生物大分子平台（11）

生物大分子平台（11）

2021SC@SDUSC

0 本周工作

本周了解了bert的基本概念

1 BERT综述

bert是一种预训练模型。假设A网络已经有一个数据集，先用A网络对数据集进行学习，得到一组参数，然后保存以备后用，当一个新任务B来到时，我们首先加载A网络已经学习好的参数，然后再在这组参数的基础上进行调整，这样会比在任务B上从零开始调参数更加容易得到更好的结果。

2 代码解读

深度学习模型的四个要点：1、训练数据 2、模型 3、算力 4、应用

2.1 训练数据

bert模型应用在NLP中的预训练中，我们都知道，NLP中训练数据是文本，因为文本是取之不尽的，且bert使用的文本也不需要标注，所以训练数据集合也是无限大的。

2.2 模型

BERT 可以分为五个部分 Pre-training、Deep、Bidirectional、Transformer、Language Understanding

Pre-training 预训练

模型的作者认为所有的文本问题存在通用的语言模型，先使用文章预训练出通用模型，然后再根据具体应用，使用有监督训练数据，对模型进行精加工，使之适用于具体应用，通用的语言模型叫做语言表征模型。

Bidirectional 双向预测

定义从后往前作为单向预测，结合从后往前与从前往后的预测则成为双向预测。此处扩展一个更深的概念，Deep Bidirectional称为全向预测。使用Transformer可以完成模型的全向预测。
BERT中使用了两个步骤，正确地训练模型的参数，第一个步骤是把一篇文章中，15% 的词汇遮盖，让模型根据上下文全向地预测被遮盖的词，得到一个参数。
第二个步骤是继续训练模型的参数。让模型预测哪些语句对是连续的上下文语句，哪些语句不是连续的上下文语句得到一组参数。将这两步的参数训练好，就得到了预训练的结果。

2.3 BERT特点

BERT 使用遮蔽语言模型，来克服模型的单向性局限。MLM 的灵感来自 Cloze 任务。MLM 随机遮蔽模型输入中的一些 token，目标在于仅基于遮蔽词的语境来预测其原始词汇 id。与从左到右的语言模型预训练不同，MLM 目标允许表征融合左右两侧的语境，从而预训练一个深度双向 Transformer。除了遮蔽语言模型之外，本文作者还引入了一个“下一句预测”（next sentence prediction）任务，可以和MLM共同预训练文本对的表示。

2.4 应用

BERT应对mask遮盖任务，即数据集中部分词被遮盖，使用BERT模型进行预测。
BERT基于理解两个句子之间的关系建模应对QA任务和自然语言推理（NLI）。

3 下周打算

继续学习bert，学习相关模型的代码。