a计权声功率级计算公式_敢提龙骨级的训练词向量概念 BERT模型真这么牛

有人是这么描述BERT模型的：它的出现，彻底改变了预训练产生词向量和下游具体NLP任务的关系，提出龙骨级的训练词向量概念。不过想了解Bert，也不能着急，要先从tranformer框架聊起。

Attention

在学会 Transformer 和 Bert 之前，我们需要理解Attention和Self-Attention机制。Attention的本质是要找到输入的feature的权重分布，这个feature在某一个维度有一个长度的概念，如果我们输入一个长为 n 的 feature，那么 Attention 就要学习一个长为 n 的分布权重，这个权重是由相似度计算出来的，最后返回的得分就将会是权重与feature的加权和。

• Attention的计算过程

Attention的输入是Q,K,V，返回的是一个socre，计算公式如下：

需要注意的是上述公式的下标位置，显然我们需要学习的权重分布是A ，而A和Q、K相关，V就是我们希望去被找到权重的feature。

QKV 英文名字的含义

Q 即为英文中 Query 是指：被查询的序列，可以看到在每次计算相似度的过程中，Q在计算中是一直保持着整体的状态。K 即为英文中 Key 是指：被查询的索引，我们学习到的权重分布A 长度为n，那么A中每一个下标的大小，就代表了对应索引被分配到的权重。所以这个K，控制的是索引。V 即为英文中的 Value 是指：值，也就是我们feature 本身的值，他要去和权重分布做加权和来得到最终的分布。

这里相似度的计算方式有很多种:

• HAN中的Attention

我们首先看一下 HAN 的 Attention 中的QKV分别是如何体现的。

在 HAN 中，我们只有一个输入 H，输出为 H和A 的加权平均，所以即H为 Attention 机制中的 Value。我们把H做了一个线性变换变成了U ，然后又随机生成了一个Vm 向量 , 一起计算 A。公式为：

可以看到在公式中Uw一直处于被查询的状态，即一直保持着一个整体的状态，所以我们生成的随机向量即为 Attention 机制中的Query 。而我们做完线性变换生成的U 给 A 生成不同索引的权重值，他即代表我们 Attention 机制中的Key。这里用的相似度公式显然是点积，而在我自己实现的时候遇到了点困难，改成了MLP实现法。

• seq2seq中的Attention

我们来看 seq2seq 中的 Attention 机制，在这个任务中我们需要一步一步的生成Y1，Y2,Y3

，我们会根据每一步生成的Y(实际是一个分布)，找到对应的单词。我们的生成公式为:

可以看出，每一次生成的时候C都要被更新，而在这个模型中C就是 Attention 模型最终被返回的得分。在 seq2seq模型中，我们把X输入Encoder 生成的值记为 H=[h1，...，hn]我们需要学习关于 H 的权重分布，所以H 即为这里 Value，而这里的 Key 也是 H他自己，他没有像 HAN 中一样做变换，我们每一次要查询的 Query 是已经生成的序列 Y=[y0,y1,y2......]，也即为 Decoder 中生成的值 ，显然随着每次生成的变化这个被查询的 Q会变长。这样，由我们的Q,K,V 就能生成出最后的C。

Transformer

Transformer改进了RNN最被人诟病的训练慢的缺点，利用self-attention机制实现快速并行。

• Self-Attention

在 Transformer 中我们要用到的 Attention 方式是 Self-Attention，它与之前的 Attention 有些许的不同。简单的来说，它通过学习三个参数WQ,WK,WV，来对同一个embedding之后的feature 进行转换，将他线性转换成Q、K、V 之后计算出这句话的 Attention 得分。名字中的Self 体现的是所有的Q、K、V 都是由输入自己生成出来的。

归一化：权重分布A在归一化前，要除以输入矩阵的第一维开根号，这会让梯度更稳定。这里也可以使用其它值，8只是默认值，再进行softmax。

返回：这里返回的值和输入的长度维度是一样的，每一个单词对应的输出是所有单词对于当前单词的权重分布与Value得分的加权和。所以他有多少个单词，就做了多少次Attention 得分，这就是self-Attention 。

需要注意的是 Decoder 端的多头 self-attention 需要做mask，因为它在预测时，是“看不到未来的序列的”，所以要将当前预测的单词(token)及其之后的单词(token)全部mask掉。使用多头机制可以理解为CNN中同时使用多个卷积核。

Bert

今天的主角终于粉墨登场，Bert模型的定位是一个预训练模型，同等级的应该是NNLM，Word2vec，Glove，GPT，还有ELMO。

• 预训练模型分类

非语言模型：Word2vec，Glove

语言模型：GPT，NNLM，ELMO，Bert。

其中NNLM是不考虑上下文(单向)的，而ELMO和Bert是考虑上下文(双向)的模型。

• 不同模型的建模

NNLM

其全称为Nerual Network Language Model

目标函数为用前t-1个单词，预测第t个单词，即最大化：

ELMO

Elmo的全称为Embedding from Language Models，ELMO是根据上下文单词的语义去动态调整单词的Word Embedding表示，解决了多义词的问题，采用的机制为双层双向LSTM。

ELMO两阶段：第一个阶段是语言模型进行预训练；第二个阶段是在做下游任务时，从预训练网络中提取对应单词的网络各层的Word Embedding作为新特征补充到下游任务中。BERT两阶段过程：第一阶段双向语言模型预训练，第二阶段采用具体任务Fine-tuning。

Bert的优缺点

Bert 对硬件资源的消耗巨大，大模型需要16个tpu，历时四天；更大的模型需要64个tpu，历时四天。Bert 最大的亮点在于效果好及普适性强，几乎所有NLP任务都可以套用Bert这种两阶段解决思路，而且效果应该会有明显提升。

文章部分素材来源：人工智能与算法学习