一、BERT原理
BERT取名来自 Bidirectional Encoder Representations from Transformers。架构为：预训练 + fine-tuning（对于特定的任务只需要添加一个输出层)。 1、引言 通过预训练语言模型可显著提高NLP下游任务。限制模型潜力的主要原因在于现有模型使用的都是单向的语言模型，无法充分了解到单词所在的上下文结构。 受完形填空的启发，BERT通过使用 “Masked Language Model” 的预训练目标来缓解单向语言模型的约束。 首先 “Masked Language Model” 会随机屏蔽（masked）15%的token，然后让模型根据上下文来预测被Mask的token（被Mask的变成了标签）。具体，将masked token 位置输出的最终隐层向量送入softmax，来预测masked token。 此外， “Next sentence prediction” 的任务预训练文本对。将 token-level 提升到 sentence-level，以应用不同种类的下游任务。 2、BERT模型 BERT：pre-training 和 fine-tuning，两阶段的步骤。- pre-training 阶段，BERT 在无标记的数据上进行无监督学习；
- fine-tuning 阶段，BERT利用预训练的参数初始化模型，并利用下游任务标记好的数据进行有监督学习，并对所有参数进行微调。
2.1、模型架构
BERT 是由多层双向的 Transformer Encoder 结构组成，区别于 GPT 的单向的 Transformer Decoder 架构。
BERT_BASE (L=12, H=768, A=12, Total Parameters=110M) and BERTLARGE (L=24, H=1024, A=16, Total Parameters=340M)。
2.2、输入
为了能应对下游任务，BERT 给出了 sentence-level 级别的 Representation，包括句子和句子对。在 BERT 中 sequence 并不一定是一个句子，也有可能是任意的一段连续的文本；而句子对主要是因为类似 QA 问题。
BERT 的输入：
分为三块：Token Embeddings、Segment Embeddings 和 Position Embeddings
- Token Embeddings 采用的 WordPiece Embedding，共有 30000 个 token。每个 sequence 会以一个特殊的 classification token [CLS] 开始，同时这也会作为分类任务的输出；句子间会以 special seperator token [SEP] 进行分割。
- WordPiece Embedding：n-gram 字符级 Embedding，采用 BPE 双字节编码，可以将单词拆分，比如 “loved” “loving” ”loves“ 会拆分成 “lov”，“ed”，“ing”，“es”。
- Segment Embedding也可以用来分割句子，但主要用来区分句子对。Embedding A 和 Embedding B 分别代表左右句子，如果是普通的句子就直接用 Embedding A。
- Position Embedding 是用来给单词定位的，学习出来的embedding向量。这与Transformer不同，Transformer中是预先设定好的值。
- 80% 的 [MASK] token 会继续保持 [MASK]；—my dog is [MASK]
- 10% 的 [MASK] token 会被随机的一个单词取代；my dog is apple
- 10% 的 [MASK] token 会保持原单词不变（但是还是要预测）my dog is hairy
- 在 encoder 的输出上添加一个前馈神经网络，将其转换为词汇的维度
- softmax 计算词汇表中每个单词的概率
- B有一半的几率是A的下一句，即正例；
- B有一半的几率是随机取一个句子作为负例。
- 1. 在分类任务中，例如情感分析等，只需要在 Transformer 的输出之上加一个分类层
- 2. 在QA任务中，问答系统需要接收有关文本序列的 question，并且需要在序列中标记 answer。 可以使用 BERT 学习两个标记 answer 开始和结尾的向量来训练Q＆A模型。
- 3. 在命名实体识别（NER）中，系统需要接收文本序列，标记文本中的各种类型的实体（人员，组织，日期等）。 可以用 BERT 将每个 token 的输出向量送到预测 NER 标签的分类层。
- a、b 是 sentence-level 级别的任务，类似句子分类，情感分析等等，输入句子或句子对，在 [CLS] 位置接入 Softmax 输出 Label；
- c是token-level级别的任务，比如 QA 问题，输入问题和段落，在 Paragraph 对应输出的 hidden vector 后接上两个 Softmax 层，分别训练出 Span 的 Start index 和 End index（连续的 Span）作为 Question 的答案；
- d也是token-level级别的任务，比如命名实体识别问题，接上 Softmax 层即可输出具体的分类。
生成
3. 结论
BERT采用Pre-training和Fine-tuning两阶段训练任务（源于GPT），在Pre-training阶段使用多层双向Transformer Encoder进行训练，并采用Masked LM 和 Next Sentence Prediction两种训练任务解决 token-level 和 sentence-level 的问题，为下游任务提供了一个通用的模型框架；在 Fine-tuning 阶段会针对具体 NLP 任务进行微调以适应不同种类的任务需求，并通过端到端的训练更新参数从而得到最终的模型。
BERT优点：
Transformer Encoder因为有Self-attention机制，因此BERT自带双向功能因为双向功能以及多层Self-attention机制的影响，使得BERT必须使用Cloze版的语言模型Masked-LM来完成token级别的预训练为了获取比词更高级别的句子级别的语义表征。
BERT加入了Next Sentence Prediction来和Masked-LM一起做联合训练为了适配多任务下的迁移学习，BERT设计了更通用的输入层和输出层微调成本小
BERT缺点：
- [MASK]标记在实际预测中不会出现，训练时用过多[MASK]影响模型表现;
- 每个batch只有15%的token被预测，所以BERT收敛得比left-to-right模型要慢（它们会预测每个token）；
- BERT对硬件资源的消耗巨大。
二、BERT答疑
1、三个Embedding怎么来的 在BERT中，Token，Position，Segment Embeddings 都是通过学习来得到的，pytorch代码中它们是这样的： self.word_embeddings = Embedding(config.vocab_size, config.hidden_size) self.position_embeddings = Embedding(config.max_position_embeddings, config.hidden_size) self.token_type_embeddings = Embedding(config.type_vocab_size, config.hidden_size) BERT 能够处理对输入句子对的分类任务。这类任务就像判断两个文本是否是语义相似的。句子对中的两个句子被简单的拼接在一起后送入到模型中。 那BERT如何去区分一个句子对中的两个句子呢？答案就是segment embeddings.
https://www.cnblogs.com/d0main/p/10447853.html#token-embeddings
2、不考虑多头的原因，self-attention中词向量不乘QKV参数矩阵，会有什么问题？
Self-Attention的核心是用文本中的其它词来增强目标词的语义表示，从而更好的利用上下文的信息。
self-attention中，sequence中的每个词都会和sequence中的每个词做点积去计算相似度，也包括这个词本身。
3、为什么BERT选择mask掉15%这个比例的词，可以是其他的比例吗？
BERT采用的Masked LM，会选取语料中所有词的15%进行随机mask。
论文表示受到完形填空任务的启发，但其实与CBOW也有异曲同工之妙。 从CBOW的角度，有一个比较好的解释是：在一个大小为 的窗口中随机选一个词，类似CBOW中滑动窗口的中心词，区别是这里的滑动窗口是非重叠的。 那从CBOW的滑动窗口角度，10%~20%都是还ok的比例。
4、为什么BERT在第一句前会加一个[CLS]标志?
BERT在第一句前会加一个CLS]标志，最后一层该位对应向量可以作为整句话的语义表示，从而用于下游的分类任务等。与文本中已有的其它词相比，这个无明显语义信息的符号会更“公平”地融合文本中各个词的语义信息，从而更好的表示整句话的语义
5、Self-Attention 的时间复杂度是怎么计算的？ O(n^2 d) 相加的 6、Transformer在哪里做了权重共享，为什么可以做权重共享？ Transformer在两个地方进行了权重共享： （1）Encoder和Decoder间的Embedding层权重共享； （2）Decoder中Embedding层和FC层权重共享。 解码的词，要有embedding,同时也可作为分类器权重。，Embedding层可以说是通过onehot去取到对应的embedding向量，FC层可以说是相反的，通过向量（定义为 x）去得到它可能是某个词的softmax概率，取概率最大。 FC层的每一行量级相同的前提下，理论上和 x 相同的那一行对应的点积和softmax概率会是最大的（内积）。 通过这样的权重共享可以减少参数的数量，加快收敛。 7、BERT非线性的来源在哪里？ 前馈层的gelu激活函数和self-attention，self-attention是非线性的，感谢评论区指出。 8. BERT参数 https://blog.csdn.net/weixin_43922901/article/details/102602557 Bert采用的vocab_size=30522，hidden_size=768，max_position_embeddings=512 LN参数，gamma和beta的维度均为768。因此总参数为768 * 2 + 768 * 2 * 2 * 12（层数） 模型参数Bert模型的版本如下： BERT-Base, Uncased: 12-layer, 768-hidden, 12-heads, 110M parameters BERT-Large, Uncased: 24-layer, 1024-hidden, 16-heads, 340M parameters三、BERT调包和微调
BERT有两个约束条件。- 1. 所有的句子必须被填充或截断成一个固定的长度。
- 2. 最大的句子长度是512个tokens。
"注意力遮盖"只是一个1和0的数组，表示哪些标记是padding，哪些不是。
这个掩码告诉BERT中的"自我关注"机制，不要将这些pad标记纳入它对句子的解释中。
（还有点类似Decoder，不过这是为了对其句子用，而不是为了自回归）
不过，最大长度确实会影响训练和评估速度。例如，用特斯拉K80。
MAX_LEN = 128 --> 训练一个 epoch 需要 5:28
MAX_LEN = 64 --> 训练一个 epoch 需要 2:57。
现在我们准备好执行真正的 tokenization 了。tokenizer.encode_plus函数为我们结合了多个步骤。
- 将句子分割成token。
- 添加特殊的[CLS]和[SEP]标记。
- 将这些标记映射到它们的ID上。
- 把所有的句子都垫上或截断成相同的长度。
- 创建注意力Masl，明确区分真实 token 和[PAD]token。
- BertModel
- BertForPreTraining
- BertForMaskedLM
- BertForNextSentencePrediction(下句预测)
- BertForSequenceClassification - 我们将使用的那个。
- BertForTokenClassification
- BertForQuestionAnswering
from transformers import BertForSequenceClassification, AdamW, BertConfig
# Load BertForSequenceClassification, the pretrained BERT model with a single
# linear classification layer on top.
model = BertForSequenceClassification.from_pretrained(
"bert-base-uncased", # Use the 12-layer BERT model, with an uncased vocab.
num_labels = 2, # The number of output labels--2 for binary classification.
# You can increase this for multi-class tasks.
output_attentions = False, # Whether the model returns attentions weights.
output_hidden_states = False, # Whether the model returns all hidden-states.
)
# Tell pytorch to run this model on the GPU.
model.cuda()
参考
- 用huggingface.transformers在文本分类任务（单任务和多任务场景下）上微调预训练模型https://blog.csdn.net/PolarisRisingWar/article/details/127365675
- 比赛：Datawhale零基础入门NLP赛事 - Task5 基于深度学习的文本分类https://tianchi.aliyun.com/notebook/118258