Bert学习笔记

参考文章【BERT原理详细介绍：https://blog.csdn.net/weixin_46425692/article/details/108927400】

一、组成结构

Transformer是一个encoder-decoder的结构，由6层编码器和6层解码器构成。其中encoder层包括输入层、注意力机制、前馈神经网络

BertBase是Transformer里面的12层encoder层组成的

二、Bert输入表示

bert将输入句子转化为词向量，是经过了3 个Embedding 的加和, 即
input_embed = Token_embed + Sentence_embed + Position_embed.
Token_embed:词嵌入WordVec2，如随机初始化、Glove初始化
Sentence_embed：用来区分两个句子的，如下面图中由两个句子，第1个句子就可以用0表示，第2个句子就用1表示.
Position_embed：随机初始化让模型学习,支持的序列长度最多为512个token。

设置时，如下所示：
tok_embed = nn.Embedding(vocab_size,d_model)
pos_embed = nn.Embedding(maxlen,d_model)
seg_embed = nn.Embedding(n_segments,d_model)
norm = nn.LayerNorm(d_model)
参数解释为：maxLen:批训练时，最大句子长度。d_model：词嵌入的维度，n_segments：表示输入多少句话，一般最大取2。

对于上面图，一些补充如下：
（1）[CLS] 可以在训练时对应的输出变量接一个二分类器输出分类结果，但不能代表句子语义信息。
（2）输入时[SEP]是一个分隔符，用来分隔两个句子
（3）有两个一起是因为后面的NSP任务会分析2个句子间的关系

如果用pytorch调用模型，只需要输入：
（1）input_ids：一个形状为[batch_size, sequence_length]的 torch.LongTensor，在词汇表中包含单词的token索引, 注意 在句子首尾分别加了 [cls] 和 [sep] 的 索引
（2）segment_ids ：形状[batch_size, sequence_length]的可选 torch.LongTensor，在0, 1中选择token类型索引。类型0对应于句子A，类型1对应于句子B。如 [0,0,0,0,0,1,1,1,1,1]， 0代表第一个句子A， 1代表第二个句子B，默认全为0
（3）input_mask：一个可选的 torch.LongTensor，形状为[batch_size, sequence_length]，索引在0, 1中选择。0 是 padding 的位置，1是没有padding的字

三、做预训练：MLM+NSP

MLM / Masked LM - 掩码语言模型

Masked Language Model（MLM）是指在训练的时候随机从输入语料上mask掉一些单词，然后通过它的上下文预测该单词，该任务非常像我们在中学时期经常做的完形填空。

无监督目标函数包括有AR和AE。其中，AR用的是GRT，是一种自回归模型，是单侧的。AE是用于Bert，是一种自编码模型，可以用于上下文预测。

随机mask语料中15%的token，对于[Mask]这个符号，由于在测试集中不存在，为了减轻训练和预测之间的不匹配，作者按一定的比例在需要预测的token上动了手脚，如：my dog is hairy，则：在15%的单词当中
有80%的概率用“[mask]”标记来替换——my dog is [MASK]
有10%的概率用随机采样的一个单词来替换——my dog is apple
有10%的概率不做替换——my dog is hairy

NSP - 下一句预测（next sentence prediction）

1、从训练语料库中取两个连续文本为正样本
2、从不同文档中随机创建一堆段落为负样本

这里用的是CLS对应的相邻进行分类的

四、如何提升Bert下游任务效果

1、 一般做法：调用别人的Bert，再进行与训练
PreTrain
domain transfer :领域迁移，引入大量相同数据
Task transfer：找更相关的数据
Fine-tune：在任务相关数据上做具体任务（微调）

2、 在相同领域及逆行future pre-training
（1）动态mask：每次epoch去训练的时候mask
（2）n-gram mask：如ERNIE和SpanBert做的实体词的Bert
（3）参数：batch_size、learning_rate（5e-5，3e-5，2e-5）、number of epoch(3，4) 、weighted decay（修改后的adam）、使用warmup搭配线性衰减

其他：如数据增强EDA、自蒸馏、外部知识等

最后参考：【Bert代码详解（一）】https://blog.csdn.net/cpluss/article/details/88418176