背景
Word2vec是一种时下很流行的词向量训练工具，但是Word2vec有几个弊端：

1.word2vec是一个静态模型，词向量一旦训练好，就无法进行更新。如果想用词向量表示同一个词的不同含义，word2vec是无法做到的。比如这段话：“天气不错！ 小天你说是吗？”，这句话有两个天字，每一个天都表示不同的意思，如果用word2vec去训练的话，最终只会得到一个词向量。所以word2vec对于多义词的表示是不太友好的。

2.Word2vec在训练的时候是选择滑动窗口根据上下文几个词预测中心词（假设为CBOW)，不是基于整个句子的学习，学习范围不够大，因此表征能力有所欠缺

3.Word2vec训练是直接将随机初始化的词向量求和放入全连接层求损失更新。网络层数不够深，不能处理词的复杂特征（比如句法和语义等）

而ELMO能完美解决word2vec的上述缺陷，所以ELMO在BERT没出来之前被成为时下最先进的词向量训练模型

ELMO（Em-beddings from Language Models）

结构图如下所示：
ELMO是基于语言模型的，它有两个过程：
1.它首先在一个大文本语料库上预训练一个BiLM(即双向lstm语言模型)
2.做下游任务时，从预训练网络中提取对应单词的网络各层的 Word Embedding 作为新特征补充到下游任务中。

细节点说的话，首先我们预训练一个双向lstm语言模型，这个模型会训练好词的wordembedding，和两层lstm的隐藏层的embedding，一共三层embedding，然后我们加载预训练好的参数，用我们下游任务的语料库（去除标签后，使用每个词的wordembedding）重新输入至预训练好的模型中进行微调（这种做法可以看作是一种domain transfer），怎么微调呢，就是相当于再添加我们的数据进行训练。微调完成后，得到新的wordembedding，和两层lstm隐藏层的embedding，再根据下文提供的词向量计算公式将这三层embedding加权求和（权值可以随意给，因为可在下游任务中进行学习），作为我们下游任务的词向量。

BILM（双向lstm语言模型）

假设有一段N个tokens的序列t1,t2,…,tN

其前向表示为：

反向表示为：

前向利用上文来预测该词，反向利用下文来预测该词。那么对数似然函数表示如下：

最后一层接个softmax求概率，和标签值对比就能求损失更新参数了。

对于每一个token，一个L层的lstm总共要计算2L+1个向量（因为双向lstm，每个lstm都有个隐含状态h，所以为2L,1是初始化的向量）

这里Xk，指的是第k个位置的初始词向量，h指的是隐藏状态的向量表示。词向量的公式为：

其中sj和γ是可训练参数，si指的是每一隐层所占的softmax后的权重，γ允许具体的task模型去放缩 ELMo 的大小，有助于梯度求解优化进程（具体可查看论文），是可通过训练进行学习的。如果对词性、句法等信息有明显需求的任务，网络会在低的隐层设置比较大的权重，如果对词义消歧等有明显需求的任务，网络会在高的隐层设置到比较大的权重。

ELMo的 特点：

ELMo 的输入是字母而不是单词。然后利用字符卷积再输入lstm中。因此，他们可以利用子字词单元来计算有意义的表示，即使对于词典外的词（如 FastText这个词）也是如此

ELMo 是 biLMs几层激活的串联。语言模型的不同层对单词上的不同类型的信息进行编码（如在双向LSTM神经网络中，词性标注在较低层编码好，而词义消歧义用上层编码更好）。连接所有层可以自由组合各种文字表示，以提高下游任务的性能。

背景
Word2vec是一种时下很流行的词向量训练工具，但是Word2vec有几个弊端：

1.word2vec是一个静态模型，词向量一旦训练好，就无法进行更新。如果想用词向量表示同一个词的不同含义，word2vec是无法做到的。比如这段话：“天气不错！ 小天你说是吗？”，这句话有两个天字，每一个天都表示不同的意思，如果用word2vec去训练的话，最终只会得到一个词向量。所以word2vec对于多义词的表示是不太友好的。

2.Word2vec在训练的时候是选择滑动窗口根据上下文几个词预测中心词（假设为CBOW)，不是基于整个句子的学习，学习范围不够大，因此表征能力有所欠缺

3.Word2vec训练是直接将随机初始化的词向量求和放入全连接层求损失更新。网络层数不够深，不能处理词的复杂特征（比如句法和语义等）

而ELMO能完美解决word2vec的上述缺陷，所以ELMO在BERT没出来之前被成为时下最先进的词向量训练模型

ELMO（Em-beddings from Language Models）

结构图如下所示：
ELMO是基于语言模型的，它有两个过程：
1.它首先在一个大文本语料库上预训练一个BiLM(即双向lstm语言模型)
2.做下游任务时，从预训练网络中提取对应单词的网络各层的 Word Embedding 作为新特征补充到下游任务中。

细节点说的话，首先我们预训练一个双向lstm语言模型，这个模型会训练好词的wordembedding，和两层lstm的隐藏层的embedding，一共三层embedding，然后我们加载预训练好的参数，用我们下游任务的语料库（去除标签后，使用每个词的wordembedding）重新输入至预训练好的模型中进行微调（这种做法可以看作是一种domain transfer），怎么微调呢，就是相当于再添加我们的数据进行训练。微调完成后，得到新的wordembedding，和两层lstm隐藏层的embedding，再根据下文提供的词向量计算公式将这三层embedding加权求和（权值可以随意给，因为可在下游任务中进行学习），作为我们下游任务的词向量。

BILM（双向lstm语言模型）

假设有一段N个tokens的序列t1,t2,…,tN

其前向表示为：

反向表示为：

前向利用上文来预测该词，反向利用下文来预测该词。那么对数似然函数表示如下：

最后一层接个softmax求概率，和标签值对比就能求损失更新参数了。

对于每一个token，一个L层的lstm总共要计算2L+1个向量（因为双向lstm，每个lstm都有个隐含状态h，所以为2L,1是初始化的向量）

这里Xk，指的是第k个位置的初始词向量，h指的是隐藏状态的向量表示。词向量的公式为：

其中sj和γ是可训练参数，si指的是每一隐层所占的softmax后的权重，γ允许具体的task模型去放缩 ELMo 的大小，有助于梯度求解优化进程（具体可查看论文），是可通过训练进行学习的。如果对词性、句法等信息有明显需求的任务，网络会在低的隐层设置比较大的权重，如果对词义消歧等有明显需求的任务，网络会在高的隐层设置到比较大的权重。

ELMo的 特点：

ELMo 的输入是字母而不是单词。然后利用字符卷积再输入lstm中。因此，他们可以利用子字词单元来计算有意义的表示，即使对于词典外的词（如 FastText这个词）也是如此

ELMo 是 biLMs几层激活的串联。语言模型的不同层对单词上的不同类型的信息进行编码（如在双向LSTM神经网络中，词性标注在较低层编码好，而词义消歧义用上层编码更好）。连接所有层可以自由组合各种文字表示，以提高下游任务的性能。