需要微调，有些模型不需要微调，直接可以上线。

1. 可能没有数据给他微调
2. 希望这个模型做为下游模型的输入

CPU在线预测应用

数据增强

实践案例:搜索问答

实践案例:GPU在线预测应用在搜索引擎