new update

Section05-Neural-Networks-and-Language-Modeling/section05-test.tex

@@ -120,52 +120,36 @@
 \subsection{词嵌入}
 
 %%%------------------------------------------------------------------------------------------------------------
-%%% 更强大的表示模型 - ELMO
-\begin{frame}{更强的表示模型 - ELMO}
+%%% Transformer architecture
+\begin{frame}{语言模型的评价指标}
 \begin{itemize}
-\item \textbf{ELMO}(Embedding from Language Models)可以说是掀起了基于语言模型的预训练的热潮
-    \begin{itemize}
-    \item 仍然使用RNN结构，不过循环单元换成了LSTM
-    \item 同时考虑自左向右和自右向左的建模方式，同时表示一个词左端和右端的上下文
-    \item 融合所有层的输出，送给下游应用，提供了更丰富的信息
-    \end{itemize}
-\end{itemize}
-\end{frame}
-
-%%%------------------------------------------------------------------------------------------------------------
-%%% 更强大的表示模型 - GTP
-\begin{frame}{更强的表示模型 - GPT}
+\item 困惑度(ppl)
 \begin{itemize}
-\item \textbf{GPT}(Generative Pre-Training)也是一种基于语言模型的表示模型
-    \begin{itemize}
-    \item 架构换成了Transformer，特征抽取能力更强
-    \item 基于Pre-training + Fine-tuning的框架，预训练作为下游系统部件的参数初始值，因此可以更好的适应目标任务
-    \end{itemize}
+\item 语言模型预测一个语言样本的能力
+\item 困惑度越低，建模的效果越好
 \end{itemize}
-\end{frame}
-
-%%%------------------------------------------------------------------------------------------------------------
-%%% 更强大的表示模型 - BERT
-\begin{frame}{更强的表示模型 - BERT}
-\begin{itemize}
-\item \textbf{BERT}( Bidirectional Encoder Representations from Transformers)是最近非常火爆的表示模型
-    \begin{itemize}
-    \item 仍然基于Transformer但是考虑了左右两端的上下文(可以对比GPT)
-    \item 使用了Mask方法来增加训练得到模型的健壮性，这个方法几乎成为了预训练表示模型的新范式
-    \end{itemize}
 \end{itemize}
-\end{frame}
 
-%%%------------------------------------------------------------------------------------------------------------
-%%% 更强大的表示模型 - BERT
-\begin{frame}{更强的表示模型 - BERT}
-\begin{itemize}
-\item \textbf{BERT}( Bidirectional Encoder Representations from Transformers)是最近非常火爆的表示模型
-    \begin{itemize}
-    \item 仍然基于Transformer但是考虑了左右两端的上下文(可以对比GPT)
-    \item 使用了Mask方法来增加训练得到模型的健壮性，这个方法几乎成为了预训练表示模型的新范式
-    \end{itemize}
-\end{itemize}
+\begin{center}
+\begin{tikzpicture}
+\begin{scope}
+\node [anchor=west] (eq) at (0,0) {$perplexity(s)=p(w_1,w_2,w_3,...,w_m)^{-1/m}$};
+
+\end{scope}
+\end{tikzpicture}
+\end{center}
+\vspace{0.5em}
+\begin{tabular}{l | l | l | r}
+模型 & 作者 & 年份 & PPL \\ \hline
+Feed-forward Neural LM & Bengio et al. & 2003 & 162.2 \\
+Recurrent NN-based LM & Mikolov et al. & 2010 & 124.7 \\
+Recurrent NN-LDA & Mikolov et al. & 2012 & 92.0 \\
+LSTM & Zaremba et al. & 2014 & 78.4 \\
+RHN & Zilly et al. & 2016 & 65.4 \\
+AWD-LSTM & Merity et al. & 2018 & 58.8 \\
+GPT-2 (Transformer) & Radford et al. & 2019 & \alert{35.7}
+\end{tabular}
+
 \end{frame}
 
 %%%------------------------------------------------------------------------------------------------------------