Self-Attention 和 Transformer 自从问世就成为了自然语言处理领域的新星。得益于全局的注意力机制和并行化的训练，基于 Transformer 的自然语言模型能够方便的编码长距离依赖关系，同时在大规模自然语言数据集上并行训练成为可能。但由于自然语言任务种类繁多，且任务之间的差别不太大，所以为每个任务单独微调一份大模型很不划算。

在 CV 中，不同的图像识别任务往往也需要微调整个大模型，也显得不够经济。Prompt Learning 的提出给这个问题提供了一个很好的方向。

本文关于 NLP 的部分主要参考综述 [1]。

NLP 模型的发展

过去许多机器学习方法是基于全监督学习（fully supervised learning）的。

由于监督学习需要大量的数据学习性能优异的模型，而在 NLP 中大规模训练数据（指为特定任务而标注好的数据）是不足的，因此在深度学习出现之前研究者通常聚焦于特征工程（feature engineering），即利用领域知识从数据中提取好的特征；

在深度学习出现之后, 由于特征可以从数据中习得，因此研究者转向了结构工程（architecture engineering），即通过通过设计一个合适的网络结构来把归纳偏置（inductive bias）引入模型中，从而有利于学习好的特征。

在 2017-2019 年，NLP 模型开始转向一个新的模式（BERT），即预训练 + 微调（pre-train and fine-tune）。在这个模式中, 先用一个固定的结构预训练一个语言模型（language model, LM），预训练的方式就是让模型补全上下文（比如完形填空）。

由于预训练不需要专家知识，因此可以在网络上搜集的大规模文本上直接进行训练。然后这个 LM 通过引入额外的参数或微调来适应到下游任务上。此时研究者转向了目标工程（objective engineering），即为预训练任务和微调任务设计更好的目标函数。

Prompt Learning

2.1 什么是 Prompt?

在做 objective engineering 的过程中，研究者发现让下游任务的目标与预训练的目标对齐是有好的。因此下游任务通过引入文本提示符（textual prompt），把原来的任务目标重构为与预训练模型一致的填空题。

比如一个输入 “I missed the bus today.” 的重构：

● 情感预测任务。输入：“I missed the bus today. I felt so___.” 其中 “I felt so” 就是提示词（prompt），然后使用 LM 用一个表示情感的词填空。

● 翻译任务。输入：“English: I missed the bus today. French: ___.” 其中 “English:” 和 “French:” 就是提示词，然后使用 LM 应该再空位填入相应的法语句子。

我们发现用不同的 prompt 加到相同的输入上，就能实现不同的任务，从而使得下游任务可以很好的对齐到预训练任务上，实现更好的预测效果。

后来研究者发现，在同一个任务上使用不同的 prompt，预测效果也会有显著差异，因此现在有许多研究开始聚焦于 prompt engineering。

2.2 有哪些预训练模型？

● Left-to-Right LM: GPT, GPT-2, GPT-3

● Masked LM: BERT, RoBERTa

● Prefix LM: UniLM1, UniLM2

● Encoder-Decoder: T5, MASS, BART

2.3 有哪些Prompt Learning的方法？

● 按照 prompt 的形状划分：完形填空式，前缀式。

● 按照人的参与与否：人工设计的，自动的（离散的，连续的）

▲ 人工设计的 Prompt

Prompt Tuning

3.1 Fine-tune的策略

在下游任务上微调大规模预训练模型已经成为大量 NLP 和 CV 任务常用的训练模式。然而，随着模型尺寸和任务数量越来越多，微调整个模型的方法会储存每个微调任务的模型副本, 消耗大量的储存空间。尤其是在边缘设备上存储空间和网络速度有限的情况下，共享参数就变得尤为重要。

一个比较直接的共享参数的方法是只微调部分参数，或者向预训练模型中加入少量额外的参数。比如，对于分类任务：

● Linear：只微调分类器 (一个线性层), 冻结整个骨干网络。

● Partial-k：只微调骨干网络最后的 k 层, 冻结其他层 [2][3]。

● MLP-k：增加一个 k 层的 MLP 作为分类器。

● Side-tuning [4]：训练一个 “side” 网络，然后融合预训练特征和 “side” 网络的特征后输入分类器。

● Bias：只微调预训练网络的 bias 参数 [5][6]。

● Adapter [7]：通过残差结构，把额外的 MLP 模块插入 Transformer。

近年来，Transformer 模型在 NLP 和 CV 上大放异彩。基于 Transformer 的模型在大量 CV 任务上已经比肩甚至超过基于卷积的模型。

Transformer 与 ConvNet 比较：Transformer 相比于 ConvNet 的一个显著的特点是：它们在对于空间（时间）维度的操作是不同的。

● ConvNet：卷积核在空间维度上执行卷积操作，因此空间内不同位置的特征通过卷积（可学习的）操作融合信息, 且只在局部区域融合。

● Transformer：空间（时间）维度内不同位置的特征通过 Attention（非学习的）操作融合信息，且在全局上融合。

Transformer 在特征融合时非学习的策略使得其很容易的通过增加额外的 feature 来扩展模型。

3.2 NLP中基于Prompt的fine-tune

● Prefix-Tuning

● Prompt-Tuning

● P-Tuning

● P-Tuning-v2

3.3 CV中基于Prompt的fine-tuning

3.3.1 分类

Visual Prompt Tuning [8]

▲ Visual Prompt Tuning

● VPT-Shallow

● VPT-Deep

▲ VPT Results

3.3.2 持续学习

Learning to Prompt for Continue Learning [9]

引入一个 prompt pool，对每个 input，从 pool 中取出与其最近的 N 个 prompts 加入 image tokens。input 和 prompts 距离的度量通过计算 input feature 和每个 prompt 的 key 的距离来得到，这些 key 通过梯度随分类目标一起优化。

▲ L2P

注意，最后使用 prompt 来分类。

3.3.3 多模态模型

Vision-Language Model: Context Optimization (CoOp) [10]

多模态学习的预训练模型。比如 CLIP，通过对比学习对齐文本和图像的特征空间。

▲ CLIP

选择不同的文本 prompt 对于精度影响较大。

▲ Prompt engineering vs Context Optimization (CoOp)

把人工设定的 prompt 替换为 learnable 的 prompt：

● [CLASS] 放在后面：

● [CLASS] 放在中间：

Prompt 可以在不同类之间公用，也可以为每个类使用不同的 prompts（对于细粒度分类任务更有效）。

▲ Learning to Prompt for Vision-Language Model

▲ Learning to Prompt for Vision-Language Model

Conditional Prompt Learning for Vision-Language Models [11]

CoOp 在泛化到新的类别上时性能不好。

▲ To learn generalizable prompts

所以把 prompt 设计为 instance-conditional 的。

▲ To learn generalizable prompts

为 prompt 加上一个跟当前图像相关的特征以提高泛化性能。具体来说，先用 Image Encoder 计算当前图像的 feature，然后通过一个 Meta-Net 把 feature 映射到 prompt 的特征空间，加到 prompt 上面。

▲ To learn generalizable prompts

3.3.4 域适应

Domain Adaptation via Prompt Learning [12]

用 prompt 来标识 domain 的信息。

▲ Example prompt structure

通过对比学习解耦 representation 中的 class 和 domain 的表示。

▲ Domain Adaptation with Prompt Learning