transformer模型_宅家NLP(三) —— 从Transformer到BERT模型

感谢@贪心科技 @葛瀚骋老师的讲解；附上NLP系列第三场《从Transformer到BERT模型》笔记整理；本篇文章仅在于记录课程内容略加入自己的理解与扩充。

btw 如果您觉得文章对您有帮助，可以在文末戳赞同表示支持～后面的课程也会分享笔记给大家～（因为我发现前两篇文章的收藏数是点赞数的十几倍。。emmm，据说收藏不点赞的都是耍流氓 [狗头保命]

一、Background

一词多义（polysemous words）在自然语言理解中是一个难解决的问题；

例如：bank（银行、河堤）；apple（ 、MacBook）；...

二、Review

1. ELMo （Embeddings from Language Models）

宅家NLP —— 词向量与ELMo​zhuanlan.zhihu.com

2. Transformer

宅家NLP (二) —— Self-Attention与Transformer​zhuanlan.zhihu.com

三、 BERT —— Bidirectional Encoder Representation from Transformers

论文地址：https://arxiv.org/pdf/1810.04805.pdf

1. BERT的输入

BERT的输入由三部分组成：token embeddings & position embeddings & segment embeddings (segment embedding是比transformer的输入多出的一部分，用0和1来表示token属于哪个句子，在下游任务中发挥作用)

BERT的输入

2. Two operations

在大量语料上pre-training；在下游任务上fine-tuning

3. Two tasks in pre-training

• task 1: Masked Language Model (MLM)

在训练过程中，随机mask掉15%的token，这其中80%的token用[MASK]替换，10%随即用其他token替换，另外10%保持不变；

原因分析可参考：

MLM

• task2 ：Next Sentence Prediction (NSP)

用于判断一句话是否是另一句话的下一句(next sentence)，这一预训练任务在需要关注两个句子的任务，如文本蕴含中会发挥有效作用；

NSP

因此，BERT在预训练时的loss function由以下两部分组成：

Loss_BERT = Loss_MLM + Loss_NSP (实质上是multi-task的原理)

4. parameters

BERT-Base: 12-layer, 768-hidden, 12-heads, 110M parameters

BERT-Large: 24-layer, 1024-hidden, 16-heads, 340M parameters

5. 从Word2Vec到BERT

站在巨人的肩膀上

6. BERT的局部信息和全局信息可视化

（全局的图看的太专注漏截了：（，可以参考上一篇文章中transformer的8个head学习到的信息的可视化图例：）

局部信息：

同一layer中各个head学习到的表示

结论：同一个layer（局部）的所有12个head学到的信息差不多，全局上12个head学到的信息有很大的不同，使得bert对多义词的表示、对句法语义的理解更深入；

7. BERT —— what it learns？

纵坐标表示不同的下游任务，横坐标表示layer，蓝色直方图表示不同layer的信息对结果的影响

结论：不同的任务下，不同的layer发挥的作用不同；

因此在实践中，可以尝试将bert每层的输出都取出来，求和或者算平均等；

8. BERT的应用

分类、问答、命名实体识别、聊天机器人、机器阅读理解等；

四、模型压缩

由于BERT模型参数量很大，在很多实际应用场景中受到计算资源等的限制无法高效的应用，因此出现了模型压缩方面的研究。（在下在蒸馏方面也有一些研究，后续会整理一些代码和工作分享出来；

方法：剪枝、量化、蒸馏

蒸馏方面的两个重要工作：

distillbert：

Distilling Task-Specific Knowledge from BERT into Simple Neural Networks​arxiv.org

tinybert：

https://arxiv.org/abs/1909.10351​arxiv.org

五、提问环节

为什么分类只用[CLS] token就可以了？

因为深层的双向transformer结构使得[CLS] token已经包含了句子中的所有token的信息，事实上句子中每个token包含的信息都差不多；

（别问为什么只有一个提问，问就是困了...

btw 如果您觉得文章对您有帮助，可以在文末戳赞同表示支持～后面的课程也会分享笔记给大家～（据说收藏不点赞的都是耍流氓 [狗头保命]