【预训练语言模型】BERT原理解析、常见问题

最新推荐文章于 2024-09-10 13:47:50 发布

AI大模型知识分享

最新推荐文章于 2024-09-10 13:47:50 发布

阅读量1.1k

点赞数 20

文章标签：语言模型人工智能机器学习数据挖掘计算机视觉自然语言处理深度学习

本文链接：https://blog.csdn.net/AIDAMOXING/article/details/142046864

版权

一、BERT原理

1、概述

背景：通过在大规模语料上预训练语言模型，可以显著提高其在NLP下游任务的表现。

动机：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（例如GPT），无法充分了解到单词所在的上下文结构（主要是在判别性任务上，分类、抽取等）。

Idea: 受完形填空的启发，BERT通过使用 Masked Language Model(MLM) 的预训练目标来缓解单向语言模型的约束。

实现：引入Masked Language Model + Next sentence prediction 两个预训练任务

1） Masked Language Model任务会随机屏蔽（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）。

最后，将masked token 位置输出的最终隐层向量送入softmax，来预测masked token。

2） Next sentence prediction任务预训练针对文本对，预测句子间的关系（从 token-level 提升到 sentence-level，以应用不同种类的下游任务）。

如果您也对AI大模型感兴趣想学习却苦于没有方向👀

小编给自己收藏整理好的学习资料分享出来给大家💖

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码关注免费领取【保证100%免费】🆓
请添加图片描述

2、BERT模型

BERT：分为pre-training 和 fine-tuning，两个阶段。

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。

所有下游任务都有单独的 fine-tuning 模型，即使是使用同样的预训练参数。

下图是对 BERT 的一个概览：

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 （自回归）架构。

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 Tokenizer进行分词，词表数量为30000。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。
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 是用来给词元Token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。

BERT 最终的 input 是三种不同的 Embedding 直接相加。

WordPiece Tokenizer分词器：采用 BPE 双字节编码，在单词进行拆分，比如 “loved” “loving” ”loves“ 会拆分成 “lov”，“ed”，“ing”，“es”。

2.3、预训练Pre-training

BERT 采用两种无监督任务来进行预训练，两个任务同时训练，所以 BERT 的损失函数是两个任务的损失函数相加：

1） token-level 级别的 Masked LM；

2） sentence-level 级别的 Next Sentence Prediction。

2.3.1、任务一：Masked LM

为解决双向模型的数据泄漏的问题，Masked LM：随机屏蔽一些token 并通过上下文预测这些 token。

在实验中，BERT 会随机屏蔽每个序列中的 15% 的 token，并用 [MASK] token 来代替。这会带来一个问题：[MASK] token 不会出现在下游任务中。

为了和后续任务保持一致，采用以下三种方式来代替 [MASK] token：如：my dog is hairy

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

最终 Masked ML 的损失函数是只由被 [MASK] 的部分来计算：

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

BERT 的损失函数只考虑了 mask 的预测值（所以对训练语料的利用率实际并不如GPT）。

2.3.2、任务二：Next Sentence Prediction

由于语言模型只能捕捉 token-level 级别的关系，为了捕捉 sentence-level 级别的关系，训练了一个 sentence-level 的分类任务。

具体来说，训练的输入是句子A和B (句子级负采样)：

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。

通过 classiﬁcation token 连接 Softmax 输出B是不是A的下一句。

为了帮助模型区分开训练中的两个句子，输入在进入模型之前要按以下方式进行处理：在第一个句子的开头插入 [CLS] 标记，在每个句子的末尾插入 [SEP] 标记。Segemet Embeding来表示不同的句子。

在训练 BERT 模型时，Masked LM 和 Next Sentence Prediction 是一起训练的，目标就是要最小化两种策略的组合损失函数。

2.4、微调Fine-tuning

由于BERT的预训练已经完成了句子和句子对的 Representation，所以它的 Fine-tuning 非常简单。

针对不同的NLP下游任务，只需在BERT输出后添加其他模块（如线性层、CNN、CRF等），并将具体的输入和输出输入 BERT 中，并端到端地微调模型参数即可。

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。

例如：

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

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。

在句子关系蕴含（自然语言推断任务）或相似匹配任务中，构造输入sentence1和sentence1，以及lable即可。

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（指针网络，预测span）来训练Q＆A模型。

3. 结论

BERT采用Pre-training和Fine-tuning两阶段训练任务（源于GPT）：

1）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；

2）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：

BERT的Transformer Encoder的Self-Attention结构能较好地建模上下文，而且在经过在语料上预训练后，能获取到输入文本较优质的语义表征。
BERT的MLP和NSP联合训练，让其能适配下游多任务（Token级别和句子级别）的迁移学习

BERT缺点：

[MASK] token在推理时不会出现，因此训练时用过多的[MASK]会影响模型表现（需要让下游任务去适配预训练语言模型，而不是让预训练语言模型主动针对下游任务做优化）
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（BERT对语料的利用低。而GPT对语料的利用率更高，它几乎能利用句子的每个token）；
BERT的上下文长度固定为512，输入过长需要阶段（对长文本不友好）

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

1 from transformers  import AutoTokenizer
2
3 checkpoint  = “bert-base-uncased”
4 tokenizer  = AutoTokenizer.from_pretrained(checkpoint)
5 tokenized_sentences_1 = tokenizer(raw_datasets["train"]["sentence1"])
6 tokenized_sentences_2 ``=` `tokenizer(raw_datasets["train"]["sentence2"])
7 nputs ``=` `tokenizer("This is the first sentence.", "This is the second one.")
8 
9 inputs

结果：input_ids为token ids, token_type_ids用于区分两个toke序列（对应segment embeddings）

{'input_ids': [101, 2023, 2003, 1996, 2034, 6251, 1012,102, 2023, 2003, 1996, 2117, 2028, 1012, 102], <br>``'token_type_ids'``: [``0``, ``0``, ``0``, ``0``, ``0``, ``0``, ``0``, ``0``, ``1``, ``1``, ``1``, ``1``, ``1``, ``1``, ``1``], <br>``'attention_mask'``: [``1``, ``1``, ``1``, ``1``, ``1``, ``1``, ``1``, ``1``, ``1``, ``1``, ``1``, ``1``, ``1``, ``1``, ``1``]<br>}

反tokenize

tokenizer.convert_ids_to_tokens(inputs["input_ids"])

结果

1 ['[CLS]',
2  'this',
3  'is',
4  'the',
5  'first',
6  'sentence',
7  '.',
8  '[SEP]',
9  'this',
10  'is',
11  'the',
12  'second',
13  'one',
14  '.',
15  '[SEP]']

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w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。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？

FFN的gelu激活函数, Self-Attention的多头融合，多层Transformer Encoder堆叠

8. BERT参数量

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-Uncase (L=12, H=768, A=12, Total Parameters=110M)
BERT-LARGE-Uncase (L=24, H=1024, A=16, Total Parameters=340M)

L指TransformerEncoder层数，即LayerNum, H指自注意力的表示维度，即HeadDim, A指注意力的头数

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。

填充是通过一个特殊的"[PAD]"token来完成的，它在BERT词汇表中的索引0。下面的插图演示了填充到8个token的 “MAX_LEN”。

"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。

以下是HuggingFace目前提供的类列表，供微调。

BertModel
BertForPreTraining
BertForMaskedLM（预测Mask Token类别）
BertForNextSentencePrediction(下一个句子预测)
BertForSequenceClassification(分类任务)
BertForTokenClassification(Token级别分类，用于实体识别、关键词抽取)
BertForQuestionAnswering

1  import torch
2  from transformers import AdamW, AutoTokenizer, AutoModelForSequenceClassification
3
4  # Same as before
5  checkpoint = "bert-base-uncased"
6  tokenizer = AutoTokenizer.from_pretrained(checkpoint)
7  model = AutoModelForSequenceClassification.from_pretrained(checkpoint)
8  sequences = [
9    "I've been waiting for a HuggingFace course my whole life.",
10    "This course is amazing!",
11  ]
12  batch = tokenizer(sequences, padding = True, truncation = True, return_tensors="pt")
13
14  # This is new
15  batch["labels"] = torch.tensor([1, 1])
16   
17  optimizer = AdamW(model.parameters())
18  loss = model(**batch).loss
19  loss.backward()
20  optimizer.step()

代码源自huggingface Transformer库教程

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
处理数据 - Hugging Face NLP Course
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