本文分享自华为云社区《【昇思技术公开课笔记-大模型】Bert理论知识》，作者： JeffDing。
NLP中的预训练模型
语言模型演变经历的几个阶段
![image.png]()
- word2vec/Glove将离散的文本数据转换为固定长度的静态词向量，后根据下游任务训练不同的语言模型
- ELMo预训练模型将文本数据结合上下文信息，转换为动态词向量，后根据下游任务训练不同的语言模型
- BERT同样将文本数据转换为动态词向量，能够更好地捕捉句子级别的信息与语境信息，后续只需对BERT参数进行微调，仅重新训练最后的输出层即可适配下游任务
- GPT等预训练语言模型主要用于文本生成类任务，需要通过prompt方法来应用于下游任务，指导模型生成特定的输出。
BERT模型本质上是结合了ELMo模型与GPT模型的优势。
- 相比于ELMo，BERT仅需改动最后的输出层，而非模型架构，便可以在下游任务中达到很好的效果；
- 相比于GPT，BERT在处理词元表示时考虑到了双向上下文的信息；
Bert介绍
![image.png]()
2018年Google发布了BERT（来自Transformer的双向自编码器）预训练模型，旨在通过联合左侧和右侧的上下文，从未标记文本中预训练出一个深度双向表示模型。因此，BERT可以通过增加一个额外的输出层来进行微调，就可以达到为广泛的任务创建State-of-the-arts 模型的效果，比如QA、语言推理任务。
当时将预训练模应用于下游任务的策略通常有两种：基于特征的（feature-based）和基于微调（fine-tuning）；前者比如ELMo，后者比如OpenAI GPT;
这两种策略在预训练期间具有相同的目标函数，在预训练期间，它们使用单向语言模型来学习一般的语言表示。但当前对预训练方法的限制（尤其是对基于微调的方法）是标准语言模型是单向(unidirectional）的，所以限制了在预训练阶段可选的模型结构体系。
比如GPT是从左到右的，每个token只能关注到前一个token的self-attention layers。这种局限对于句子级任务(sentence-level tasks)来说还不是很打紧，但是对于token-level tasks（比如QA）就很致命，所以结合两个方向的上下文信息至关重要。
Bert Input
第一步：Tokenization， 输入的句子经过分词后，首尾添加[CLS]与[SEP]特殊字符，后转换为数字id
![image.png]()
第二步：Embedding， 输入到BERT模型的信息由三部分内容组成：
表示内容的token ids
表示位置的position ids
用于区分不同句子的token type ids
![image.png]()
将三种信息分别输入Embedding层
![image.png]()
如果出现输入是句子对的情况呢？
![image.png]()
BERT Architecture
BERT由Encoder Layer堆叠而成，Encoder Layer的组成与Transformer的Encoder Layer一致：
自注意力层 + 前馈神经网络，中间通过residual connection和LayerNorm连接
![image.png]()
BERT（Bidirectional Encoder Representation from Transformers）是由Transformer的Encoder层堆叠而成，BERT的模型大小有如下两种：
BERT BASE：与Transformer参数量齐平，用于比较模型效果（110M parameters）
BERT LARGE：在BERT BASE基础上扩大参数量，达到了当时各任务最好的结果（340M parameters）
BERT Output
BERT会针对每一个位置输出大小为hidden size的向量，在下游任务中，会根据任务内容的不同，选取不同的向量放入输出层
![image.png]()
pooler output
例如，在诈骗邮件分类任务中，我们会将表示句子级别信息的[CLS] token所对应的向量，经过Bert Pooler放入classfier中，得到对spam/not spam分类的预测。
![image.png]()
我们一般称[CLS]经过线性层+激活函数tanh的输出为pooler output，用于句子级别的分类/回归任务
sequence output
例如，在词性标注任务（POS Tagging）中，我们需要获得每一个token所对应的类别，因此需要将[CLS]和[SEP]中有实际意义的token输出，分别输入对应的classifier中。
![image.png]()
我们一般称BERT输出的每个位置对应的vector为sequence output
BERT的不同下游任务
![image.png]()
![image.png]()
BERT预训练
BERT预训练任务有两种：Masked Language Modelling（MLM） 和 Next Sentence Prediction （NSP）。
MLM：随机遮盖输入句子中的一些词语，并预测被遮盖的词语是什么（完形填空）
NSP：预测两个句子是不是上下文的关系
![image.png]()
Masked Language Model（MLM）
Masked Language Modelling（MLM） 捕捉词语级别的信息
在输入中随机遮盖15%的token（即将token替换为[MASK]）
将[MASK]位置对应的BERT输出放入输出层中，预测被遮盖的token
![image.png]()
在将[MASK]位置所对应的BERT输出放入输出层后，本质上是在进行一个多分类任务
![image.png]()
![image.png]()
为了使得预训练任务和推理任务尽可能接近，BERT在随机遮盖的15%的tokens中又进行了进一步的处理：
80%的概率替换为[MASK]
10%的概率替换为文本中的随机词
10%的概率不进行替换，保持原有的词元
![image.png]()
Next Sentence Prediction（NSP）
Next Sentence Prediction (NSP) 捕捉句子级别信息，简单来说是一个针对句子对的分类问题，判断一组句子中，句子B是否为句子A的下一句（IsNext or NotNext）
![image.png]()
![image.png]()
Bert微调
在下游任务中，我们使用少量的标注数据（labelled data）对预训练Transformer编码器的所有参数进行微调，额外的输出层将从头开始训练。
![image.png]()
