深入解析Transformers、BERT与SBERT：从原理到应用

最新推荐文章于 2025-03-12 10:09:29 发布

python_知世

最新推荐文章于 2025-03-12 10:09:29 发布

阅读量1.2k

点赞数 23

文章标签： bert 人工智能深度学习 AI大模型大模型入门 AI 大模型是什么

本文链接：https://blog.csdn.net/zhishi0000/article/details/145437391

版权

.01

概述

在人工智能领域，尤其是自然语言处理（NLP）中，Transformer、BERT和SBERT已经成为技术发展的基石。然而，很多人对它们的工作原理、优缺点以及实际应用还不够了解。本篇文章将深入解析这些技术，从基础概念到最新进展，帮助你掌握背后的关键逻辑。

.02

Transformers：NLP领域的“革命性武器”

1）什么是Transformer？

Transformer模型诞生于2017年，最初是为了解决机器翻译问题。如今，它已经成为几乎所有大规模语言模型（LLM）的核心。

Transformer模型的架构由两个主要模块组成：编码器（Encoder）和解码器（Decoder）。

编码器：将输入转换为矩阵表示，用于捕捉上下文信息。
解码器：基于编码器输出生成最终的结果，如翻译句子或预测下一步文本。

经典的Transformer模型每个模块由6层堆叠而成，而这些层都依赖一个核心机制：多头自注意力机制（Multi-Headed Self-Attention）。

2） Transformer的优势：捕捉全局上下文

与早期的RNN或LSTM不同，Transformer模型可以捕捉整个输入序列的全局上下文，而不仅仅是单个词的局部信息。这种特性让它在处理长文本时表现出色。

3） Transformer的局限性

尽管Transformer在许多任务中表现出色，但在某些场景下仍存在不足。例如：

仅考虑历史信息：Transformer的注意力层通常只关注“过去的上下文”，对于某些需要前后双向理解的任务（如问答）表现会受限。

举个例子：

“John带着Milo参加了聚会。Milo在聚会上玩得很开心。他是一只白色的猫。”

如果我们问：“Milo是否和John在聚会上喝酒了？”

仅依赖前两句，模型可能回答“玩得开心可能意味着喝酒了”；但如果能结合第三句——“Milo是一只猫”，答案显然是“不可能”。

这时，我们需要一个能够同时理解前后文的模型，这便是BERT。

.03

BERT：双向编码的“语义大师”

1）什么是BERT？

BERT（Bidirectional Encoder Representations from Transformers）是基于Transformer编码器开发的模型，但与Transformer不同的是，BERT采用双向自注意力机制，能够同时理解句子前后文的信息。

BERT的设计使其特别适合处理像问答、文本摘要等任务。它通过引入特殊的标记（如[CLS]和[SEP]），让模型能够更好地区分问题和答案，进而进行上下文推理。

2） BERT的训练方法

BERT的强大来源于两种预训练任务：

掩码语言模型（Masked Language Model, MLM）：随机遮盖输入文本的15%的词汇，模型需要预测被遮盖的词是什么。
下一句预测（Next Sentence Prediction, NSP）：判断两句输入文本是否是相邻句。

3） BERT的局限性

尽管BERT在语义理解上表现强大，但它在处理大规模相似性搜索任务时表现欠佳。例如，当需要在10,000条句子中找到与某个句子最相似的一条时，BERT需要对每个句子对进行两两比较，计算量巨大。这种二次复杂度使其难以在大规模语义搜索中应用。

于是，SBERT应运而生。

.04

SBERT：专注于语义相似度的革新模型

1）什么是SBERT？

SBERT（Sentence-BERT）通过在BERT的基础上引入Siamese网络（孪生网络），解决了大规模相似性搜索的计算瓶颈。

与BERT不同，SBERT不需要每次都对句子对进行比较，而是先对每个句子生成独立的固定长度向量（如1×768维度），然后再通过简单的数学运算（如余弦相似度）来比较句子间的相似性。

2） SBERT的架构与特点

SBERT的架构引入了池化层（Pooling Layer），将BERT的输出从高维度（如512×768）简化为低维度（如1×768），大幅降低了计算复杂度。此外，它还支持三种训练方式：

自然语言推理（NLI）：基于分类任务（如“推断”“中性”“矛盾”）进行训练。
句子相似度（Sentence Similarity）：直接优化余弦相似度，适合语义相似任务。
三元组损失（Triplet Loss）：通过比较锚点句、正样本句和负样本句的距离，优化语义表示。

3） SBERT的实际应用

SBERT已经成为构建检索增强生成（RAG）流水线的核心工具。通过开源库sentence-transformers，你可以轻松生成句子嵌入，并进行语义搜索。以下是简单的代码示例：

# 安装库
!pip install sentence-transformers

# 加载模型
from sentence_transformers import SentenceTransformer
model = SentenceTransformer('bert-base-nli-mean-tokens')

# 生成句子嵌入
sentences = [
    "今天的天气真好。",
    "外面阳光明媚！",
    "他开车去了体育场。",
]
embeddings = model.encode(sentences)

# 计算相似度
similarities = model.similarity(embeddings, embeddings)
print(similarities)

.05

总结：从Transformer到SBERT，探索NLP的未来

从Transformer的全局上下文捕捉，到BERT的双向语义理解，再到SBERT的大规模相似性搜索优化，这些模型展现了NLP领域的不断突破。