27
Sep
必须要GPT3吗？不，BERT的MLM模型也能小样本学习
By 苏剑林 | 2020-09-27 | 149732位读者 |大家都知道现在GPT3风头正盛，然而，到处都是GPT3、GPT3地推，读者是否记得GPT3论文的名字呢？事实上，GPT3的论文叫做《Language Models are Few-Shot Learners》，标题里边已经没有G、P、T几个单词了，只不过它跟开始的GPT是一脉相承的，因此还是以GPT称呼它。顾名思义，GPT3主打的是Few-Shot Learning，也就是小样本学习。此外，GPT3的另一个特点就是大，最大的版本多达1750亿参数，是BERT Base的一千多倍。
正因如此，前些天Arxiv上的一篇论文《It's Not Just Size That Matters: Small Language Models Are Also Few-Shot Learners》便引起了笔者的注意，意译过来就是“谁说一定要大的？小模型也可以做小样本学习”。显然，这标题对标的就是GPT3，于是笔者饶有兴趣地点进去看看是谁这么有勇气挑战GPT3，又是怎样的小模型能挑战GPT3？经过阅读，原来作者提出通过适当的构造，用BERT的MLM模型也可以做小样本学习，看完之后颇有一种“原来还可以这样做”的恍然大悟感～在此与大家分享一下。
冉冉升起的MLM #
MLM，全称“Masked Language Model”，可以翻译为“掩码语言模型”，实际上就是一个完形填空任务，随机Mask掉文本中的某些字词，然后要模型去预测被Mask的字词，示意图如下：
BERT的MLM模型简单示意图
其中被Mask掉的部分，可以是直接随机选择的Token，也可以是随机选择连续的能组成一整个词的Token，后者称为WWM（Whole Word Masking）。
开始，MLM仅被视为BERT的一个预训练任务，训练完了就可以扔掉的那种，因此有一些开源的模型干脆没保留MLM部分的权重，比如brightmart版和clue版的RoBERTa，而哈工大开源的RoBERTa-wwm-ext-large则不知道出于什么原因随机初始化了MLM部分的权重，因此如果要复现本文后面的结果，这些版本是不可取的。
然而，随着研究的深入，研究人员发现不止BERT的Encoder很有用，预训练用的MLM本身也很有用。比如论文《BERT has a Mouth, and It Must Speak: BERT as a Markov Random Field Language Model》指出MLM可以作为一般的生成模型用，论文《Spelling Error Correction with Soft-Masked BERT》则将MLM用于文本纠错，笔者之前在《从语言模型到Seq2Seq：Transformer如戏，全靠Mask》的实验也表明MLM的预训练权重也可以当作UniLM来用做Seq2Seq任务，还有《无监督分词和句法分析！原来BERT还可以这样用》一文将MLM的思想用于无监督分词和句法分析了。可以说MLM已经是大放异彩了。
将任务转成完形填空 #
在本文里，我们再学习MLM的一个精彩应用：用于小样本学习或半监督学习，某些场景下甚至能做到零样本学习。
怎么将我们要做的任务跟MLM结合起来呢？很简单，给任务一个文本描述，然后转换为完形填空问题即可。举个例子，假如给定句子“这趟北京之旅我感觉很不错。”，那么我们补充个描述，构建如下的完形填空：
______满意。这趟北京之旅我感觉很不错。
进一步地，我们限制空位处只能填一个“很”或“不”，问题就很清晰了，就是要我们根据上下文一致性判断是否满意，如果“很”的概率大于“不”的概率，说明是正面情感倾向，否则就是负面的，这样我们就将情感分类问题转换为一个完形填空问题了，它可以用MLM模型给出预测结果，而MLM模型的训练可以不需要监督数据，因此理论上这能够实现零样本学习了。
多分类问题也可以做类似转换，比如新闻主题分类，输入句子为“八个月了，终于又能在赛场上看到女排姑娘们了。”，那么就可以构建
下面报导一则______新闻。八个月了，终于又能在赛场上看到女排姑娘们了。
这样我们就将新闻主题分类也转换为完形填空问题了，一个好的MLM模型应当能预测出“体育”二字来。
还有一些简单的推理任务也可以做这样的转换，常见的是给定两个句子，判断这两个句子是否相容，比如“我去了北京”跟“我去了上海”就是矛盾的，“我去了北京”跟“我在天安门广场”是相容的，常见的做法就是将两个句子拼接起来输入到模型做，作为一个二分类任务。如果要转换为完形填空，那该怎么构造呢？一种比较自然的构建方式是：
我去了北京？______，我去了上海。
我去了北京？______，我在天安门广场。
其中空位之处的候选词为$\{\text{是的}, \text{不是}\}$。
Pattern-Exploiting #
读到这里，读者应该不难发现其中的规律了，就是给输入的文本增加一个前缀或者后缀描述，并且Mask掉某些Token，转换为完形填空问题，这样的转换在原论文中称为Pattern，这个转换要尽可能与原来的句子组成一句自然的话，不能过于生硬，因为预训练的MLM模型就是在自然语言上进行的。显然同一个问题可以有很多不同的Pattern，比如情感分类的例子，描述可以放最后，变成“这趟北京之旅我感觉很不错。____满意。”；也可以多加几个字，比如“觉得如何？____满意。这趟北京之旅我感觉很不错。”。
然后，我们需要构建预测Token的候选空间，并且建立Token到实际类别的映射，这在原论文中称为Verbalizer，比如情感分类的例子，我们的候选空间是$\{\text{很}, \text{不}\}$，映射关系是$\text{很}\to\text{正面},\text{不}\to\text{负面}$，候选空间与实际类别之间不一定是一一映射，比如我们还可以加入“挺”、“太”、“难”字，并且认为$\{\text{很},\text{挺},\text{太}\}\to\text{正面}$以及$\{\text{不},\text{难}\}\to\text{负面}$，等等。不难理解，不少NLP任务都有可能进行这种转换，但显然这种转换一般只适用于候选空间有限的任务，说白了就是只用来做选择题，常见任务的就是文本分类。
刚才说了，同一个任务可以有多种不同的Pattern，原论文是这样处理的：
1、对于每种Pattern，单独用训练集Finetune一个MLM模型出来；
2、然后将不同Pattern对应的模型进行集成，得到融合模型；
3、用融合模型预测未标注数据的伪标签；
4、用伪标签数据Finetune一个常规的（非MLM的）模型。
具体的集成方式大家自己看论文就行，这不是重点。这种训练模式被称为Pattern-Exploiting Training（PET），它首先出现在论文《Exploiting Cloze Questions for Few Shot Text Classification and Natural Language Inference》，本文要介绍的这篇论文则进一步肯定和完善了Pattern-Exploiting Training的价值和结果，并整合了多任务学习，使得它在SuperGLUE榜单上的小样本学习效果超过了GPT3。两篇论文的作者是相同的，是一脉相承的作品。
PET在SuperGLUE上的小样本学习的结果
不过要吐槽一个点是，上图中PET的223M参数，所用的模型是ALBERT-xxlarge-v2，事实上称ALBERT为“小模型”是一种很耍流氓的行为，因为它前向计算的速度并没有得到任何提升。ALBERT-xxlarge共有12层，层与层之间参数是共享的，就前向计算而言，它应该等价于约2700M（12倍）参数的GPT才对。
中文实践，检验效果 #
要真正确认一个方法或模型的价值，看论文的实验表格是不够的，论文给出的实验结果谁都不好说能否复现，其次就算英文上能复现也不代表中文上有价值，因此最实际的还是亲自动手做实验验证。下面是笔者的实验代码，供读者参考：
我们将从以下几个角度来探讨PET的可行性：
1、直接利用现成的MLM模型效果如何？（零样本学习1）
2、用“大量无标签数据”微调现成的MLM模型效果如何？（零样本学习2）
3、用“小量标签数据”微调现成的MLM模型效果如何？（小样本学习）
4、用“小量标签数据+大量无标签数据”微调现成的MLM模型效果如何？（半监督学习）
下面主要给出情感二分类的实验结果。另外还有一个新闻主题的多分类，代码也放到Github了，其结果是类似的，就不重复陈述了。
零样本学习1 #
这里主要探索的是给输入文本补上对应的Pattern后，直接基于现成的MLM模型进行预测，预测的准确率。由于构建模型的整个过程都不涉及到标签数据监督训练，因此这算是一种“零样本学习”。我们需要比较的是不同Pattern、不同MLM模型上的效果：
下面是实验的几个Pattern，其中空位处候选词语都为“很”和“不”：
P1：____满意。这趟北京之旅我感觉很不错。
P2：这趟北京之旅我感觉很不错。____满意。
P3：____好。这趟北京之旅我感觉很不错。
P4：____理想。这趟北京之旅我感觉很不错。
P5：感觉如何？____满意。这趟北京之旅我感觉很不错。
至于MLM模型，则是下面几个：
M1：Google开源的中文版BERT Base（链接）；
M2：哈工大开源的RoBERTa-wwm-ext Base（链接）：
M3：腾讯UER开源的BERT Base（链接）；
M4：腾讯UER开源的BERT Large（链接）。
实验结果如下表（验证集/测试集）：
$$\begin{array}{c}
\text{不同模型不同Pattern的零样本学习效果}
\\
{\begin{array}{c|ccccc}
\hline
& \text{P1} & \text{P2} & \text{P3} & \text{P4} & \text{P5} \\
\hline
\text{M1} & 66.94\,/\,67.60 & 57.56\,/\,56.13 & 58.83\,/\,59.69 & 83.70\,/\,83.33 & 75.98\,/\,76.13\\
\text{M2} & 85.17\,/\,84.27 & 70.63\,/\,68.69 & 58.55\,/\,59.12 & 81.81\,/\,82.28 & 80.25\,/\,81.62\\
\text{M3} & 66.75\,/\,68.64 & 50.45\,/\,50.97 & 68.97\,/\,70.11 & 81.95\,/\,81.48 & 61.49\,/\,62.58\\
\text{M4} & 83.56\,/\,85.08 & 72.52\,/\,72.10 & 76.46\,/\,77.03 & 88.25\,/\,87.45 & 82.43\,/\,83.56\\
\hline
\end{array}}
\end{array}$$
最好的效果居然可以达到88%！也就是说，加载现成的MLM，配合适当的Pattern，不需要任何标注数据，就可以正确识别大部分样本情感倾向了。这不得不让我们对MLM模型的潜力刮目相看了。
可以观察到，不同的Pattern、不同的预训练模型之间还是有一定的差异的，整体而言Large版本的效果要明显好于Base版本的模型，说明像GPT到GPT2再到GPT3一样，还是把模型做得更大会更好。此外，这还有可能说明实际上MLM还没有被充分训练好，或许是因为BERT这种Mask掉一部分的训练方式过于低效了，可能用《修改Transformer结构，设计一个更快更好的MLM模型》一文提到的改进版MLM会更好。
零样本学习2 #
看完上述结果，读者可能会想到：如果我用领域内的数据继续预训练MLM模型，那么能不能提升效果呢？答案是：能！下面是我们的实验结果，算力有限，我们只在RoBERTa-wwm-ext（上述的M2，继续预训练后的模型我们称为M2+无监督）的基础上做了比较：
$$\begin{array}{c}
\text{继续MLM预训练的零样本学习效果}
\\
{\begin{array}{c|ccccc}
\hline
& \text{P1} & \text{P2} & \text{P3} & \text{P4} & \text{P5} \\
\hline
\text{M2} & 85.17\,/\,84.27 & 70.63\,/\,68.69 & 58.55\,/\,59.12 & 81.81\,/\,82.28 & 80.25\,/\,81.62\\
\text{M2}^{+\text{无监督}} & 88.05\,/\,87.53 & 71.01\,/\,68.78 & 81.05\,/\,81.24 & 86.40\,/\,85.65 & 87.26\,/\,87.40\\
\hline
\end{array}}
\end{array}$$
要注意的是，这里我们只是用领域内的数据继续做MLM训练，这个过程是无监督的，也不需要标注信号，因此也算是“零样本学习”。同时，从到目前为止的结果我们可以看出，给输入本文加入“前缀”的效果比“后缀”更有优势一些。
小样本学习 #
刚才我们讨论了无标签数据继续预训练MLM的提升，如果回到PET的目标场景，直接用小量的标签数据配合特定的Pattern训练MLM又如何呢？这也就是真正的“小样本学习”训练了，这里我们保留约200个标注样本，构造样本的时候，我们先给每个句子补上Pattern，除了Pattern自带的Mask位置之外，我们还随机Mask其他一部分，以增强对模型的正则。最终实验结果如下：
$$\begin{array}{c}
\text{小样本学习效果}
\\
{\begin{array}{c|ccccc}
\hline
& \text{P1} & \text{P2} & \text{P3} & \text{P4} & \text{P5} \\
\hline
\text{M2} & 85.17\,/\,84.27 & 70.63\,/\,68.69 & 58.55\,/\,59.12 & 81.81\,/\,82.28 & 80.25\,/\,81.62\\
\text{M2}^{+\text{小样本}} & 89.29\,/\,89.18 & 84.71\,/\,82.76 & 88.91\,/\,89.05 & 89.31\,/\,89.13 & 89.07\,/\,88.75\\
\hline
\end{array}}
\end{array}$$
结论就是除了“后缀式”的P2之外，其它结果都差不多，这进一步说明了“前缀式”的Pattern会比“后缀式”更有竞争力一些。在效果上，直接用同样的数据用常规的方法去微调一个BERT模型，大概的结果是88.93左右，所以基于“MLP+Pattern”的小样本学习方法可能带来轻微的性能提升。
半监督学习 #
无监督的零样本学习和有监督的小样本学习都说完了，自然就轮到把标注数据和非标注数据都结合起来的“半监督学习”了。还是同样的任务，标注数据和非标注数据的比例大约是1:99，标注数据带Pattern，非标注数据不带Pattern，大家都Mask掉一部分Token进行MLM预训练，最终测出来的效果如下：
$$\begin{array}{c}
\text{半监督学习效果}
\\
{\begin{array}{c|ccccc}
\hline
& \text{P1} & \text{P2} & \text{P3} & \text{P4} & \text{P5} \\
\hline
\text{M2} & 85.17\,/\,84.27 & 70.63\,/\,68.69 & 58.55\,/\,59.12 & 81.81\,/\,82.28 & 80.25\,/\,81.62\\
\text{M2}^{+\text{半监督}} & 90.09\,/\,89.76 & 79.58\,/\,79.35 & 90.19\,/\,88.96 & 90.05\,/\,89.54 & 89.88\,/\,89.23\\
\hline
\end{array}}
\end{array}$$
还是同样的，“后缀”明显比“前缀”差，“前缀”的效果差不多。具体效果上，则是肯定了额外的无标注数据也是有作用的。直觉上来看，“前缀”比“后缀”要好，大体上是因为“前缀”的Mask位置比较固定，微弱的监督信号得以叠加增强？但这也不能解释为什么零样本学习的情况下也是“前缀”更好，估计还跟模型的学习难度有关系，可能句子前面部分的规律更加明显，相对来说更加容易学一些，所以前面部分就学习得更加充分？这一切都还只是猜测。
汇总与结论 #
将上述结果汇总如下：
$$\begin{array}{c}
\text{结果汇总比较}
\\
{\begin{array}{c|ccccc}
\hline
& \text{P1} & \text{P2} & \text{P3} & \text{P4} & \text{P5} \\
\hline
\text{M2} & 85.17\,/\,84.27 & 70.63\,/\,68.69 & 58.55\,/\,59.12 & 81.81\,/\,82.28 & 80.25\,/\,81.62\\
\text{M2}^{+\text{无监督}} & 88.05\,/\,87.53 & 71.01\,/\,68.78 & 81.05\,/\,81.24 & 86.40\,/\,85.65 & 87.26\,/\,87.40\\
\text{M2}^{+\text{小样本}} & 89.29\,/\,89.18 & 84.71\,/\,82.76 & 88.91\,/\,89.05 & 89.31\,/\,89.13 & 89.07\,/\,88.75\\
\text{M2}^{+\text{半监督}} & 90.09\,/\,89.76 & 79.58\,/\,79.35 & 90.19\,/\,88.96 & 90.05\,/\,89.54 & 89.88\,/\,89.23\\
\hline
\end{array}}
\end{array}$$
读者还可以对比我们之前在文章《泛化性乱弹：从随机噪声、梯度惩罚到虚拟对抗训练》中用虚拟对抗训练（VAT）做半监督学习的结果，可以看到不管是零样本学习、小样本学习还是半监督学习，基于MLM模型的方式都能媲美基于VAT的半监督学习的结果。我们在做短新闻多分类实验时的结果也是相似的。因此，这说明了MLM模型确实也可以作为一个优秀的零样本/小样本/半监督学习器来使用。
当然，基于MLM模型的缺点还是有的，比如MLM所使用的独立假设限制了它对更长文本的预测能力（说白了空位处的文字不能太长），以及无法预测不定长的答案也约束了它的场景（所以当前只能用于做选择题，不能做生成）。我们期待有更强的MLM模型出现，那时候就有可能在所有任务上都能与GPT3一较高下了。
又到了说小结的时候 #
本文介绍了BERT的MLM模型的一个新颖应用：配合特定的描述将任务转化为完形填空，利用MLM模型做零样本学习、小样本学习和半监督学习。在原论文的SuperGLUE实验里边，它能达到媲美GPT3的效果，而笔者也在中文任务上做了一些实验，进一步肯定了该思路的有效性。整个思路颇为别致，给人一种“原来还可以这样做”的恍然大悟感，推荐大家学习一下。
转载到请包括本文地址：https://kexue.fm/archives/7764
更详细的转载事宜请参考：《科学空间FAQ》
如果您还有什么疑惑或建议，欢迎在下方评论区继续讨论。
如果您觉得本文还不错，欢迎分享/打赏本文。打赏并非要从中获得收益，而是希望知道科学空间获得了多少读者的真心关注。当然，如果你无视它，也不会影响你的阅读。再次表示欢迎和感谢！
如果您需要引用本文，请参考：
苏剑林. (Sep. 27, 2020). 《必须要GPT3吗？不，BERT的MLM模型也能小样本学习 》[Blog post]. Retrieved from https://kexue.fm/archives/7764
@online{kexuefm-7764,
title={必须要GPT3吗？不，BERT的MLM模型也能小样本学习},
author={苏剑林},
year={2020},
month={Sep},
url={\url{https://kexue.fm/archives/7764}},
}
March 6th, 2021
[...]对了，如果你想用Large版本的BERT，不建议用哈工大开源的 RoBERTa-wwm-ext-large ，理由在 《必须要GPT3吗？不，BERT的MLM模型也能小样本学习》 已经说过了，该版本不知道为啥随机初始化了MLM部分的权重，而我们需要用到MLM权重。需要用Large版本的，推荐用腾讯UER开源的 BERT Large 。[...]
mlm部分的权重指的是encoder部分的权重？这不是所有fintune任务必须依赖的权重么？
get了，是前向神经网络的那部分权重
是指encoder之外的那个全连接层的权重。
还是有点没懂是那一部分权重。请教一下，encoder之外的那个全连接层不是和embedding 矩阵绑定的嘛？谢谢！
GPT和BERT都是的
那为什么说随机初始化了MLM部分的权重？
没太看懂，谢谢指教！
因为它确实随机初始化了MLM部分的权重，MLM预测出来的结果几乎都是错的。
至于为什么它要这样做，那你就要去问原作者了，我也无法理解。
March 11th, 2021
苏神提到通过配合适当的Pattern，可以算作是一种“零样本学习”。但是业界对标签数据之所以敏感，我觉得主要还是因为标注工作的代价高昂，那这个添加Pattern的过程，在本质上是不是也还是算一种标注的过程。这里有点想不明白，希望苏神拨冗解惑
你说的没错，这个Pattern某种意义上来说也是一种标注，但这是所有zero shot方法的共性，你想一下，不需要任何样本就可以识别一个新类，那总需要一些信息来定义这个新类吧？总不能啥都不跟模型解释一下，就让模型有能力识别一个新类吧？
其次，这类方法的一个重要价值在于，可以不重新训练模型来给出一个任务的baseline，包括label embedding方法。比如本文中的新闻分类例子，模式为“下面播报一则__新闻“，原来可能有10个类，那么就将这10个类的名字填入看哪个概率大；如果改为11个类，也可以照样操作，不需要重新训练原来的10个类的模型。
明白了，相当于不必再重新训练来让模型再学习类的定义，Pattern中的类别已经作为embedding被模型学习到了，感谢！
April 9th, 2021
看了这篇和oppo-text那一篇，非常崇拜。深入浅出，代码写的也非常好。
但愿过一阵能和苏神成为同事
May 13th, 2021
“最好的效果居然可以达到88%！”
苏神，我想请问您的这套情感分类数据集，不用MLM的方法，用其他的方法一般能达到什么水平？对比一下
https://kexue.fm/archives/3863
不预训练用LSTM有监督训练的话，大概90%，用BERT有监督微调的话，大概95%
用半监督prompt预训练，外加有监督微调，这种方法感觉会有优势。
把prompt整合到预训练中会比较有局限性。
August 6th, 2021
苏神好，我用base-bert尝试了下不同的Pattern：
“_满意。”与你的结果基本一致69.64。但“_理想。”只有60.16%，想问下这个是否与不同的预训练权重有关，我用的是huggingface预训练的模型。
此外，发现有些Pattern句号换成逗号有较大的提升~
不同的预训练权重效果差别确实会比较大，本文的结果已经显示了这一点。
句号换成逗号相当于已经换了一个pattern，效果有差异是正常的。而且这只是一个base版的模型，语义理解的能力应该只是一般般。
谢谢苏神回复~
September 11th, 2021
万事万物，皆可化为完形填空！
September 27th, 2021
所以，代码里面是这四种学习方式的哪一种啊
都有。理解代码后自行修改就行。
October 22nd, 2021
苏神您好，
请问下您，如果讲映射关系从很→正面,不→负面，扩展到{很,挺,太}→正面以及{不,难}→负面。这样更加宽的范围内，会对结果有提升么？ 不知道您试过没有？
如果解码一个mask对应多个lable word（很,挺,太）的话，是等于把LM改成了多标签的预测么？那么这样的情况，您觉得loss可以简单的使用多标签的BCE—loss来做么？
感谢~~
我没试过。但如果这样做的话，比较合理的方式是将这三个概率合并为一个做交叉熵，即$-\log (p_{\text{很}} + p_{\text{挺}} + p_{\text{太}})$作为交叉熵。
November 24th, 2021
苏老师，我最近在看pet相关的论文。
在这个《It's Not Just Size That Matters: Small Language Models Are Also Few-Shot Learners》里面，对于占用多个mask_token作为verbalizer（y在模板里面的表示，不知道咋翻译哈），作者提到了
> As $\tilde{z_p}$ is not a probability distribution over Yx, cross entropy is not an ideal training objective as it can also be minimized by reducing the probability assigned to sequences $\boldsymbol{z} \notin v(Y_x)$ that are not part of the output space, despite this having no effect on the model’s prediction.
作者说不能直接使用$\tilde{q_p}(y'|x)$与$Y_x$的交叉熵作为最终的损失函数。其中$\tilde{q_p}(y'|x)$摘抄于下。在实际应用中，作者采用的是hinge loss。
$$
\begin{align}
\tilde{q_p}(y'|x)&=\prod_{i=1}^k q_M^i(t_i|P^{l(x)}(x)) \\
&=\prod_{i=1}^k q_M^i(t_i|\boldsymbol{z})
\end{align}
$$
至于原因就是上面引用的后半段。但是对于这个原因不太能够理解。主要是$\boldsymbol{z} \notin v(Y_x)$这个具体的意义是啥，看不明白。$\boldsymbol{z}$在原论文中是含有mask的模板输入pattern，$v(Y_x)$是模板输出verbalizer。这俩有啥包含和不包含的关系吗。。。
下面是我得一些想法，苏老师看看对不对。
首先明确原论文作者想要表示的交叉熵应该是和预训练模型中，MLM的形式一样的，是简化后的交叉熵。即：
$$
loss = -\sum_i y_ilogq_M^i(t_i|\boldsymbol{z})
$$
那这里不能适用的原因，应该和预训练模型的短板一致，即在预测每个token的时候，忽视了masked token之间的联系。
它的意思是不能在整个词表空间做交叉熵。
比如情感分析的例子，在适当位置插入了[MASK]，输出候选词是“很”和“不”两者之一，那我们应该把这两个token对应的概率拿出来，然后重新归一化再算交叉熵，而不能将“很”、“不”和词表所有其他token混合在一起算交叉熵，这样模型会花费大量的力气去降低“很”、“不”以外的token的概率，但这对目标没有实际价值。
一开始我也是这样理解的，而且也很合理。但是我看了作者的源代码和你的源代码发现用的是标准的mlm的交叉熵。
首先是作者的hinge loss
```python
# loss_correct_label.shape == batch_size
loss_correct_choice = loss_fct(prediction_scores, correct_choice_token_ids).sum(dim=0)
# compute hinge loss
for wrong_choice_token_ids in wrong_choices_token_ids:
loss_wrong_choice = loss_fct(prediction_scores, wrong_choice_token_ids).sum(dim=0)
hinge_loss = 1 + loss_correct_choice - loss_wrong_choice
```
在做hinge loss的时候，已经提前做了一个交叉熵了，意味着需要去降低”很“、”不“意外的token概率。（或者说这里我理解错了？）
哦，hinge loss的理解了，正负例之间的距离大于一个阈值后，模型就不会继续更新了。从而避免花大力气去更新”很“、”不“以外的token概率。
但是在你给出的示例代码和原论文的wsc数据集对应的代码中，使用的也是正常的（mlm）交叉熵损失。
所以这两处是简化的实现的么。
原论文的代码我不知道，我这里的代码本文已经说得很清楚了，我并没有去严格复现别的工作，我只是想着在任务语料上继续MLM训练一下而已，所以我用正常的交叉熵损失是很自然的呀
了然，谢谢苏老师
February 9th, 2022
虽然训练集带标签的很少，但是验证集数据量还是挺大的。
验证集只是用来确实方法效果。实践时可以直接用，不需要或者只需要很少的验证集。