目录
写在前面:学习了一段时间的nlp后,感觉中文资料大多还是翻译的英文,很多东西找不到更深入的资料。最近在研究超神的bert模型,主要找到的资料也就原始的paper和英文博客。在此想把我的学到的和一些思考写一写,方便大家一起探讨学习。
做为学渣,介绍一下我学习算法的一般套路,分两步,第一步是跑通demo,理解算法的输入数据格式,输出结果,以及适用的任务,第二部是理解网络结构,损失函数的构造,以及想法的来龙去脉。
本片没有详细的介绍bert的原理和结构,主要想从paper中没有介绍的一些问题来讨论。
1.模型原理
bert的模型分两部分来看,一部分是transformer的encoder部分,一部分是掩码语言模型(MLM)。transformer中encoder的网络结构介绍的文章比较多,很经典的一篇是【1】,有中文的翻译。这部分资料比较多,理论也比较复杂,本学渣就不介绍了。不过其中有一个问题是,多头attention的作用是什么,多头attention的结构见盗图1【1】。最近看到苏大神介绍on-lstm【2】及paper[3],该paper是ICLR 2019的两篇最佳论文之一。作者给lstm的神经单元做了层级的划分,认为各个层包含不同的语法信息,见下面的盗图2【2】。
盗图1 多头attention机制
盗图2 on-lstm层级结构
单从这一点看,和多头attention的拆分是相似的,那多头attention的作用是什么,是每一个头学习一层(种)语法特征,还是相似于图像的降采样呢,每一个头是一个“小”的复本。这个我也不知道,有条件的可以做一下实验。
然后就是第二部分,bert的语言模型MLM。原文说了这个他们的主要创新点哈。至于MLM,可能他们在别的网络结构上也尝试过,估计是效果不好,到attention上一尝试,神了。
MLM的具体实现,paper里没有详细的介绍。有一个问题是一个句子里有多个MASK,怎么做预测,怎么组合损失函数呢,这个在第二章详细介绍。
还有一点是bert加了是否是下一句的预测,目的是适应句子级的任务。训练过程是用【CLS】的向量表示句子向量,损失函数和词预测的损失函数直接相加。注意这里的句子向量,是一个样本的向量,是sentenceA+sentenceB,不是单独的sentenceA。
2 单词级任务讨论
主要介绍损失函数的构造,主要讨论mask相关的问题。
一个训练样本中包含多个mask,这里面包含两个问题,一是多个mask预测如何处理,一是mask的词向量。首先看模型数据数据的格式,见图3,各个字段代表的含义就不介绍了。一个样本中有多个mask,每个mask位置的目标单词不同,且所有的mask字符编号相同,都是103。
图3 bert输入数据
问题1,一个样本中多个mask问题。一个句子总有多个mask,如何来组合他们的损失函数。其实这是一个迷惑人的问题,也由于paper没有说明,很能迷惑人。既然有句子级任务,那就是单词级任务(叫法不准确),单词级任务就是mask预测。首先记住这一点,然后确定输入数据是怎么构造的。在官方发布的实现中,输入数据的样子如图3所示,输入数据的维度是【batch_size , seq_len , vec_size】,在mask预测的输出层,输入数据的维度为【batch_size*seq_len , vec_size】。可以看到,这里第一维由句子转换为了单词。预测的对象是单词了,已经和句子无关了。直接用每个mask位置的词向量,来预测单词的编码。我们简单看一下,这一步操作的过程。第一步是维度转化,第二步的gather是把mask位置的词向量抽出来,和look_up相似。
问题2 ,mask代表所有被掩盖的单词,但mask只有一个,出现的情况是V(mask)->Word1 、V(mask)->Word2、、、,即mask在重复使用。对于每个单词,mask向量的差异是怎么来的呢。可能带来差异的有两个地方,首先是加入的位置编码,然后是每一次的self-attention。如果没有位置编码,不同位置的mask词向量完全由初始化决定,收敛的速度估计要慢太多。
和mask的重复使用相似的是,cls也是重复使用的,每一个句子的cls是在其他句子的cls基础上更新的。我的同事在做句子相似性时发现,即使不相关的句子,余弦相似也在0.8左右,实验是基于单句任务的。在模型训练后期,梯度很小,cls的变化也会很小,这个变化在余弦距离上对应一个很小的角度,造成句子的余弦相似度很大。
参考文献:
【1】https://jalammar.github.io/illustrated-transformer/
【2】https://kexue.fm/archives/6621
【3】《Ordered Neurons: Integrating Tree Structures into Recurrent Neural Networks》