|
word2vec是谷歌2013年開源的語言工具。 兩層網絡，就能把詞變成向量，在NLP領域舉足輕重，是許多功能實現(xiàn)的基礎。 可是現(xiàn)在，有一位叫做bollu (簡稱菠蘿) 的程序員，大聲對世界說： “關于word2vec，你所知道的一切都是錯的?！?/strong> 
在他看來，論文里的算法解釋，和代碼實現(xiàn)一比，講的根本是兩回事。
是不是只要開源了代碼，論文寫不寫清楚都沒關系？ 一番仔細的論述，引起了許多人的討論和共鳴，不出半日Hacker News熱度已近300點： 
那么，菠蘿的世界觀是怎樣崩塌的，他眼里真實的word2vec是什么樣子呢？ 不一樣的天空word2vec有種經典解釋 (在Skip-Gram里、帶負采樣的那種) ，論文和數(shù)不勝數(shù)的博客都是這樣寫的： 
只能看出有兩個向量。
可程序員說，看了word2vec最原本的C語言實現(xiàn)代碼，就會發(fā)現(xiàn)完全不一樣。 (多數(shù)用word2vec做詞嵌入的人類，要么是直接調用C實現(xiàn)，要么是調用gensim實現(xiàn)。gensim是從C實現(xiàn)上翻譯過來的，連變量的名字都不變。) C實現(xiàn)長這樣每個單詞有兩個向量，分別有不同的角色： 一個表示這個詞作為中心詞 (Focus Word) 時的樣子。 一個表示它作為另一個中心詞的上下文 (Context Word) 時的樣子。
菠蘿說：耳熟吧，GloVe就是借用了這里的思路，只是沒有誰明確說出來而已。 在C語言的源代碼里，設定已經非常完好，這些向量由兩個數(shù)組 (Array) 分別負責： syn0數(shù)組，負責某個詞作為中心詞時的向量。是隨機初始化的。
1https://github.com/tmikolov/word2vec/blob/20c129af10659f7c50e86e3be406df663beff438/word2vec.c#L369
2 for (a = 0; a <>for (b = 0; b <>
3 next_random = next_random * (unsigned long long)25214903917 + 11;
4 syn0[a * layer1_size + b] =
5 (((next_random & 0xFFFF) / (real)65536) - 0.5) / layer1_size;
6 }
syn1neg數(shù)組，負責這個詞作為上下文時的向量。是零初始化的。 1https://github.com/tmikolov/word2vec/blob/20c129af10659f7c50e86e3be406df663beff438/word2vec.c#L365
2for (a = 0; a <>for (b = 0; b <>
3 syn1neg[a * layer1_size + b] = 0;
訓練的話，要先選出一個中心詞。在正、負樣本訓練的時候，這個中心詞就保持不變 (Constant) 了。 中心詞向量的梯度 (Gradients) ，會在緩沖器 (Buffer) 里累積起來。經過正、負樣本的作用之后，這些梯度會被應用到中心詞上： 1if (negative > 0) for (d = 0; d <>1; d++) {
2 // if we are performing negative sampling, in the 1st iteration,
3 // pick a word from the context and set the dot product target to 1
4 if (d == 0) {
5 target = word;
6 label = 1;
7 } else {
8 // for all other iterations, pick a word randomly and set the dot
9 //product target to 0
10 next_random = next_random * (unsigned long long)25214903917 + 11;
11 target = table[(next_random >> 16) % table_size];
12 if (target == 0) target = next_random % (vocab_size - 1) + 1;
13 if (target == word) continue;
14 label = 0;
15 }
16 l2 = target * layer1_size;
17 f = 0;
18
19 // find dot product of original vector with negative sample vector
20 // store in f
21 for (c = 0; c <>
22
23 // set g = sigmoid(f) (roughly, the actual formula is slightly more complex)
24 if (f > MAX_EXP) g = (label - 1) * alpha;
25 else if (f <>0) * alpha;
26 else g = (label - expTable[(int)((f + MAX_EXP) * (EXP_TABLE_SIZE / MAX_EXP / 2))]) * alpha;
27
28 // 1. update the vector syn1neg,
29 // 2. DO NOT UPDATE syn0
30 // 3. STORE THE syn0 gradient in a temporary buffer neu1e
31 for (c = 0; c <>
32 for (c = 0; c <>
33}
34// Finally, after all samples, update syn1 from neu1e
35https://github.com/tmikolov/word2vec/blob/20c129af10659f7c50e86e3be406df663beff438/word2vec.c#L541
36// Learn weights input -> hidden
37for (c = 0; c <>
那么問題來了，為什么是隨機初始化，為什么是零初始化？
關于初始化這些東西，也沒見論文和博客里講過，菠蘿只能自己推測了一下： 因為負樣本 (Negative Sample) 來自全文上下，并沒太根據(jù)詞頻來定權重，這樣選哪個單詞都可以，通常這個詞的向量還沒經過多少訓練。 而如果這個向量已經有了一個值，那么它就可以隨意移動 (Move Randomly) 中心詞了。 解決方法是，把所有負樣本設為零，這樣依賴只有那些比較高頻出現(xiàn)的向量，才會影響到另外一個向量的表征。
程序員說，如果是這樣，真的很巧妙。他也從來沒想過，初始化策略能有這么重要，讀論文也看不出。 直接看代碼，不相信論文了
在這之前，菠蘿已經花了兩個月來復現(xiàn)word2vec，也讀了無數(shù)文章，就是不成功。 不管試了多少次，還是得不到論文說的分數(shù)。又不能認為分數(shù)是論文作者編的。 最后，他決定去仔細讀源代碼。初讀還以為打開方式錯了，因為和之前看過的資料都不一樣： 我不明白，為什么原始論文和網上的博客，都不去寫word2vec真正是怎么工作的。所以就想自己寫出來。
也是在這個過程中，他才像上文提到的那樣，發(fā)現(xiàn)GloVe給上下文 (Context) 一個單獨的向量這種做法，是從word2vec那里來的。 而GloVe的作者并沒有提到過這一點。 想到這里，程序員又有了新的質疑： 這樣不算學術不誠實 (Academic Dishonesty) 么？我也不知道算不算，但覺得至少是個很嚴重的問題。
傷感之余，菠蘿作出了一個機智的決定：以后先不看論文對算法的解釋，直接去讀源代碼。 都是這種習慣么？探討起論文和實現(xiàn)不一致的情況，一個用編譯器讀了40年論文的資深程序員 (DannyBee) ，占據(jù)了Hacker News評論區(qū)的頂樓。 他細數(shù)了這些年來，論文作者的習慣變化： 早期許多算法的實現(xiàn)，原理都和描述相符，性能也和描述相符。只是論文會用偽代碼 (Pseudocode) ，用偽代碼的部分，和實現(xiàn)的差別到底在哪，也會詳細說明。 后來，人們便開始走遠了。有些論文的算法，要么是工作原理不像描述那樣，要么是效率低到沒法用。看源碼的時候也會發(fā)現(xiàn)，不是論文說的那回事。 SSAPRE就是一個典型。時至今日，大家讀起它的論文還是會覺得難懂。把源碼放進Open64編譯器去讀，也發(fā)現(xiàn)和論文大相徑庭 (Wildly Different) 。 再后來，有了github這類社區(qū)，事情好像又朝著早期的健康方向發(fā)展了。 在這樣的環(huán)境里，word2vec算個反例吧，可能他們覺得已經把代碼開源了，論文里寫不清也沒關系。
緊接著，樓下便有人 (nullwasamistake) 表示，反例不止這一個： 我在實現(xiàn)一個哈希表排序算法的時候，發(fā)現(xiàn)一篇近期的論文也有類似的問題。 論文里從來沒提到過，表格尺寸必須是2的n次方。 而這篇研究的全部意義，似乎就是比現(xiàn)有的其他算法，內存效率更高。 我做了2/3才發(fā)現(xiàn)，根本沒有比現(xiàn)有方法更高效，反而更差了，除非把表的尺寸調成2^n。 雖然不是徹頭徹尾的騙人，但這個疏漏算是很有創(chuàng)意了。
不過，當有人勸ta把那篇論文掛出來，這位吐槽的網友也實誠地表示： 現(xiàn)在批評科技巨頭有風險，以后可能還想去工作呢。
由此觀之，菠蘿是個有勇氣的少年。 傳送門
菠蘿對word2vec的完整意見發(fā)表在github上，有興趣可前去觀賞： https://github.com/bollu/bollu.github.io 另外，還有Hacker News評論區(qū)，便于尋找更多同感： https://news./item?id=20089515
|
