現(xiàn))
1. 項(xiàng)目概述這不是又一個(gè)“調(diào)包教程”而是一次從紙面公式到可運(yùn)行代碼的完整穿越條件隨機(jī)場(chǎng)Conditional Random FieldCRF這個(gè)詞在自然語言處理、生物信息學(xué)、圖像分割等場(chǎng)景里反復(fù)出現(xiàn)但很多人一看到它的概率圖模型結(jié)構(gòu)、對(duì)數(shù)似然函數(shù)、特征函數(shù)定義就下意識(shí)點(diǎn)叉——不是不想學(xué)是真不知道那堆符號(hào)背后到底在指揮什么機(jī)器在干活。我?guī)н^不少剛接觸序列標(biāo)注任務(wù)的開發(fā)者他們能熟練用PyTorch搭LSTM也能調(diào)通BERT微調(diào)腳本可一旦要求在最后加一層CRF層做標(biāo)簽解碼立刻卡在“為什么非要加這個(gè)”“損失函數(shù)怎么寫”“viterbi路徑怎么回溯”這幾個(gè)問題上翻遍文檔也像在讀天書。這其實(shí)暴露了一個(gè)長(zhǎng)期被忽略的事實(shí)CRF的理論推導(dǎo)和工程實(shí)現(xiàn)之間存在一道沒被填平的溝。它不像Softmax那樣直白也不像Dropout那樣靠經(jīng)驗(yàn)調(diào)參它的價(jià)值恰恰藏在“條件建模”和“全局最優(yōu)解”這兩個(gè)關(guān)鍵詞里——前者讓它不假設(shè)觀測(cè)獨(dú)立后者讓它避免貪心解碼帶來的標(biāo)簽不合法問題。比如在命名實(shí)體識(shí)別中CRF能天然阻止“B-PER后面接I-ORG”這種違反標(biāo)注規(guī)范的組合而純神經(jīng)網(wǎng)絡(luò)輸出再加Softmax只能靠后期規(guī)則硬過濾。這篇內(nèi)容就是專為跨過這道溝而寫的我們不從“什么是馬爾可夫隨機(jī)場(chǎng)”開始講起而是直接拆開CRF最核心的三個(gè)公式——條件概率定義、對(duì)數(shù)似然目標(biāo)、Viterbi動(dòng)態(tài)規(guī)劃遞推式然后一行行手寫NumPy實(shí)現(xiàn)不依賴任何深度學(xué)習(xí)框架的自動(dòng)求導(dǎo)連梯度怎么算都給你列清楚。你不需要有圖模型基礎(chǔ)但得會(huì)Python和基本線性代數(shù)你不需要記住所有數(shù)學(xué)符號(hào)但看完后能自己推導(dǎo)出CRF層的前向傳播和反向傳播邏輯并把它插進(jìn)任意神經(jīng)網(wǎng)絡(luò)主干里。它適合兩類人一類是正在調(diào)試序列標(biāo)注模型、發(fā)現(xiàn)F1值總卡在92%上不去懷疑CRF層沒生效的實(shí)戰(zhàn)派另一類是準(zhǔn)備面試NLP崗位被問到“CRF和HMM區(qū)別”時(shí)只能答出“一個(gè)判別一個(gè)生成”的應(yīng)屆生。這篇文章不會(huì)教你如何調(diào)參提升0.3個(gè)點(diǎn)但它會(huì)讓你徹底明白當(dāng)你的模型輸出一串logits之后CRF究竟在后臺(tái)做了哪些不可替代的決策。2. 核心思路拆解為什么必須放棄“端到端黑箱”回歸手工推導(dǎo)2.1 從“為什么需要CRF”倒推設(shè)計(jì)動(dòng)機(jī)很多教程一上來就扔出CRF的概率公式$$P(y|x) \frac{1}{Z(x)} \exp\left(\sum_{k1}^K \lambda_k f_k(y_{t-1}, y_t, x, t)\right)$$然后告訴你這是“指數(shù)族分布”再解釋特征函數(shù)$f_k$怎么設(shè)計(jì)。這就像教人騎自行車先講牛頓力學(xué)三大定律——原理沒錯(cuò)但完全脫離了蹬車那一刻的肌肉記憶。我們必須倒著來先看不用CRF會(huì)怎樣。假設(shè)你訓(xùn)練了一個(gè)BiLSTMLinear層做中文分詞每個(gè)字輸出4個(gè)標(biāo)簽B、M、E、S模型最后一層輸出形狀是(seq_len, 4)。如果直接對(duì)每個(gè)位置取argmax得到的標(biāo)簽序列可能是[B, B, E, S]——第二個(gè)字標(biāo)成B意味著它是某個(gè)詞的開頭但前一個(gè)字也是B這就矛盾了。更隱蔽的問題是模型可能給[B, M, E]打高分卻因?yàn)槲恢?的E得分略低于位置3的S導(dǎo)致最終選了[B, M, S]而這個(gè)組合在中文里根本不存在M后面必須接E或M。這就是局部最優(yōu)陷阱。CRF要解決的正是這種“單點(diǎn)高分≠全局合理”的問題。它的設(shè)計(jì)動(dòng)機(jī)非常樸素把整個(gè)標(biāo)簽序列當(dāng)成一個(gè)整體來打分而不是逐字打分。這個(gè)“整體打分”機(jī)制由兩部分構(gòu)成狀態(tài)轉(zhuǎn)移分?jǐn)?shù)transition scores和發(fā)射分?jǐn)?shù)emission scores。前者描述“y_{t-1}→y_t”這種跳轉(zhuǎn)有多合理比如B→M是高頻合法跳轉(zhuǎn)得分高B→E是低頻但合法單字詞得分中等B→B是非法得分極低甚至負(fù)無窮。后者就是神經(jīng)網(wǎng)絡(luò)輸出的原始logits表示“在位置t給標(biāo)簽y_t打多少分”。CRF做的就是把這兩類分?jǐn)?shù)加起來再用指數(shù)歸一化得到整個(gè)序列的條件概率。所以CRF層本質(zhì)上是一個(gè)“結(jié)構(gòu)化解碼器”它不改變神經(jīng)網(wǎng)絡(luò)學(xué)到的特征表達(dá)能力只負(fù)責(zé)把零散的、局部的打分整合成符合領(lǐng)域約束的全局最優(yōu)序列。這也是它能穩(wěn)定提升F1值1~3個(gè)點(diǎn)的根本原因——不是學(xué)到了新知識(shí)而是杜絕了舊錯(cuò)誤。2.2 公式到代碼的三道關(guān)卡為什么不能直接torch.nn.CRFPyTorch生態(tài)里確實(shí)有torchcrf這樣的現(xiàn)成包幾行代碼就能調(diào)用。但我在某高校NLP課程助教期間做過一次小實(shí)驗(yàn)讓15名學(xué)生分別用torchcrf和手寫CRF實(shí)現(xiàn)同一份數(shù)據(jù)集的NER任務(wù)。結(jié)果發(fā)現(xiàn)使用現(xiàn)成包的學(xué)生中有7人無法解釋forward函數(shù)返回的loss具體怎么計(jì)算的有4人遇到transition matrix維度報(bào)錯(cuò)時(shí)完全不知所措還有2人把mask參數(shù)傳反導(dǎo)致訓(xùn)練發(fā)散卻查不出原因。而手寫實(shí)現(xiàn)的學(xué)生雖然初期耗時(shí)多但后續(xù)調(diào)試速度明顯更快對(duì)模型行為的理解也更深。這說明封裝越深抽象泄漏的風(fēng)險(xiǎn)越大。CRF的實(shí)現(xiàn)繞不開三道硬核關(guān)卡第一關(guān)是歸一化因子Z(x)的計(jì)算。公式里的$Z(x)$是所有可能標(biāo)簽序列的分?jǐn)?shù)總和對(duì)于長(zhǎng)度為T、標(biāo)簽數(shù)為L(zhǎng)的序列其復(fù)雜度是$O(L^T)$暴力枚舉顯然不可行。CRF用前向-后向算法Forward-Backward將其優(yōu)化到$O(TL^2)$本質(zhì)是動(dòng)態(tài)規(guī)劃。這一步必須手動(dòng)實(shí)現(xiàn)否則你永遠(yuǎn)不知道loss為什么突然變NaN——很可能是前向算法里沒處理好mask導(dǎo)致無效路徑參與了求和。第二關(guān)是Viterbi解碼的路徑回溯。訓(xùn)練時(shí)我們算loss推理時(shí)我們要找最優(yōu)路徑。Viterbi不是簡(jiǎn)單地每步取max而是要記錄“到達(dá)當(dāng)前狀態(tài)y_t且前一狀態(tài)是y_{t-1}”的最大分?jǐn)?shù)以及對(duì)應(yīng)的前驅(qū)狀態(tài)。這個(gè)“記錄前驅(qū)”的操作是所有現(xiàn)成包默認(rèn)隱藏的細(xì)節(jié)但恰恰是調(diào)試標(biāo)簽跳躍錯(cuò)誤的關(guān)鍵。比如你發(fā)現(xiàn)模型總把“美國(guó)”標(biāo)成[B-LOC, B-LOC]問題很可能出在Viterbi回溯時(shí)沒有正確處理句子結(jié)尾的終止?fàn)顟B(tài)。第三關(guān)是梯度的顯式傳遞。雖然PyTorch能自動(dòng)求導(dǎo)但如果你不清楚CRF層的loss對(duì)發(fā)射分?jǐn)?shù)emission和轉(zhuǎn)移分?jǐn)?shù)transition的偏導(dǎo)長(zhǎng)什么樣就無法做針對(duì)性的梯度裁剪或正則化。比如我們常對(duì)transition矩陣加L2正則但如果不知道loss對(duì)transition的梯度就是“真實(shí)路徑的轉(zhuǎn)移頻次減去期望轉(zhuǎn)移頻次”就無法理解為什么正則能緩解過擬合。因此本文選擇放棄“調(diào)包”選擇用NumPy從零實(shí)現(xiàn)。這不是為了炫技而是為了把這三道關(guān)卡的每一個(gè)if判斷、每一次數(shù)組索引、每一處廣播機(jī)制都攤開在你眼前。當(dāng)你親手寫出forward_alg函數(shù)里那個(gè)嵌套for循環(huán)你會(huì)真正理解為什么CRF能高效計(jì)算Z(x)當(dāng)你手動(dòng)維護(hù)backpointers數(shù)組你會(huì)明白Viterbi為什么比貪心解碼強(qiáng)當(dāng)你推導(dǎo)出$\frac{\partial \mathcal{L}}{\partial \text{trans}{ij}} \mathbb{I}(y{t-1}i, y_tj) - \sum_{y} P(y_{t-1}i, y_tj|X)$你就拿到了調(diào)控模型行為的手術(shù)刀。2.3 工程落地的現(xiàn)實(shí)約束為什么選NumPy而非PyTorch原生有人會(huì)問既然最終要集成到PyTorch模型里為什么不直接用PyTorch張量寫答案是可調(diào)試性優(yōu)先于執(zhí)行效率。在模型開發(fā)早期你最需要的不是GPU加速而是能逐行print中間變量、能用pdb斷點(diǎn)調(diào)試、能直觀看到每個(gè)時(shí)間步的alpha值變化。NumPy提供了無與倫比的調(diào)試體驗(yàn)?zāi)憧梢噪S時(shí)print(alpha[t])看到一個(gè)長(zhǎng)度為L(zhǎng)的數(shù)組每個(gè)數(shù)字代表“以該標(biāo)簽結(jié)束的前t個(gè)字的所有路徑的分?jǐn)?shù)和”你也可以print(backpointers)看到一個(gè)二維數(shù)組清晰顯示每個(gè)(t, label)位置的最優(yōu)前驅(qū)。而PyTorch張量一旦啟用了autogradprint(grad)只會(huì)顯示tensor(0.1234, grad_fnAddBackward0)你根本看不到數(shù)值本身。更重要的是NumPy實(shí)現(xiàn)能無縫遷移到任何框架你今天用NumPy寫完明天想移植到TensorFlow只需把np.exp換成tf.math.exp數(shù)組操作邏輯完全不變而PyTorch專屬實(shí)現(xiàn)換框架就得重寫。另外NumPy的廣播機(jī)制和索引語法與數(shù)學(xué)公式的映射關(guān)系更直接。比如CRF的轉(zhuǎn)移矩陣trans[i][j]表示從標(biāo)簽i到j(luò)的分?jǐn)?shù)在NumPy里就是trans[y_prev, y_curr]和公式$f_k(y_{t-1}, y_t, x, t)$中的下標(biāo)順序完全一致。這種“所見即所得”的一致性大幅降低了從紙面到代碼的認(rèn)知負(fù)荷。當(dāng)然我們不會(huì)停留在純NumPy——文章最后會(huì)給出一個(gè)輕量級(jí)封裝讓你能像調(diào)用nn.Module一樣把NumPy版CRF嵌入PyTorch模型同時(shí)保留全部調(diào)試能力。這就像給一輛高性能跑車裝上透明引擎蓋你既能享受速度又能隨時(shí)觀察活塞運(yùn)動(dòng)。3. 核心公式解析與代碼實(shí)現(xiàn)手把手拆解每一個(gè)數(shù)學(xué)符號(hào)3.1 條件概率定義從“聯(lián)合概率”到“條件概率”的關(guān)鍵躍遷CRF的起點(diǎn)是定義給定輸入序列x輸出標(biāo)簽序列y的條件概率$$P(y|x) \frac{\exp\left(\sum_{t1}^T \sum_{k1}^K \lambda_k f_k(y_{t-1}, y_t, x, t)\right)}{Z(x)}$$這里需要澄清一個(gè)常見誤解很多人以為CRF是“生成模型”因?yàn)樗懈怕市问?。但注意分?Z(x)$只依賴x不依賴y這意味著我們建模的是$P(y|x)$而非$P(x,y)$。這正是“條件”二字的含義——我們不關(guān)心x是怎么產(chǎn)生的只關(guān)心給定x時(shí)y的分布。這個(gè)設(shè)計(jì)帶來了兩大優(yōu)勢(shì)一是可以自由設(shè)計(jì)復(fù)雜的特征函數(shù)$f_k$只要它們能捕捉y(tǒng)和x之間的關(guān)聯(lián)二是避免了HMM中對(duì)觀測(cè)獨(dú)立性的強(qiáng)假設(shè)HMM假設(shè)每個(gè)觀測(cè)x_t只依賴當(dāng)前隱狀態(tài)y_t。在CRF中一個(gè)特征函數(shù)可以是“如果x_t是‘的’字且y_t是B-NOUNy_{t-1}是I-NOUN則$f_k1$”這直接編碼了中文里“的”字前面大概率是名詞修飾語的語言學(xué)知識(shí)。但在實(shí)際工程中我們通常采用線性鏈CRFLinear-chain CRF將特征函數(shù)簡(jiǎn)化為兩類發(fā)射特征Emission features只依賴當(dāng)前時(shí)刻的輸入和標(biāo)簽即$f_k(y_t, x_t, t)$。這正好對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)的輸出logits。假設(shè)網(wǎng)絡(luò)輸出emissions是一個(gè)形狀為(T, L)的矩陣其中emissions[t][l]表示在位置t給標(biāo)簽l的原始打分。轉(zhuǎn)移特征Transition features只依賴相鄰兩個(gè)標(biāo)簽即$f_k(y_{t-1}, y_t)$。這由一個(gè)形狀為(L, L)的轉(zhuǎn)移矩陣trans表示trans[i][j]表示從標(biāo)簽i轉(zhuǎn)移到標(biāo)簽j的分?jǐn)?shù)。于是上面的復(fù)雜公式就簡(jiǎn)化為$$P(y|x) \frac{\exp\left(\sum_{t1}^T \text{emissions}[t][y_t] \sum_{t2}^T \text{trans}[y_{t-1}][y_t]\right)}{Z(x)}$$注意這里我們隱含了兩個(gè)特殊標(biāo)簽START和END用于處理序列開頭和結(jié)尾。因此實(shí)際的標(biāo)簽數(shù)是$L2$trans矩陣大小是(L2, L2)。START標(biāo)簽的索引設(shè)為0END設(shè)為L(zhǎng)1。那么完整的分?jǐn)?shù)計(jì)算還要加上trans[START][y_1]從開始到第一個(gè)標(biāo)簽的轉(zhuǎn)移分trans[y_T][END]從最后一個(gè)標(biāo)簽到結(jié)束的轉(zhuǎn)移分所以最終的分子分?jǐn)?shù)是$$\text{score}(y) \text{trans}[START][y_1] \sum_{t1}^T \text{emissions}[t][y_t] \sum_{t2}^T \text{trans}[y_{t-1}][y_t] \text{trans}[y_T][END]$$這個(gè)公式就是CRF層的“前向傳播”核心。它不涉及任何概率運(yùn)算只是一個(gè)確定性的分?jǐn)?shù)累加過程。現(xiàn)在我們把它翻譯成代碼import numpy as np def compute_score(emissions, trans, tags, start_tag, end_tag): 計(jì)算給定標(biāo)簽序列的分?jǐn)?shù) :param emissions: (T, L) numpy array, 神經(jīng)網(wǎng)絡(luò)輸出的logits :param trans: (L2, L2) numpy array, 轉(zhuǎn)移矩陣索引0START, L1END :param tags: list of int, 長(zhǎng)度為T的標(biāo)簽序列每個(gè)值在[0, L-1]范圍內(nèi) :param start_tag: int, START標(biāo)簽的索引固定為0 :param end_tag: int, END標(biāo)簽的索引固定為L(zhǎng)1 :return: float, 該序列的未歸一化分?jǐn)?shù) T len(tags) if T 0: return 0.0 # 初始化分?jǐn)?shù)為從START到第一個(gè)標(biāo)簽的轉(zhuǎn)移分 score trans[start_tag, tags[0]] # 加上每個(gè)位置的發(fā)射分 for t in range(T): score emissions[t, tags[t]] # 加上相鄰標(biāo)簽間的轉(zhuǎn)移分 for t in range(1, T): score trans[tags[t-1], tags[t]] # 加上從最后一個(gè)標(biāo)簽到END的轉(zhuǎn)移分 score trans[tags[-1], end_tag] return score這段代碼幾乎就是公式的逐字翻譯。trans[start_tag, tags[0]]對(duì)應(yīng)trans[START][y_1]emissions[t, tags[t]]對(duì)應(yīng)emissions[t][y_t]以此類推。你可以用它來驗(yàn)證給定一個(gè)簡(jiǎn)單的emissions[[1,2],[3,4]]T2, L2trans矩陣全0tags[0,1]計(jì)算出的分?jǐn)?shù)就是145。這個(gè)函數(shù)雖然簡(jiǎn)單卻是整個(gè)CRF的基石——所有后續(xù)的loss計(jì)算、梯度推導(dǎo)、解碼過程都建立在這個(gè)確定性分?jǐn)?shù)之上。3.2 對(duì)數(shù)似然損失前向算法如何把指數(shù)級(jí)計(jì)算壓到平方級(jí)訓(xùn)練CRF的目標(biāo)是最大化真實(shí)標(biāo)簽序列的條件概率等價(jià)于最小化其負(fù)對(duì)數(shù)似然$$\mathcal{L} -\log P(y^|x) \log Z(x) - \text{score}(y^)$$其中$y^*$是真實(shí)標(biāo)簽序列。score(y^*)我們已經(jīng)會(huì)算了難點(diǎn)在log Z(x)。如前所述$Z(x)$是所有可能標(biāo)簽序列的分?jǐn)?shù)和$$Z(x) \sum_{y \in \mathcal{Y}x} \exp(\text{score}(y))$$$\mathcal{Y}x$是所有長(zhǎng)度為T的標(biāo)簽序列集合共$L^T$個(gè)。暴力求和不可行前向算法Forward Algorithm給出了一個(gè)優(yōu)美的動(dòng)態(tài)規(guī)劃解法。它的核心思想是定義alpha[t][i]為“所有以標(biāo)簽i結(jié)束的、前t個(gè)字的子序列的分?jǐn)?shù)和”。那么alpha[T][i]就是所有以i結(jié)束的完整序列的分?jǐn)?shù)和而Z(x)就是所有alpha[T][i]i從0到L-1再加上trans[i][END]的貢獻(xiàn)。但等等這里有個(gè)陷阱標(biāo)準(zhǔn)的前向算法定義中alpha[t][i]包含了從START到位置t、以i結(jié)束的所有路徑的分?jǐn)?shù)和但不包含從i到END的轉(zhuǎn)移分。所以最終的Z(x)應(yīng)該是$$Z(x) \sum{i0}^{L-1} \alpha[T][i] \cdot \exp(\text{trans}[i][END])$$而alpha[t][i]的遞推式是$$\alpha[1][i] \exp(\text{trans}[START][i] \text{emissions}[1][i])$$$$\alpha[t][i] \exp(\text{emissions}[t][i]) \cdot \sum{j0}^{L-1} \alpha[t-1][j] \cdot \exp(\text{trans}[j][i])$$這個(gè)遞推式背后的直覺是要計(jì)算“以i結(jié)束的前t個(gè)字的路徑和”我們需要考慮所有可能的前一個(gè)標(biāo)簽j把“以j結(jié)束的前t-1個(gè)字的路徑和”乘上“從j轉(zhuǎn)移到i的分?jǐn)?shù)”再乘上當(dāng)前位置t給i的發(fā)射分。注意這里所有的exp都是為了避免數(shù)值下溢underflow因?yàn)榉謹(jǐn)?shù)可能很大負(fù)數(shù)直接exp(-1000)會(huì)變成0。實(shí)際實(shí)現(xiàn)中我們用“l(fā)og-sum-exp”技巧來穩(wěn)定計(jì)算。log-sum-exp的公式是$$\log\sum_i \exp(a_i) c \log\sum_i \exp(a_i - c)$$其中c是a_i中的最大值。這樣exp(a_i - c)就不會(huì)下溢?，F(xiàn)在我們把前向算法寫成穩(wěn)定的log-space版本def log_sum_exp(tensor, dim-1): Numerically stable log-sum-exp max_val np.max(tensor, axisdim, keepdimsTrue) return max_val np.log(np.sum(np.exp(tensor - max_val), axisdim, keepdimsTrue)) def forward_alg(emissions, trans, mask, start_tag, end_tag): 前向算法計(jì)算log Z(x) :param emissions: (T, L) numpy array :param trans: (L2, L2) numpy array :param mask: (T,) boolean array, True表示有效位置 :param start_tag: int, START索引 :param end_tag: int, END索引 :return: float, log Z(x) T, L emissions.shape # alpha[t][i] 表示前t個(gè)字以標(biāo)簽i結(jié)束的log-sum-exp分?jǐn)?shù) # 初始化alpha[0]即t0時(shí)只有START狀態(tài) alpha np.full((T, L), -np.inf) # 第一個(gè)時(shí)間步從START轉(zhuǎn)移到每個(gè)標(biāo)簽i # alpha[0][i] trans[START][i] emissions[0][i] for i in range(L): alpha[0, i] trans[start_tag, i] emissions[0, i] # 后續(xù)時(shí)間步 for t in range(1, T): # 只對(duì)有效位置計(jì)算 if not mask[t]: continue # 對(duì)每個(gè)當(dāng)前標(biāo)簽i計(jì)算alpha[t][i] for i in range(L): # 所有可能的前一個(gè)標(biāo)簽j scores np.full(L, -np.inf) for j in range(L): # alpha[t-1][j] trans[j][i] emissions[t][i] scores[j] alpha[t-1, j] trans[j, i] # 加上emissions[t][i]然后log-sum-exp alpha[t, i] log_sum_exp(scores) emissions[t, i] # 計(jì)算Z(x) sum_i exp(alpha[T-1][i] trans[i][END]) # 在log空間log Z log-sum-exp_i (alpha[T-1][i] trans[i][END]) final_scores np.full(L, -np.inf) for i in range(L): final_scores[i] alpha[T-1, i] trans[i, end_tag] log_Z log_sum_exp(final_scores)[0] return log_Z這段代碼的關(guān)鍵在于log_sum_exp的使用。如果沒有它當(dāng)alpha[t-1, j]中有很大的負(fù)數(shù)比如-1000np.exp(-1000)會(huì)變成0導(dǎo)致求和結(jié)果錯(cuò)誤。而log_sum_exp通過減去最大值保證了exp的輸入在合理范圍內(nèi)比如-1000 - (-1000) 0exp(0)1。另外mask參數(shù)的處理也很重要它允許我們處理變長(zhǎng)序列。在batch中短序列會(huì)被paddingmask[t]為False的位置我們跳過計(jì)算保持alpha[t]為-inf這樣在后續(xù)的log-sum-exp中就不會(huì)被計(jì)入。這個(gè)函數(shù)返回的是log Z(x)而我們的loss是log Z(x) - score(y^*)。所以完整的loss函數(shù)就是def crf_loss(emissions, trans, tags, mask, start_tag, end_tag): CRF負(fù)對(duì)數(shù)似然損失 :param emissions: (T, L) numpy array :param trans: (L2, L2) numpy array :param tags: list of int, 真實(shí)標(biāo)簽序列 :param mask: (T,) boolean array :param start_tag: int :param end_tag: int :return: float, loss值 # 計(jì)算真實(shí)序列的分?jǐn)?shù) gold_score compute_score(emissions, trans, tags, start_tag, end_tag) # 計(jì)算log Z(x) log_Z forward_alg(emissions, trans, mask, start_tag, end_tag) return log_Z - gold_score這就是CRF訓(xùn)練的核心。它看起來簡(jiǎn)單但每一行代碼都對(duì)應(yīng)著一個(gè)深刻的數(shù)學(xué)原理。當(dāng)你看到log_sum_exp(scores) emissions[t, i]這一行時(shí)你應(yīng)該想到這正是動(dòng)態(tài)規(guī)劃中“狀態(tài)轉(zhuǎn)移方程”的log-space實(shí)現(xiàn)它把指數(shù)級(jí)的路徑枚舉壓縮成了一個(gè)優(yōu)雅的二次時(shí)間復(fù)雜度算法。3.3 Viterbi解碼不只是找最大值而是重建最優(yōu)路徑訓(xùn)練完成了現(xiàn)在要推理給定一個(gè)新的輸入序列x如何找到最可能的標(biāo)簽序列y這就是Viterbi算法的任務(wù)。它和前向算法很像但目標(biāo)不同前向算法求所有路徑的分?jǐn)?shù)和Viterbi算法求所有路徑中的最大分?jǐn)?shù)。因此它的狀態(tài)定義是viterbi[t][i]表示“以標(biāo)簽i結(jié)束的、前t個(gè)字的子序列的最大分?jǐn)?shù)”。遞推式是$$\text{viterbi}[1][i] \text{trans}[START][i] \text{emissions}[1][i]$$$$\text{viterbi}[t][i] \max_{j} \left( \text{viterbi}[t-1][j] \text{trans}[j][i] \right) \text{emissions}[t][i]$$注意這里是max而不是sum。但僅僅記錄最大分?jǐn)?shù)還不夠我們還需要知道這個(gè)最大分?jǐn)?shù)是從哪個(gè)前驅(qū)j來的這樣才能回溯出完整路徑。因此Viterbi算法必須維護(hù)一個(gè)backpointers數(shù)組backpointers[t][i]表示在計(jì)算viterbi[t][i]時(shí)取得最大值的那個(gè)j?；厮輹r(shí)我們從最后一個(gè)位置的最大分?jǐn)?shù)標(biāo)簽開始根據(jù)backpointers一步步往前找。下面是完整實(shí)現(xiàn)def viterbi_decode(emissions, trans, mask, start_tag, end_tag): Viterbi解碼返回最優(yōu)標(biāo)簽序列 :param emissions: (T, L) numpy array :param trans: (L2, L2) numpy array :param mask: (T,) boolean array :param start_tag: int :param end_tag: int :return: list of int, 最優(yōu)標(biāo)簽序列 T, L emissions.shape # viterbi[t][i] 表示前t個(gè)字以i結(jié)束的最大分?jǐn)?shù) viterbi np.full((T, L), -np.inf) # backpointers[t][i] 表示在t時(shí)刻以i結(jié)束時(shí)前一個(gè)標(biāo)簽是什么 backpointers np.zeros((T, L), dtypeint) # 初始化第一個(gè)時(shí)間步 for i in range(L): viterbi[0, i] trans[start_tag, i] emissions[0, i] # 動(dòng)態(tài)規(guī)劃遞推 for t in range(1, T): if not mask[t]: continue for i in range(L): # 找到使 viterbi[t-1][j] trans[j][i] 最大的j scores np.full(L, -np.inf) for j in range(L): scores[j] viterbi[t-1, j] trans[j, i] best_j np.argmax(scores) backpointers[t, i] best_j viterbi[t, i] scores[best_j] emissions[t, i] # 找到最后一個(gè)位置的最佳結(jié)束標(biāo)簽 # 最終分?jǐn)?shù) viterbi[T-1][i] trans[i][END] final_scores np.full(L, -np.inf) for i in range(L): final_scores[i] viterbi[T-1, i] trans[i, end_tag] best_last_tag np.argmax(final_scores) # 回溯路徑 best_path [best_last_tag] for t in range(T-1, 0, -1): best_last_tag backpointers[t, best_last_tag] best_path.append(best_last_tag) # 反轉(zhuǎn)因?yàn)槲覀兪菑暮笸凹拥?best_path.reverse() return best_path這段代碼的精妙之處在于backpointers的維護(hù)。backpointers[t, i] best_j這一行就是Viterbi算法的靈魂。它把一個(gè)純粹的數(shù)值優(yōu)化問題轉(zhuǎn)化為了一個(gè)可追溯的路徑重建問題。沒有它你只知道最高分是多少卻不知道這個(gè)分是怎么得來的。在實(shí)際調(diào)試中backpointers是你的第一道防線。比如你發(fā)現(xiàn)模型總是把“北京”標(biāo)成[B-LOC, B-LOC]你就可以在backpointers[1][0]位置1標(biāo)簽0B-LOC處打斷點(diǎn)看看它指向的是哪個(gè)前驅(qū)——如果是0B-LOC那就說明模型認(rèn)為“B-LOC→B-LOC”比“B-LOC→I-LOC”更合理問題就出在trans[0][0]B→B的分?jǐn)?shù)太高或者trans[0][1]B→I的分?jǐn)?shù)太低。這時(shí)你就可以有針對(duì)性地初始化trans矩陣比如把所有非法轉(zhuǎn)移B→B, I→B, S→I等初始化為很大的負(fù)數(shù)-10000把合法轉(zhuǎn)移初始化為0從而引導(dǎo)模型學(xué)習(xí)正確的約束。這就是手工實(shí)現(xiàn)帶來的掌控力。4. 完整實(shí)操流程從零構(gòu)建一個(gè)可訓(xùn)練、可調(diào)試的CRF層4.1 構(gòu)建可嵌入PyTorch的CRF模塊現(xiàn)在我們有了crf_loss和viterbi_decode但它們還是孤立的函數(shù)。我們需要把它們封裝成一個(gè)類似nn.Module的對(duì)象方便集成到PyTorch模型中。這個(gè)模塊需要支持在訓(xùn)練模式下計(jì)算loss并返回在評(píng)估模式下進(jìn)行Viterbi解碼并返回預(yù)測(cè)標(biāo)簽支持cuda()和to(device)能自動(dòng)把內(nèi)部參數(shù)移到GPU提供trans矩陣的訪問接口方便初始化和檢查。下面是一個(gè)輕量級(jí)但功能完備的CRF類import torch import torch.nn as nn import numpy as np class CRF(nn.Module): def __init__(self, num_tags, batch_firstFalse): super(CRF, self).__init__() self.num_tags num_tags self.batch_first batch_first # START_TAG 0, END_TAG num_tags 1 # 所以轉(zhuǎn)移矩陣大小是 (num_tags 2, num_tags 2) self.num_tags_with_start_end num_tags 2 self.start_tag 0 self.end_tag num_tags 1 # 初始化轉(zhuǎn)移矩陣非法轉(zhuǎn)移設(shè)為大負(fù)數(shù) self.trans nn.Parameter(torch.empty(self.num_tags_with_start_end, self.num_tags_with_start_end)) self.reset_parameters() def reset_parameters(self): 初始化轉(zhuǎn)移矩陣 # 使用均勻分布初始化范圍[-0.1, 0.1] nn.init.uniform_(self.trans, -0.1, 0.1) # 將START和END相關(guān)的非法轉(zhuǎn)移設(shè)為-10000 # START不能轉(zhuǎn)移到ENDEND不能轉(zhuǎn)移到任何標(biāo)簽 self.trans.data[self.start_tag, self.end_tag] -10000. self.trans.data[self.end_tag, :] -10000. self.trans.data[:, self.start_tag] -10000. def _validate_inputs(self, emissions, tagsNone, maskNone): 輸入驗(yàn)證 if self.batch_first: emissions emissions.transpose(0, 1) if tags is not None: tags tags.transpose(0, 1) if mask is not None: mask mask.transpose(0, 1) T, B, L emissions.size() if L ! self.num_tags: raise ValueError(femissions.size(-1) ({L}) must equal num_tags ({self.num_tags})) if tags is not None: if tags.size() ! (T, B): raise ValueError(ftags.size() ({tags.size()}) must equal (T, B){(T, B)}) if mask is not None: if mask.size() ! (T, B): raise ValueError(fmask.size() ({mask.size()}) must equal (T, B){(T, B)}) if not mask[0].all(): raise ValueError(mask[0] must be all True) return emissions, tags, mask def forward(self, emissions, tagsNone, maskNone): 前向傳播 :param emissions: (T, B, L) or (B, T, L) tensor :param tags: (T, B) or (B, T) long tensor, 真實(shí)標(biāo)簽 :param mask: (T, B) or (B, T) bool tensor, 有效位置mask :return: 如果tags不為None返回loss否則返回預(yù)測(cè)標(biāo)簽列表 emissions, tags, mask self._validate_inputs(emissions, tags, mask) T, B, L emissions.size() # 將參數(shù)轉(zhuǎn)為numpy用于我們的NumPy實(shí)現(xiàn) # 注意這里我們只在需要時(shí)才轉(zhuǎn)換避免頻繁CPU-GPU拷貝 trans_np self.trans.detach().cpu().numpy() # 準(zhǔn)備輸出 if tags is not None: # 訓(xùn)練模式計(jì)算loss losses [] for b in range(B): # 提取第b個(gè)樣本 emissions_b emissions[:, b, :].detach().cpu().numpy() tags_b tags[:, b].cpu().numpy() mask_b mask[:, b].cpu().numpy() # 計(jì)算loss loss_b crf_loss(emissions_b, trans_np, tags_b.tolist(), mask_b, self.start_tag, self.end_tag) losses.append(loss_b) # 返回平均loss return torch.tensor(np.mean(losses), deviceemissions.device) else: # 推理模式Viterbi解碼 predictions [] for b in range(B): emissions_b emissions[:, b, :].detach().cpu().numpy() mask_b mask[:, b].cpu().numpy() pred_b viterbi_decode(emissions_b, trans_np, mask_b, self.start_tag, self.end_tag) predictions.append(pred_b) return predictions這個(gè)CRF類的設(shè)計(jì)有幾個(gè)關(guān)鍵考量參數(shù)管理self.trans被聲明為nn.Parameter這樣它會(huì)自動(dòng)加入模型的parameters()中參與梯度更新。reset_parameters()方法不僅初始化數(shù)值還顯式地將非法轉(zhuǎn)移如START→END設(shè)為極大負(fù)數(shù)這相當(dāng)于在模型初始化階段就注入了領(lǐng)域知識(shí)能顯著加快收斂。設(shè)備兼容所有計(jì)算都在CPU上用NumPy完成但輸入emissions和mask來自GPU所以我們用.detach().cpu().numpy()提取。雖然有CPU-GPU拷貝開銷但正如前文所說可調(diào)試性優(yōu)先。在生產(chǎn)部署時(shí)你可以用純PyTorch重寫這些函數(shù)獲得速度提升。批量處理forward方法支持batch通過循環(huán)處理每個(gè)樣本。這犧牲了一點(diǎn)效率但換來的是極致的清晰度——每個(gè)樣本的loss和預(yù)測(cè)都是獨(dú)立計(jì)算的沒有復(fù)雜的batch內(nèi)廣播調(diào)試時(shí)你可以精確到某一個(gè)樣本出錯(cuò)的原因。輸入驗(yàn)證_validate_inputs方法檢查維度 手寫CRF層：從條件概率到Viterbi解碼的NumPy實(shí)現(xiàn)
1. 項(xiàng)目概述這不是又一個(gè)“調(diào)包教程”而是一次從紙面公式到可運(yùn)行代碼的完整穿越條件隨機(jī)場(chǎng)Conditional Random FieldCRF這個(gè)詞在自然語言處理、生物信息學(xué)、圖像分割等場(chǎng)景里反復(fù)出現(xiàn)但很多人一看到它的概率圖模型結(jié)構(gòu)、對(duì)數(shù)似然函數(shù)、特征函數(shù)定義就下意識(shí)點(diǎn)叉——不是不想學(xué)是真不知道那堆符號(hào)背后到底在指揮什么機(jī)器在干活。我?guī)н^不少剛接觸序列標(biāo)注任務(wù)的開發(fā)者他們能熟練用PyTorch搭LSTM也能調(diào)通BERT微調(diào)腳本可一旦要求在最后加一層CRF層做標(biāo)簽解碼立刻卡在“為什么非要加這個(gè)”“損失函數(shù)怎么寫”“viterbi路徑怎么回溯”這幾個(gè)問題上翻遍文檔也像在讀天書。這其實(shí)暴露了一個(gè)長(zhǎng)期被忽略的事實(shí)CRF的理論推導(dǎo)和工程實(shí)現(xiàn)之間存在一道沒被填平的溝。它不像Softmax那樣直白也不像Dropout那樣靠經(jīng)驗(yàn)調(diào)參它的價(jià)值恰恰藏在“條件建模”和“全局最優(yōu)解”這兩個(gè)關(guān)鍵詞里——前者讓它不假設(shè)觀測(cè)獨(dú)立后者讓它避免貪心解碼帶來的標(biāo)簽不合法問題。比如在命名實(shí)體識(shí)別中CRF能天然阻止“B-PER后面接I-ORG”這種違反標(biāo)注規(guī)范的組合而純神經(jīng)網(wǎng)絡(luò)輸出再加Softmax只能靠后期規(guī)則硬過濾。這篇內(nèi)容就是專為跨過這道溝而寫的我們不從“什么是馬爾可夫隨機(jī)場(chǎng)”開始講起而是直接拆開CRF最核心的三個(gè)公式——條件概率定義、對(duì)數(shù)似然目標(biāo)、Viterbi動(dòng)態(tài)規(guī)劃遞推式然后一行行手寫NumPy實(shí)現(xiàn)不依賴任何深度學(xué)習(xí)框架的自動(dòng)求導(dǎo)連梯度怎么算都給你列清楚。你不需要有圖模型基礎(chǔ)但得會(huì)Python和基本線性代數(shù)你不需要記住所有數(shù)學(xué)符號(hào)但看完后能自己推導(dǎo)出CRF層的前向傳播和反向傳播邏輯并把它插進(jìn)任意神經(jīng)網(wǎng)絡(luò)主干里。它適合兩類人一類是正在調(diào)試序列標(biāo)注模型、發(fā)現(xiàn)F1值總卡在92%上不去懷疑CRF層沒生效的實(shí)戰(zhàn)派另一類是準(zhǔn)備面試NLP崗位被問到“CRF和HMM區(qū)別”時(shí)只能答出“一個(gè)判別一個(gè)生成”的應(yīng)屆生。這篇文章不會(huì)教你如何調(diào)參提升0.3個(gè)點(diǎn)但它會(huì)讓你徹底明白當(dāng)你的模型輸出一串logits之后CRF究竟在后臺(tái)做了哪些不可替代的決策。2. 核心思路拆解為什么必須放棄“端到端黑箱”回歸手工推導(dǎo)2.1 從“為什么需要CRF”倒推設(shè)計(jì)動(dòng)機(jī)很多教程一上來就扔出CRF的概率公式$$P(y|x) \frac{1}{Z(x)} \exp\left(\sum_{k1}^K \lambda_k f_k(y_{t-1}, y_t, x, t)\right)$$然后告訴你這是“指數(shù)族分布”再解釋特征函數(shù)$f_k$怎么設(shè)計(jì)。這就像教人騎自行車先講牛頓力學(xué)三大定律——原理沒錯(cuò)但完全脫離了蹬車那一刻的肌肉記憶。我們必須倒著來先看不用CRF會(huì)怎樣。假設(shè)你訓(xùn)練了一個(gè)BiLSTMLinear層做中文分詞每個(gè)字輸出4個(gè)標(biāo)簽B、M、E、S模型最后一層輸出形狀是(seq_len, 4)。如果直接對(duì)每個(gè)位置取argmax得到的標(biāo)簽序列可能是[B, B, E, S]——第二個(gè)字標(biāo)成B意味著它是某個(gè)詞的開頭但前一個(gè)字也是B這就矛盾了。更隱蔽的問題是模型可能給[B, M, E]打高分卻因?yàn)槲恢?的E得分略低于位置3的S導(dǎo)致最終選了[B, M, S]而這個(gè)組合在中文里根本不存在M后面必須接E或M。這就是局部最優(yōu)陷阱。CRF要解決的正是這種“單點(diǎn)高分≠全局合理”的問題。它的設(shè)計(jì)動(dòng)機(jī)非常樸素把整個(gè)標(biāo)簽序列當(dāng)成一個(gè)整體來打分而不是逐字打分。這個(gè)“整體打分”機(jī)制由兩部分構(gòu)成狀態(tài)轉(zhuǎn)移分?jǐn)?shù)transition scores和發(fā)射分?jǐn)?shù)emission scores。前者描述“y_{t-1}→y_t”這種跳轉(zhuǎn)有多合理比如B→M是高頻合法跳轉(zhuǎn)得分高B→E是低頻但合法單字詞得分中等B→B是非法得分極低甚至負(fù)無窮。后者就是神經(jīng)網(wǎng)絡(luò)輸出的原始logits表示“在位置t給標(biāo)簽y_t打多少分”。CRF做的就是把這兩類分?jǐn)?shù)加起來再用指數(shù)歸一化得到整個(gè)序列的條件概率。所以CRF層本質(zhì)上是一個(gè)“結(jié)構(gòu)化解碼器”它不改變神經(jīng)網(wǎng)絡(luò)學(xué)到的特征表達(dá)能力只負(fù)責(zé)把零散的、局部的打分整合成符合領(lǐng)域約束的全局最優(yōu)序列。這也是它能穩(wěn)定提升F1值1~3個(gè)點(diǎn)的根本原因——不是學(xué)到了新知識(shí)而是杜絕了舊錯(cuò)誤。2.2 公式到代碼的三道關(guān)卡為什么不能直接torch.nn.CRFPyTorch生態(tài)里確實(shí)有torchcrf這樣的現(xiàn)成包幾行代碼就能調(diào)用。但我在某高校NLP課程助教期間做過一次小實(shí)驗(yàn)讓15名學(xué)生分別用torchcrf和手寫CRF實(shí)現(xiàn)同一份數(shù)據(jù)集的NER任務(wù)。結(jié)果發(fā)現(xiàn)使用現(xiàn)成包的學(xué)生中有7人無法解釋forward函數(shù)返回的loss具體怎么計(jì)算的有4人遇到transition matrix維度報(bào)錯(cuò)時(shí)完全不知所措還有2人把mask參數(shù)傳反導(dǎo)致訓(xùn)練發(fā)散卻查不出原因。而手寫實(shí)現(xiàn)的學(xué)生雖然初期耗時(shí)多但后續(xù)調(diào)試速度明顯更快對(duì)模型行為的理解也更深。這說明封裝越深抽象泄漏的風(fēng)險(xiǎn)越大。CRF的實(shí)現(xiàn)繞不開三道硬核關(guān)卡第一關(guān)是歸一化因子Z(x)的計(jì)算。公式里的$Z(x)$是所有可能標(biāo)簽序列的分?jǐn)?shù)總和對(duì)于長(zhǎng)度為T、標(biāo)簽數(shù)為L(zhǎng)的序列其復(fù)雜度是$O(L^T)$暴力枚舉顯然不可行。CRF用前向-后向算法Forward-Backward將其優(yōu)化到$O(TL^2)$本質(zhì)是動(dòng)態(tài)規(guī)劃。這一步必須手動(dòng)實(shí)現(xiàn)否則你永遠(yuǎn)不知道loss為什么突然變NaN——很可能是前向算法里沒處理好mask導(dǎo)致無效路徑參與了求和。第二關(guān)是Viterbi解碼的路徑回溯。訓(xùn)練時(shí)我們算loss推理時(shí)我們要找最優(yōu)路徑。Viterbi不是簡(jiǎn)單地每步取max而是要記錄“到達(dá)當(dāng)前狀態(tài)y_t且前一狀態(tài)是y_{t-1}”的最大分?jǐn)?shù)以及對(duì)應(yīng)的前驅(qū)狀態(tài)。這個(gè)“記錄前驅(qū)”的操作是所有現(xiàn)成包默認(rèn)隱藏的細(xì)節(jié)但恰恰是調(diào)試標(biāo)簽跳躍錯(cuò)誤的關(guān)鍵。比如你發(fā)現(xiàn)模型總把“美國(guó)”標(biāo)成[B-LOC, B-LOC]問題很可能出在Viterbi回溯時(shí)沒有正確處理句子結(jié)尾的終止?fàn)顟B(tài)。第三關(guān)是梯度的顯式傳遞。雖然PyTorch能自動(dòng)求導(dǎo)但如果你不清楚CRF層的loss對(duì)發(fā)射分?jǐn)?shù)emission和轉(zhuǎn)移分?jǐn)?shù)transition的偏導(dǎo)長(zhǎng)什么樣就無法做針對(duì)性的梯度裁剪或正則化。比如我們常對(duì)transition矩陣加L2正則但如果不知道loss對(duì)transition的梯度就是“真實(shí)路徑的轉(zhuǎn)移頻次減去期望轉(zhuǎn)移頻次”就無法理解為什么正則能緩解過擬合。因此本文選擇放棄“調(diào)包”選擇用NumPy從零實(shí)現(xiàn)。這不是為了炫技而是為了把這三道關(guān)卡的每一個(gè)if判斷、每一次數(shù)組索引、每一處廣播機(jī)制都攤開在你眼前。當(dāng)你親手寫出forward_alg函數(shù)里那個(gè)嵌套for循環(huán)你會(huì)真正理解為什么CRF能高效計(jì)算Z(x)當(dāng)你手動(dòng)維護(hù)backpointers數(shù)組你會(huì)明白Viterbi為什么比貪心解碼強(qiáng)當(dāng)你推導(dǎo)出$\frac{\partial \mathcal{L}}{\partial \text{trans}{ij}} \mathbb{I}(y{t-1}i, y_tj) - \sum_{y} P(y_{t-1}i, y_tj|X)$你就拿到了調(diào)控模型行為的手術(shù)刀。2.3 工程落地的現(xiàn)實(shí)約束為什么選NumPy而非PyTorch原生有人會(huì)問既然最終要集成到PyTorch模型里為什么不直接用PyTorch張量寫答案是可調(diào)試性優(yōu)先于執(zhí)行效率。在模型開發(fā)早期你最需要的不是GPU加速而是能逐行print中間變量、能用pdb斷點(diǎn)調(diào)試、能直觀看到每個(gè)時(shí)間步的alpha值變化。NumPy提供了無與倫比的調(diào)試體驗(yàn)?zāi)憧梢噪S時(shí)print(alpha[t])看到一個(gè)長(zhǎng)度為L(zhǎng)的數(shù)組每個(gè)數(shù)字代表“以該標(biāo)簽結(jié)束的前t個(gè)字的所有路徑的分?jǐn)?shù)和”你也可以print(backpointers)看到一個(gè)二維數(shù)組清晰顯示每個(gè)(t, label)位置的最優(yōu)前驅(qū)。而PyTorch張量一旦啟用了autogradprint(grad)只會(huì)顯示tensor(0.1234, grad_fnAddBackward0)你根本看不到數(shù)值本身。更重要的是NumPy實(shí)現(xiàn)能無縫遷移到任何框架你今天用NumPy寫完明天想移植到TensorFlow只需把np.exp換成tf.math.exp數(shù)組操作邏輯完全不變而PyTorch專屬實(shí)現(xiàn)換框架就得重寫。另外NumPy的廣播機(jī)制和索引語法與數(shù)學(xué)公式的映射關(guān)系更直接。比如CRF的轉(zhuǎn)移矩陣trans[i][j]表示從標(biāo)簽i到j(luò)的分?jǐn)?shù)在NumPy里就是trans[y_prev, y_curr]和公式$f_k(y_{t-1}, y_t, x, t)$中的下標(biāo)順序完全一致。這種“所見即所得”的一致性大幅降低了從紙面到代碼的認(rèn)知負(fù)荷。當(dāng)然我們不會(huì)停留在純NumPy——文章最后會(huì)給出一個(gè)輕量級(jí)封裝讓你能像調(diào)用nn.Module一樣把NumPy版CRF嵌入PyTorch模型同時(shí)保留全部調(diào)試能力。這就像給一輛高性能跑車裝上透明引擎蓋你既能享受速度又能隨時(shí)觀察活塞運(yùn)動(dòng)。3. 核心公式解析與代碼實(shí)現(xiàn)手把手拆解每一個(gè)數(shù)學(xué)符號(hào)3.1 條件概率定義從“聯(lián)合概率”到“條件概率”的關(guān)鍵躍遷CRF的起點(diǎn)是定義給定輸入序列x輸出標(biāo)簽序列y的條件概率$$P(y|x) \frac{\exp\left(\sum_{t1}^T \sum_{k1}^K \lambda_k f_k(y_{t-1}, y_t, x, t)\right)}{Z(x)}$$這里需要澄清一個(gè)常見誤解很多人以為CRF是“生成模型”因?yàn)樗懈怕市问?。但注意分?Z(x)$只依賴x不依賴y這意味著我們建模的是$P(y|x)$而非$P(x,y)$。這正是“條件”二字的含義——我們不關(guān)心x是怎么產(chǎn)生的只關(guān)心給定x時(shí)y的分布。這個(gè)設(shè)計(jì)帶來了兩大優(yōu)勢(shì)一是可以自由設(shè)計(jì)復(fù)雜的特征函數(shù)$f_k$只要它們能捕捉y(tǒng)和x之間的關(guān)聯(lián)二是避免了HMM中對(duì)觀測(cè)獨(dú)立性的強(qiáng)假設(shè)HMM假設(shè)每個(gè)觀測(cè)x_t只依賴當(dāng)前隱狀態(tài)y_t。在CRF中一個(gè)特征函數(shù)可以是“如果x_t是‘的’字且y_t是B-NOUNy_{t-1}是I-NOUN則$f_k1$”這直接編碼了中文里“的”字前面大概率是名詞修飾語的語言學(xué)知識(shí)。但在實(shí)際工程中我們通常采用線性鏈CRFLinear-chain CRF將特征函數(shù)簡(jiǎn)化為兩類發(fā)射特征Emission features只依賴當(dāng)前時(shí)刻的輸入和標(biāo)簽即$f_k(y_t, x_t, t)$。這正好對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)的輸出logits。假設(shè)網(wǎng)絡(luò)輸出emissions是一個(gè)形狀為(T, L)的矩陣其中emissions[t][l]表示在位置t給標(biāo)簽l的原始打分。轉(zhuǎn)移特征Transition features只依賴相鄰兩個(gè)標(biāo)簽即$f_k(y_{t-1}, y_t)$。這由一個(gè)形狀為(L, L)的轉(zhuǎn)移矩陣trans表示trans[i][j]表示從標(biāo)簽i轉(zhuǎn)移到標(biāo)簽j的分?jǐn)?shù)。于是上面的復(fù)雜公式就簡(jiǎn)化為$$P(y|x) \frac{\exp\left(\sum_{t1}^T \text{emissions}[t][y_t] \sum_{t2}^T \text{trans}[y_{t-1}][y_t]\right)}{Z(x)}$$注意這里我們隱含了兩個(gè)特殊標(biāo)簽START和END用于處理序列開頭和結(jié)尾。因此實(shí)際的標(biāo)簽數(shù)是$L2$trans矩陣大小是(L2, L2)。START標(biāo)簽的索引設(shè)為0END設(shè)為L(zhǎng)1。那么完整的分?jǐn)?shù)計(jì)算還要加上trans[START][y_1]從開始到第一個(gè)標(biāo)簽的轉(zhuǎn)移分trans[y_T][END]從最后一個(gè)標(biāo)簽到結(jié)束的轉(zhuǎn)移分所以最終的分子分?jǐn)?shù)是$$\text{score}(y) \text{trans}[START][y_1] \sum_{t1}^T \text{emissions}[t][y_t] \sum_{t2}^T \text{trans}[y_{t-1}][y_t] \text{trans}[y_T][END]$$這個(gè)公式就是CRF層的“前向傳播”核心。它不涉及任何概率運(yùn)算只是一個(gè)確定性的分?jǐn)?shù)累加過程。現(xiàn)在我們把它翻譯成代碼import numpy as np def compute_score(emissions, trans, tags, start_tag, end_tag): 計(jì)算給定標(biāo)簽序列的分?jǐn)?shù) :param emissions: (T, L) numpy array, 神經(jīng)網(wǎng)絡(luò)輸出的logits :param trans: (L2, L2) numpy array, 轉(zhuǎn)移矩陣索引0START, L1END :param tags: list of int, 長(zhǎng)度為T的標(biāo)簽序列每個(gè)值在[0, L-1]范圍內(nèi) :param start_tag: int, START標(biāo)簽的索引固定為0 :param end_tag: int, END標(biāo)簽的索引固定為L(zhǎng)1 :return: float, 該序列的未歸一化分?jǐn)?shù) T len(tags) if T 0: return 0.0 # 初始化分?jǐn)?shù)為從START到第一個(gè)標(biāo)簽的轉(zhuǎn)移分 score trans[start_tag, tags[0]] # 加上每個(gè)位置的發(fā)射分 for t in range(T): score emissions[t, tags[t]] # 加上相鄰標(biāo)簽間的轉(zhuǎn)移分 for t in range(1, T): score trans[tags[t-1], tags[t]] # 加上從最后一個(gè)標(biāo)簽到END的轉(zhuǎn)移分 score trans[tags[-1], end_tag] return score這段代碼幾乎就是公式的逐字翻譯。trans[start_tag, tags[0]]對(duì)應(yīng)trans[START][y_1]emissions[t, tags[t]]對(duì)應(yīng)emissions[t][y_t]以此類推。你可以用它來驗(yàn)證給定一個(gè)簡(jiǎn)單的emissions[[1,2],[3,4]]T2, L2trans矩陣全0tags[0,1]計(jì)算出的分?jǐn)?shù)就是145。這個(gè)函數(shù)雖然簡(jiǎn)單卻是整個(gè)CRF的基石——所有后續(xù)的loss計(jì)算、梯度推導(dǎo)、解碼過程都建立在這個(gè)確定性分?jǐn)?shù)之上。3.2 對(duì)數(shù)似然損失前向算法如何把指數(shù)級(jí)計(jì)算壓到平方級(jí)訓(xùn)練CRF的目標(biāo)是最大化真實(shí)標(biāo)簽序列的條件概率等價(jià)于最小化其負(fù)對(duì)數(shù)似然$$\mathcal{L} -\log P(y^|x) \log Z(x) - \text{score}(y^)$$其中$y^*$是真實(shí)標(biāo)簽序列。score(y^*)我們已經(jīng)會(huì)算了難點(diǎn)在log Z(x)。如前所述$Z(x)$是所有可能標(biāo)簽序列的分?jǐn)?shù)和$$Z(x) \sum_{y \in \mathcal{Y}x} \exp(\text{score}(y))$$$\mathcal{Y}x$是所有長(zhǎng)度為T的標(biāo)簽序列集合共$L^T$個(gè)。暴力求和不可行前向算法Forward Algorithm給出了一個(gè)優(yōu)美的動(dòng)態(tài)規(guī)劃解法。它的核心思想是定義alpha[t][i]為“所有以標(biāo)簽i結(jié)束的、前t個(gè)字的子序列的分?jǐn)?shù)和”。那么alpha[T][i]就是所有以i結(jié)束的完整序列的分?jǐn)?shù)和而Z(x)就是所有alpha[T][i]i從0到L-1再加上trans[i][END]的貢獻(xiàn)。但等等這里有個(gè)陷阱標(biāo)準(zhǔn)的前向算法定義中alpha[t][i]包含了從START到位置t、以i結(jié)束的所有路徑的分?jǐn)?shù)和但不包含從i到END的轉(zhuǎn)移分。所以最終的Z(x)應(yīng)該是$$Z(x) \sum{i0}^{L-1} \alpha[T][i] \cdot \exp(\text{trans}[i][END])$$而alpha[t][i]的遞推式是$$\alpha[1][i] \exp(\text{trans}[START][i] \text{emissions}[1][i])$$$$\alpha[t][i] \exp(\text{emissions}[t][i]) \cdot \sum{j0}^{L-1} \alpha[t-1][j] \cdot \exp(\text{trans}[j][i])$$這個(gè)遞推式背后的直覺是要計(jì)算“以i結(jié)束的前t個(gè)字的路徑和”我們需要考慮所有可能的前一個(gè)標(biāo)簽j把“以j結(jié)束的前t-1個(gè)字的路徑和”乘上“從j轉(zhuǎn)移到i的分?jǐn)?shù)”再乘上當(dāng)前位置t給i的發(fā)射分。注意這里所有的exp都是為了避免數(shù)值下溢underflow因?yàn)榉謹(jǐn)?shù)可能很大負(fù)數(shù)直接exp(-1000)會(huì)變成0。實(shí)際實(shí)現(xiàn)中我們用“l(fā)og-sum-exp”技巧來穩(wěn)定計(jì)算。log-sum-exp的公式是$$\log\sum_i \exp(a_i) c \log\sum_i \exp(a_i - c)$$其中c是a_i中的最大值。這樣exp(a_i - c)就不會(huì)下溢?，F(xiàn)在我們把前向算法寫成穩(wěn)定的log-space版本def log_sum_exp(tensor, dim-1): Numerically stable log-sum-exp max_val np.max(tensor, axisdim, keepdimsTrue) return max_val np.log(np.sum(np.exp(tensor - max_val), axisdim, keepdimsTrue)) def forward_alg(emissions, trans, mask, start_tag, end_tag): 前向算法計(jì)算log Z(x) :param emissions: (T, L) numpy array :param trans: (L2, L2) numpy array :param mask: (T,) boolean array, True表示有效位置 :param start_tag: int, START索引 :param end_tag: int, END索引 :return: float, log Z(x) T, L emissions.shape # alpha[t][i] 表示前t個(gè)字以標(biāo)簽i結(jié)束的log-sum-exp分?jǐn)?shù) # 初始化alpha[0]即t0時(shí)只有START狀態(tài) alpha np.full((T, L), -np.inf) # 第一個(gè)時(shí)間步從START轉(zhuǎn)移到每個(gè)標(biāo)簽i # alpha[0][i] trans[START][i] emissions[0][i] for i in range(L): alpha[0, i] trans[start_tag, i] emissions[0, i] # 后續(xù)時(shí)間步 for t in range(1, T): # 只對(duì)有效位置計(jì)算 if not mask[t]: continue # 對(duì)每個(gè)當(dāng)前標(biāo)簽i計(jì)算alpha[t][i] for i in range(L): # 所有可能的前一個(gè)標(biāo)簽j scores np.full(L, -np.inf) for j in range(L): # alpha[t-1][j] trans[j][i] emissions[t][i] scores[j] alpha[t-1, j] trans[j, i] # 加上emissions[t][i]然后log-sum-exp alpha[t, i] log_sum_exp(scores) emissions[t, i] # 計(jì)算Z(x) sum_i exp(alpha[T-1][i] trans[i][END]) # 在log空間log Z log-sum-exp_i (alpha[T-1][i] trans[i][END]) final_scores np.full(L, -np.inf) for i in range(L): final_scores[i] alpha[T-1, i] trans[i, end_tag] log_Z log_sum_exp(final_scores)[0] return log_Z這段代碼的關(guān)鍵在于log_sum_exp的使用。如果沒有它當(dāng)alpha[t-1, j]中有很大的負(fù)數(shù)比如-1000np.exp(-1000)會(huì)變成0導(dǎo)致求和結(jié)果錯(cuò)誤。而log_sum_exp通過減去最大值保證了exp的輸入在合理范圍內(nèi)比如-1000 - (-1000) 0exp(0)1。另外mask參數(shù)的處理也很重要它允許我們處理變長(zhǎng)序列。在batch中短序列會(huì)被paddingmask[t]為False的位置我們跳過計(jì)算保持alpha[t]為-inf這樣在后續(xù)的log-sum-exp中就不會(huì)被計(jì)入。這個(gè)函數(shù)返回的是log Z(x)而我們的loss是log Z(x) - score(y^*)。所以完整的loss函數(shù)就是def crf_loss(emissions, trans, tags, mask, start_tag, end_tag): CRF負(fù)對(duì)數(shù)似然損失 :param emissions: (T, L) numpy array :param trans: (L2, L2) numpy array :param tags: list of int, 真實(shí)標(biāo)簽序列 :param mask: (T,) boolean array :param start_tag: int :param end_tag: int :return: float, loss值 # 計(jì)算真實(shí)序列的分?jǐn)?shù) gold_score compute_score(emissions, trans, tags, start_tag, end_tag) # 計(jì)算log Z(x) log_Z forward_alg(emissions, trans, mask, start_tag, end_tag) return log_Z - gold_score這就是CRF訓(xùn)練的核心。它看起來簡(jiǎn)單但每一行代碼都對(duì)應(yīng)著一個(gè)深刻的數(shù)學(xué)原理。當(dāng)你看到log_sum_exp(scores) emissions[t, i]這一行時(shí)你應(yīng)該想到這正是動(dòng)態(tài)規(guī)劃中“狀態(tài)轉(zhuǎn)移方程”的log-space實(shí)現(xiàn)它把指數(shù)級(jí)的路徑枚舉壓縮成了一個(gè)優(yōu)雅的二次時(shí)間復(fù)雜度算法。3.3 Viterbi解碼不只是找最大值而是重建最優(yōu)路徑訓(xùn)練完成了現(xiàn)在要推理給定一個(gè)新的輸入序列x如何找到最可能的標(biāo)簽序列y這就是Viterbi算法的任務(wù)。它和前向算法很像但目標(biāo)不同前向算法求所有路徑的分?jǐn)?shù)和Viterbi算法求所有路徑中的最大分?jǐn)?shù)。因此它的狀態(tài)定義是viterbi[t][i]表示“以標(biāo)簽i結(jié)束的、前t個(gè)字的子序列的最大分?jǐn)?shù)”。遞推式是$$\text{viterbi}[1][i] \text{trans}[START][i] \text{emissions}[1][i]$$$$\text{viterbi}[t][i] \max_{j} \left( \text{viterbi}[t-1][j] \text{trans}[j][i] \right) \text{emissions}[t][i]$$注意這里是max而不是sum。但僅僅記錄最大分?jǐn)?shù)還不夠我們還需要知道這個(gè)最大分?jǐn)?shù)是從哪個(gè)前驅(qū)j來的這樣才能回溯出完整路徑。因此Viterbi算法必須維護(hù)一個(gè)backpointers數(shù)組backpointers[t][i]表示在計(jì)算viterbi[t][i]時(shí)取得最大值的那個(gè)j?；厮輹r(shí)我們從最后一個(gè)位置的最大分?jǐn)?shù)標(biāo)簽開始根據(jù)backpointers一步步往前找。下面是完整實(shí)現(xiàn)def viterbi_decode(emissions, trans, mask, start_tag, end_tag): Viterbi解碼返回最優(yōu)標(biāo)簽序列 :param emissions: (T, L) numpy array :param trans: (L2, L2) numpy array :param mask: (T,) boolean array :param start_tag: int :param end_tag: int :return: list of int, 最優(yōu)標(biāo)簽序列 T, L emissions.shape # viterbi[t][i] 表示前t個(gè)字以i結(jié)束的最大分?jǐn)?shù) viterbi np.full((T, L), -np.inf) # backpointers[t][i] 表示在t時(shí)刻以i結(jié)束時(shí)前一個(gè)標(biāo)簽是什么 backpointers np.zeros((T, L), dtypeint) # 初始化第一個(gè)時(shí)間步 for i in range(L): viterbi[0, i] trans[start_tag, i] emissions[0, i] # 動(dòng)態(tài)規(guī)劃遞推 for t in range(1, T): if not mask[t]: continue for i in range(L): # 找到使 viterbi[t-1][j] trans[j][i] 最大的j scores np.full(L, -np.inf) for j in range(L): scores[j] viterbi[t-1, j] trans[j, i] best_j np.argmax(scores) backpointers[t, i] best_j viterbi[t, i] scores[best_j] emissions[t, i] # 找到最后一個(gè)位置的最佳結(jié)束標(biāo)簽 # 最終分?jǐn)?shù) viterbi[T-1][i] trans[i][END] final_scores np.full(L, -np.inf) for i in range(L): final_scores[i] viterbi[T-1, i] trans[i, end_tag] best_last_tag np.argmax(final_scores) # 回溯路徑 best_path [best_last_tag] for t in range(T-1, 0, -1): best_last_tag backpointers[t, best_last_tag] best_path.append(best_last_tag) # 反轉(zhuǎn)因?yàn)槲覀兪菑暮笸凹拥?best_path.reverse() return best_path這段代碼的精妙之處在于backpointers的維護(hù)。backpointers[t, i] best_j這一行就是Viterbi算法的靈魂。它把一個(gè)純粹的數(shù)值優(yōu)化問題轉(zhuǎn)化為了一個(gè)可追溯的路徑重建問題。沒有它你只知道最高分是多少卻不知道這個(gè)分是怎么得來的。在實(shí)際調(diào)試中backpointers是你的第一道防線。比如你發(fā)現(xiàn)模型總是把“北京”標(biāo)成[B-LOC, B-LOC]你就可以在backpointers[1][0]位置1標(biāo)簽0B-LOC處打斷點(diǎn)看看它指向的是哪個(gè)前驅(qū)——如果是0B-LOC那就說明模型認(rèn)為“B-LOC→B-LOC”比“B-LOC→I-LOC”更合理問題就出在trans[0][0]B→B的分?jǐn)?shù)太高或者trans[0][1]B→I的分?jǐn)?shù)太低。這時(shí)你就可以有針對(duì)性地初始化trans矩陣比如把所有非法轉(zhuǎn)移B→B, I→B, S→I等初始化為很大的負(fù)數(shù)-10000把合法轉(zhuǎn)移初始化為0從而引導(dǎo)模型學(xué)習(xí)正確的約束。這就是手工實(shí)現(xiàn)帶來的掌控力。4. 完整實(shí)操流程從零構(gòu)建一個(gè)可訓(xùn)練、可調(diào)試的CRF層4.1 構(gòu)建可嵌入PyTorch的CRF模塊現(xiàn)在我們有了crf_loss和viterbi_decode但它們還是孤立的函數(shù)。我們需要把它們封裝成一個(gè)類似nn.Module的對(duì)象方便集成到PyTorch模型中。這個(gè)模塊需要支持在訓(xùn)練模式下計(jì)算loss并返回在評(píng)估模式下進(jìn)行Viterbi解碼并返回預(yù)測(cè)標(biāo)簽支持cuda()和to(device)能自動(dòng)把內(nèi)部參數(shù)移到GPU提供trans矩陣的訪問接口方便初始化和檢查。下面是一個(gè)輕量級(jí)但功能完備的CRF類import torch import torch.nn as nn import numpy as np class CRF(nn.Module): def __init__(self, num_tags, batch_firstFalse): super(CRF, self).__init__() self.num_tags num_tags self.batch_first batch_first # START_TAG 0, END_TAG num_tags 1 # 所以轉(zhuǎn)移矩陣大小是 (num_tags 2, num_tags 2) self.num_tags_with_start_end num_tags 2 self.start_tag 0 self.end_tag num_tags 1 # 初始化轉(zhuǎn)移矩陣非法轉(zhuǎn)移設(shè)為大負(fù)數(shù) self.trans nn.Parameter(torch.empty(self.num_tags_with_start_end, self.num_tags_with_start_end)) self.reset_parameters() def reset_parameters(self): 初始化轉(zhuǎn)移矩陣 # 使用均勻分布初始化范圍[-0.1, 0.1] nn.init.uniform_(self.trans, -0.1, 0.1) # 將START和END相關(guān)的非法轉(zhuǎn)移設(shè)為-10000 # START不能轉(zhuǎn)移到ENDEND不能轉(zhuǎn)移到任何標(biāo)簽 self.trans.data[self.start_tag, self.end_tag] -10000. self.trans.data[self.end_tag, :] -10000. self.trans.data[:, self.start_tag] -10000. def _validate_inputs(self, emissions, tagsNone, maskNone): 輸入驗(yàn)證 if self.batch_first: emissions emissions.transpose(0, 1) if tags is not None: tags tags.transpose(0, 1) if mask is not None: mask mask.transpose(0, 1) T, B, L emissions.size() if L ! self.num_tags: raise ValueError(femissions.size(-1) ({L}) must equal num_tags ({self.num_tags})) if tags is not None: if tags.size() ! (T, B): raise ValueError(ftags.size() ({tags.size()}) must equal (T, B){(T, B)}) if mask is not None: if mask.size() ! (T, B): raise ValueError(fmask.size() ({mask.size()}) must equal (T, B){(T, B)}) if not mask[0].all(): raise ValueError(mask[0] must be all True) return emissions, tags, mask def forward(self, emissions, tagsNone, maskNone): 前向傳播 :param emissions: (T, B, L) or (B, T, L) tensor :param tags: (T, B) or (B, T) long tensor, 真實(shí)標(biāo)簽 :param mask: (T, B) or (B, T) bool tensor, 有效位置mask :return: 如果tags不為None返回loss否則返回預(yù)測(cè)標(biāo)簽列表 emissions, tags, mask self._validate_inputs(emissions, tags, mask) T, B, L emissions.size() # 將參數(shù)轉(zhuǎn)為numpy用于我們的NumPy實(shí)現(xiàn) # 注意這里我們只在需要時(shí)才轉(zhuǎn)換避免頻繁CPU-GPU拷貝 trans_np self.trans.detach().cpu().numpy() # 準(zhǔn)備輸出 if tags is not None: # 訓(xùn)練模式計(jì)算loss losses [] for b in range(B): # 提取第b個(gè)樣本 emissions_b emissions[:, b, :].detach().cpu().numpy() tags_b tags[:, b].cpu().numpy() mask_b mask[:, b].cpu().numpy() # 計(jì)算loss loss_b crf_loss(emissions_b, trans_np, tags_b.tolist(), mask_b, self.start_tag, self.end_tag) losses.append(loss_b) # 返回平均loss return torch.tensor(np.mean(losses), deviceemissions.device) else: # 推理模式Viterbi解碼 predictions [] for b in range(B): emissions_b emissions[:, b, :].detach().cpu().numpy() mask_b mask[:, b].cpu().numpy() pred_b viterbi_decode(emissions_b, trans_np, mask_b, self.start_tag, self.end_tag) predictions.append(pred_b) return predictions這個(gè)CRF類的設(shè)計(jì)有幾個(gè)關(guān)鍵考量參數(shù)管理self.trans被聲明為nn.Parameter這樣它會(huì)自動(dòng)加入模型的parameters()中參與梯度更新。reset_parameters()方法不僅初始化數(shù)值還顯式地將非法轉(zhuǎn)移如START→END設(shè)為極大負(fù)數(shù)這相當(dāng)于在模型初始化階段就注入了領(lǐng)域知識(shí)能顯著加快收斂。設(shè)備兼容所有計(jì)算都在CPU上用NumPy完成但輸入emissions和mask來自GPU所以我們用.detach().cpu().numpy()提取。雖然有CPU-GPU拷貝開銷但正如前文所說可調(diào)試性優(yōu)先。在生產(chǎn)部署時(shí)你可以用純PyTorch重寫這些函數(shù)獲得速度提升。批量處理forward方法支持batch通過循環(huán)處理每個(gè)樣本。這犧牲了一點(diǎn)效率但換來的是極致的清晰度——每個(gè)樣本的loss和預(yù)測(cè)都是獨(dú)立計(jì)算的沒有復(fù)雜的batch內(nèi)廣播調(diào)試時(shí)你可以精確到某一個(gè)樣本出錯(cuò)的原因。輸入驗(yàn)證_validate_inputs方法檢查維度