BERT理论详解

---

---

前言

 BERT是2018年谷歌提出来的在自然语言处理领域的一个模型，比GPT1晚了大概四个月，在NLP领域产生了深远的影响，本文接下来对BERT进行详细介绍。

一、什么是BERT？

 BERT全称为 Bidirectional Encoder Representations from Transformers，即一种基于Transformer编码器的双向语言表征模型，首先会用BERT在大规模的文本数据集上进行自监督学习，使模型学习到语言的表征能力 ，接着可以在不改变模型结构的基础上在各种NLP下游任务上做微调。（因为之前的基于RNN结构的预训练模型，在应用到不同的下游任务时，需要稍微改变模型结构。）

二、BERT的原理

 在之前的预训练语言表征模型架构都不是双向的，例如GPT（用的transformer解码器）在预训练时由于掩码的存在当前单词只能看到前面的信息，而不能看到当前单词后面的信息，相当于是根据当前时刻去预测未来。而在应用到下游任务时，例如知识问答这种句子层面的任务是很不好的，因为我们需要从整体语境，结合左右两边的信息去得出答案，而不仅仅只是根据前面的信息。
 Transformer的编码器由于自注意力的存在天生就是双向的，对于输入的完整的句子，他会使句子中的每个单词之间都产生联系，也就是左右都可以看到，因此BERT选择使用Transformer的编码器。也就是说，BERT的模型结构就是堆叠Transformer的编码器，当然还包括前面的Embedding层和最后的全连接层。
 BERT模型最初设计时主要是为了理解语言和句子特征提取，因为只有Transformer的编码器，可以看到全部的输入，所以单独的BERT很难做机器翻译这种生成式任务。
 BERT有两个版本，分别是BERT${}_{base}$和BERT${}_{large}$。

	L	H	A	Total Prarmeters
base	12	768	12	1.1亿
large	24	1024	16	3.4亿

 其中，L指的是Transformer编码器层的个数，H是编码器中隐藏层的大小，A为多头注意力中分了几个头。BERT${}_{base}$的参数量和GPT1差不多。

三、BERT预训练

1、输入

 在预训练的过程中，为了使BERT能够更好的适应下游的任务，理解句子之间的关系，输入是两个句子（句子对），这两个句子可能是上下文的，也可能不是上下文的。具体的输入形式如下：

[cls] ‘我’ ‘爱’ ‘吃’ ‘梨’ [SEP] '香‘ ‘焦’ ‘熟’ ‘了’ （不是上下文 NotNext)
[cls] ‘我’ ‘爱’ ‘吃’ ‘梨’ [SEP] '因‘ ’为‘ ’梨‘ ’又‘ ’甜‘ ’又‘ ’脆‘ (是上下文 IsNext)

 在上面的两对句子，每队句子的开头都有一个[cls]符号，同时中间使用[sep]符号分割两个句子。[cls]符号被看作是一个特殊的符号，在进行自注意力计算的时候[cls]融合了所有输入的信息，因此在作分类任务的时候可以将[cls]作为整个输入提取特征后的代表，把[cls]通过全连接层再做softmax操作得到最终的分类结果。
 那么最终送进transformer编码器的输入是什么呢？
 当我们构造好输入后，和tranformer的输入embedding一样，会先将句子根据词表变成一串数字，接着进行tokens embedding，将数字映射成向量，然后将tokens embedding和位置编码（position embeddings)进行相加，注意这里的位置编码是可以进行学习的，这是和transformer的位置编码不同的一点。同时，由于我们的输入是两个句子，我们还会进行加入Segment embeddings，这个的作用是告诉模型哪个token是一个句子的，哪个token是第二个句子的。如下图所示：

2、训练任务1：Masked LM

 在进行预训练时，由两个训练任务，第一个训练目标是Masked LM。由于双向的模型训练结果可能比单向的模型更好，因此为了训练一个双向的表征模型，使模型更好的理解整体特征，BERT会对输入中的15%的句子随机打上Mask，然后让模型根据上下文信息预测被Mask的单词一开始是什么，相当于让模型去完型填空。这种策略被称为" masked language model(MLM)"。例如：

输入： [cls] ‘我’ ‘爱’ ‘吃’ ‘梨’ [SEP] ’梨‘ ’又‘ ’甜‘ ’又‘ ’脆‘
Masked LM：[cls] ‘我’ ‘爱’ ‘吃’ ‘梨’ [SEP] [mask] ’又‘ ’甜‘ ’又‘ ’脆‘

 接着将embedding后的输入送进模型，得到最终的输出，如下图所示：

 其中，[mask]符号编码后得到E${}_{mask}$，经过编码得到R${}_{mask}$，然后将R$_{mask}经过全连接层得到最终预测的被mask的词，然后与被mask之前的词算Loss，通过此方式实现自监督。
 尽管这样可以训练得到一个双向的模型，但是在进行下游任务的微调时，输入里不会有[mask]这个符号，这样就会使预训练和微调的时候输入产生不一样。为了解决这个问题，如果有一个词被选中进行mask，那么这个词有80%的概率会用[mask]符号代替，有10%的概率会用其他的单词代替，还有10%的概率什么也不做。如下所示：

80%概率 my dog is hairy ——>my dog is [MASK]
10%概率 my dog is hairy ——>my dog is apple
10%概率 my dog is hairy ——>my dog is hairy

 通过这样的方式，使得预训练和微调的时候输入可以产生匹配。如果输入中没有[mask]符号，模型不会知道到底哪一个词是mask的，促使模型去对每一个词进行语境上的双向理解猜测，同时又因为只有很少的比例没有[mask]标识，因而在预训练的时候不会影响模型的收敛。

3、训练任务2：Next Sentence Prediction

 由于很多下游任务例如问答是基于理解两个句子之间的关系，而不是直接让模型去猜测，因此BERT中还设计了第二个训练任务：预测两个句子在文中是否是属于上下文的关系。通过增加Next Sentence Prediction任务，可以使模型在问答和自然语言推理等下游任务上的能力提高。输入的两个句子中有50%的概率是属于上下文关系，50%的概率不是属于上下文关系，因此这个任务又是一个二分类任务。例如：

输入中的[CLS]符号在经过编码后得到C，C可以看作是汇集了整个句子的所有信息，因此将C经过MLP后得到最终二分类的输出，然后去算Loss。

总结：因此，在预训练时，BERT相当于是有两个优化目标，一个是预测被MASK的词原来是什么，还有是预测输入的两个句子是否属于上下文关系。

四、BERT微调

1.分类任务

 分类任务有很多种，如果输入是很多个句子的话，那么就按照预训练的时候那样进行处理，输入的第一个token是[CLS]，句子中间使用[SEP]进行分割；如果输入是一个句子的话，那么只需要在输入的开头加上[CLS]字符就可以。
无论输入是一个句子还是很多句子，最终都是将[CLS]字符经过编码后，然后将其通过一个MLP层得到最终的输出，然后与标签去算Loss。

2.问答任务

 问答任务的输入是一个问题和一段话，问题的答案就在这段话里，因此在对问答任务进行微调的时候，我们只需要计算每一个输入的token是答案开头的概率和结尾的概率，然后与标签去算Loss。

3.句子实体识别任务

 在句子实体识别任务中，就是对句子中的每个词，判断他是属于什么标签，相当于是对句子中的每个单词进行多分类任务。这时，会将每一个编码后tokens(除去[cls]这种特殊字符）分别经过全连接层，去计算每一个tokens的属性类别，然后通过标签计算Loss。

总结

 总的来说，BERT在预训练时相当于是完型填空，根据上下文语境去猜单词，而GPT则是根据当前时刻去预测未来信息，因此GPT的训练任务相比于BERT来说更难一些，BERT更加好收敛一些。但是GPT由于是预测未来，所有在拥有大规模数据集和模型参数的情况下，GPT的上限可能更高一些。不过一般人估计也没有设备能够训练GPT3那种规模的模型，相比较起来，BERT在学术研究方面可能更加友好一些，毕竟咬一咬牙凑几张显卡还是能跑起来BERT的，而且在同规模大小的情况下，BERT比GPT能取得的效果更好。