一文轻松入门Prompt(附代码)

今天来讲一下NLP最近比较火的prompt，包括简介、各种花式操作及代码实现。之前了解prompt时在网上看了一堆资料，还是感觉懵懵的，所以想要写一篇通俗易懂的prompt介绍，快上车啦~~~

1. prompt的含义

2. 如何设计prompt

3. prompt进阶——自动学习prompt

4. 关键要点

5. 代码实现

1. prompt的含义

prompt顾名思义就是“提示”的意思，应该有人玩过你画我猜这个游戏吧，对方根据一个词语画一幅画，我们来猜他画的是什么，因为有太多灵魂画手了，画风清奇，或者你们没有心有灵犀，根本就不好猜啊！这时候屏幕上会出现一些提示词比如3个字，水果，那岂不是好猜一点了嘛，毕竟3个字的水果也不多呀。看到了吧，这就是prompt的魅力，让我们心有灵犀一点通！(我不太会画哈，大家想象一下就行啦，嘿嘿嘿~~~)

2. 如何设计prompt

在人机交互中，我们想让计算机完成一项任务，是不是也可以给他一点提示呢？可以给什么样的提示呢？是不是可以像“你画我猜”那样给出一些语言型的提示呢？

答案是yes! 本身NLP就是自然语言处理嘛，我们对输入进行改造，在输入之外再接prompt语言，同样还是做NLP，万变不离其宗，本身性质都是一样的，其宗旨就是万物皆可语言模型。

那如何设计prompt呢？本质上可以从以下两类来考虑：

1. 答案提示型prompt， 根据任务的目标、答案的类型设计prompt，通过prompt引出答案。

2. 任务提示型prompt，提醒模型是要做什么任务，因为同样输入一句话，可以做的任务太多了，通过prompt让模型知道这次是要做什么任务。

2.1 答案指示型prompt

拿大家常举的电影评论情感分类任务为例

输入：I like this movie.

输出：这句话的情感极性标签：positive/negative

想象一下你是机器，用户发给你一句话："I like this movie. " 你怎么知道用户想让你干啥？这时候我们就可以再输入一些答案指示型的语言引导模型做出决策，比如：

输入+prompt：I like this movie. The movie is [mask].

当然，prompt也可以是其他的句子：“The film is [mask]”, "It is a [mask] movie"

[mask]位置就是我们想让模型预测出来的词语。我们知道NLP预训练模型对这种填空题是很擅长的，模型很可能会预测出“good”, "interesting"等词汇，因为它在预训练的时候见过很多类似的说法了。诚然，这并不是我们最终想要的positive/negative类别，不要慌，这时候就需要把预测出来的词汇映射到标签类别中，比如“good”, "interesting"归为positive，至于答案-标签的映射如何设计，这里就不细讲了。

所以prompt并没有想象的那么方便呢，但是它为什么香呢？你发现没，这样一顿操作之后，我们没有增加任何参数，完全可以做无监督任务，直接调用合适的预训练模型，加载预训练的参数，让模型直接预测出结果，虽然增加了prompt模板设计、标签映射等人工操作成本，但它不需要任何数据标注，是不是很香？

当然xxx位置还可以是短语、句子，至于特定的任务该如何设计模板，可以参考CMU 

 大神写的prompt综述 https://arxiv.org/pdf/2107.13586.pdf。

2.2 任务提示型prompt

用prompt来提示要做什么任务，同一个输入可以有不同的任务:

输入:“I like China. ”

翻译任务： 输入+prompt: "Translate the sentence into Franch: I like China."

回复任务：输入+prompt: "Translate the sentence into system response: I like China."

然后选择文本生成预训练模型得到输出。

3. prompt进阶——自动学习prompt

其实，手工设计prompt还有一个问题是，模型对prompt很敏感，不同的模板得到的效果差别很大。

所以研究学者就提出自动学习prompt向量的方法。因为我们输入进去的是人类能看懂的自然语言，那在机器眼里是啥，啥也不是， 也不能这么说吧，prompt经过网络后还是得到一个个向量嘛，既然是向量，当然可以用模型来学习了，甚至你输入一些特殊符号都行，模型似乎无所不能，什么都能学，只要你敢想，至于学得怎么样，学到了什么，还需进一步探究。

笔者在这里简要介绍几个相关模型，更多的模型、更多的坑还需大家来填补了。

3.1 P-tuning——token+vector组合成prompt

为了方便，我们称上面自然语言形式的prompt为基于token的prompt。我们讲到要将token换成向量(vector)，但是又不能一口吃个大胖子，全部给换成vector，所以就出现了token+vector组合形式的prompt。

如下图所示，这个任务是让模型来预测一个国家的首都。左边是全token的prompt，文献里称为“离散的prompt”，有的同学一听"离散"就感觉懵了，其实就是一个一个token组成的prompt就叫“离散的prompt”。

右边是token+vector形式的prompt，其实是保留了原token prompt里面的关键信息(capital, Britain)，(capital, Britain)是和任务、输出结果最相关的信息，其他不关键的词汇(the, of ,is)留给模型来学习。

如图中所示：

token形式的prompt: “The captital of Britain is [MASK]”

token+vector: “h_0 , h_1, ... h_i, captital, Britain, h_(i+1), ..., h_m [MASK]”

作者公开了代码： https://github.com/THUDM/ P-tuning

3.2 P-tuning v2——全vector prompt

全vector prompt来了！！！全vecotor可以直接拼接在预训练模型的layer里面，而且这个模型可以做序列tagging任务(给输入序列中每个token打标签)！

论文在这里啦 https://arxiv.org/pdf/2110.07602.pdf

作者也公开了代码，https://github.com/THUDM/P-tuning-v2

更多信息可以看智源组织的各位大佬关于Prompt技术的分享，可以看B站上的这个视频~~~

3.3 PPT——预训练prompt

(哈哈，这个PPT不是你想的PPT哟！)

以上Prompt采用vector形式之后，在训练集比较大(full-data)的时候效果是好的，但是在few-shot(训练集很小)场景下就不好了，因为数据量小不好学嘛。那怎么办呢？既然NLP任务都有预训练模型，那么prompt是否也可以先进行预训练再微调呢？事实证明世上无难事，只要肯放弃(啊不对，只怕有心人)，于是乎PPT(Pre-trained Prompt Tuning)模型就诞生了，这个模型就是拿大量无标签语料对Prompt先做个预训练，再在下游任务上做微调。这里不详细讲了，感兴趣的可以去看PPT论文[4]。

4. 关键要点

1. prompt设计：可以手动设计模板，也可以自动学习prompt，这里可填坑的地方比较多
2. 预训练模型的选择：选择跟任务贴近的预训练模型即可
3. 预测结果到label的映射：如何设计映射函数，这里可填坑的地方也比较多
4. 训练策略：根据prompt是否有参数，预训练模型参数要不要调，可以组合出各种训练模式，根据标注数据样本量，选择zero-shot, few-shot还是full-data。比如few-shot场景，训练数据不多，如果prompt有参数，可以固定住预训练模型的参数，只调prompt的参数，毕竟prompt参数量少嘛，可以避免过拟合。

5. 代码实现

清华推出了prompt-tuning工具包，每个 class 都继承了 torch 的类或者 huggingface 的类，可以方便地部署自己的任务， 详细请看github项目代码

也可以看一下 

 同学写的代码哟~~~王斐：Prompt在中文分类few-shot场景中的尝试 ，里面有数据集构建、模板构建、训练测试一套完整代码！

工具包里PromptModel类包含PLM(预训练模型), Template(prompt模板), Verbalizer(输出和label的映射)。

具体的流程github上已经写的很清楚了，主要包含以下几个步骤：

step1. 定义任务

根据你的任务和数据来定义classes 和 InputExample。

以情感分类任务为例，classes包含2个label："negative"和"positive"

from openprompt.data_utils import InputExample
classes = [ # There are two classes in Sentiment Analysis, one for negative and one for positive
    "negative",
    "positive"
]
dataset = [ # For simplicity, there's only two examples
    # text_a is the input text of the data, some other datasets may have multiple input sentences in one example.
    InputExample(
        guid = 0,
        text_a = "Albert Einstein was one of the greatest intellects of his time.",
    ),
    InputExample(
        guid = 1,
        text_a = "The film was badly made.",
    ),
]

step2. 定义预训练语言模型

根据具体任务选择合适的预训练语言模型，这里采用的预训练模型是bert，因为根据prompt的设计，是想让模型输出[mask]位置的词语，属于填空问题。

from openprompt.plms import load_plm
plm, tokenizer, model_config, WrapperClass = load_plm("bert", "bert-base-cased")

step3. 定义prompt模板

这个例子是手动设计模板，模板放在ManualTemplate里面，text = '{"placeholder":"texta"} It was {"mask"}', 其中text_a就是InputExample里面的输入text_a，It was {"mask"} 就是prompt。

from openprompt.prompts import ManualTemplate
promptTemplate = ManualTemplate(
    text = '{"placeholder":"text_a"} It was {"mask"}',
    tokenizer = tokenizer,
)

step4. 定义输出-label映射

在情感分类里面，[Mask]位置的输出是一个单词，我们要把这些单词映射成"positive","negative"标签，这个过程称为"Verbalizer"，比如"bad"属于"negative"， "good", "wonderful", "great"属于"positive"。

from openprompt.prompts import ManualVerbalizer
promptVerbalizer = ManualVerbalizer(
    classes = classes,
    label_words = {
        "negative": ["bad"],
        "positive": ["good", "wonderful", "great"],
    },
    tokenizer = tokenizer,
)

step5. 组合构建为PromptModel类

将前面几步构建的模板(promptTemplate)、预训练模型(plm)、输出映射(promptVerbalizer)组成promptModel

from openprompt import PromptForClassification
promptModel = PromptForClassification(
    template = promptTemplate,
    plm = plm,
    verbalizer = promptVerbalizer,
)

step6. 定义dataloader

from openprompt import PromptDataLoader
data_loader = PromptDataLoader(
        dataset = dataset,
        tokenizer = tokenizer, 
        template = promptTemplate, 
        tokenizer_wrapper_class=WrapperClass,
    )

step7. 开始训练、测试

 # making zero-shot inference using pretrained MLM with prompt
 promptModel.eval()
 with torch.no_grad():
 for batch in data_loader:
        logits = promptModel(batch)
        preds = torch.argmax(logits, dim = -1)
        print(classes[preds])
        # predictions would be 1, 0 for classes 'positive', 'negative'

参考资料

1. Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing
2. GPT Understands, Too
3. P-Tuning v2: Prompt Tuning Can Be Comparable to Fine-tuning Universally Across Scales and Tasks
4. PPT: Pre-trained Prompt Tuning for Few-shot Learning
5. 机器之心：Fine-tune之后的NLP新范式：Prompt越来越火，CMU华人博士后出了篇综述文章