【NLP之transformer | Datawhale-9月】Task03：学习BERT

本文主要是介绍【NLP之transformer | Datawhale-9月】Task03：学习BERT，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

图解BERT

BERT的预训练+微调（finetune）：

先在大规模无监督语料上进行预训练；

然后在预训练好的参数基础上增加一个与任务相关的神经网络层；

并在该任务的数据上进行微调训，最终取得很好的效果。

现已成为NLP主流解决方案。

1 BERT句子分类

步骤：

下载无监督预料上的BERT模型，包含：BERT模型配置文件（用来确定Transformer的层数，隐藏层大小），BERT模型参数，BERT词表（BERT所能处理的所有token）。

在BERT模型上增加一个任务相关的神经网络，然后在特定任务监督数据上进行微调训练。

微调：学习率较小，训练epoch数量较少，对模型整体参数进行轻微调整。

例如：

• 输入：电影或者产品的评价。输出：判断这个评价是正面的还是负面的。
• 输入：两句话。输出：两句话是否是同一个意思。

为了能够使用BERT进行句子分类，我们在BERT模型上增加一个简单的classifier层，由于这一层神经网络参数是新添加的，一开始只能随机初始化它的参数，所以需要用对应的监督数据来训练这个classifier。由于classifier是连接在BERT模型之上的，训练的时候也可以更新BERT的参数。

2 模型结构

BERT原始论文提出了BERT-base和BERT—large两个模型，base的参数量比large少一些。

BERT结构基本是Transformer的encoder部分。

BERT-base对应的是12层encoder，BERT-large对应的是24层encoder。

BERT-base为12层的encoder：

3 模型输入

BERT模型输入有一点特殊的地方是在一句话最开始拼接了一个[CLS] token。这个特殊的[CLS] token经过BERT得到的向量表示通常被用作当前的句子表示。BERT将一串单词作为输入，这些单词多层encoder中不断向上流动，每一层都会经过 Self-Attention和前馈神经网络。

3.1 [CLS]

3.1.1 BERT 为什么第一个词为[CLS]

[CLS]就是classification的意思，可以理解为用于下游的分类任务。

因为做next sentence predict任务，就取[CLS]对应的最后的隐状态（hidden_state）过MLP，也就是最后的[batch_size,len1+len2,hidden_size]。

用[batch_size,1,hidden_size]去预测是不是下一句：

（1）名词解释：

MLP：多层感知器（MLP，Multilayer Perceptron）是一种前馈人工神经网络模型，其将输入的多个数据集映射到单一的输出的数据集上。

多层感知机层与层之间是全连接的。多层感知机最底层是输入层，中间是隐藏层，最后是输出层。

3.1.2 BERT的[CLS]有什么用

主要用于以下两种任务：

• 单文本分类任务：对于文本分类任务，BERT模型在文本前插入一个[CLS]符号，并将该符号对应的输出向量作为整篇文本的语义表示，用于文本分类，如下图所示。可以理解为：与文本中已有的其它字/词相比，这个无明显语义信息的符号会更“公平”地融合文本中各个字/词的语义信息。

• 语句对分类任务：该任务的实际应用场景包括：问答（判断一个问题与一个答案是否匹配）、语句匹配（两句话是否表达同一个意思）等。对于该任务，BERT模型除了添加[CLS]符号并将对应的输出作为文本的语义表示，还对输入的两句话用一个[SEP]符号作分割，并分别对两句话附加两个不同的文本向量以作区分。

3.2 Token

WordPieces作为最小的处理单元。

4 模型输出

BERT输入的所有token经过BERT编码后，会在每个位置输出一个大小为 hidden_size（在 BERT-base中是 768）的向量。

对于上面提到的句子分类的例子，我们直接使用第1个位置的向量输出（对应的是[CLS]）传入classifier网络，然后进行分类任务。

5 预训练任务：Masked Language Model

5.1 BERT的无监督训练

基于Masked language model进行预训练的：将输入文本序列的部分（15%）单词随机Mask掉，让BERT来预测这些被Mask的词语。

这种训练方式最早可以追溯到Word2vec时代，典型的Word2vec算法便是：基于词C两边的A、B和D、E词来预测出词C。

（1）名词解释：

Masked language model：掩码语言模型（MLM），MLM 随机选出一些词用 [MASK] 标记，然后去预测被 MASK 的词。但由于被 MASK 的词并不出现在fine-tuning（微调）的过程中，会导致预训练和微调的过程出现不一致性。针对这种情况，BERT 通过 80% [MASK]，10% 随机 token，10% 原 token 的方式来进行 mask。

6 预训练任务：相邻句子判断

除了masked language model（掩码语言模型），BERT在预训练时，还引入了一个新的任务：判断两个句子是否是相邻句子。

输入是sentence A和sentence B，经过BERT编码之后，使用CLS token的向量表示来预测两个句子是否是相邻句子。

7 BERT的应用

可以用来判断两个句子是否相似，判断单个句子的情感，用来做抽取式问答，用来做序列标注。

8 BERT特征提取

BERT模型：使用输入序列所对应的token的向量表示。因此不仅可以使用最后一程BERT的输出，连接上任务网络，进行微调，还可以直接使用这些token的向量当作特征。

比如，可以直接提取每一层encoder的token表示当作特征，输入现有的特定任务神经网络中进行训练。

BERT特征提取：

9 拓展阅读

9.1 对比CNN

BERT的编码过程，与计算机视觉中使用VGGNet等网络的卷积神经网络+全连接网络做分类任务的基本训练方法和过程是类似的。

9.2 词嵌入（Embedding）进展

9.2.1 回顾词嵌入

单词不能直接输入机器学习模型，而需要某种数值表示形式，以便模型能够在计算中使用。通过Word2Vec，我们可以使用一个向量（一组数字）来恰当地表示单词，并捕捉单词的语义以及单词和单词之间的关系（例如，判断单词是否相似或者相反，或者像 “Stockholm” 和 “Sweden” 这样的一对词，与 “Cairo” 和 "Egypt"这一对词，是否有同样的关系）以及句法、语法关系（例如，“had” 和 “has” 之间的关系与 “was” 和 “is” 之间的关系相同）。

相比于在小规模数据集上和模型一起训练词嵌入，更好的一种做法是，在大规模文本数据上预训练好词嵌入，然后拿来使用。因此，我们可以下载由 Word2Vec 和 GloVe 预训练好的单词列表，及其词嵌入。

9.2.2 语境问题

缺陷：如果我们使用 Glove 的词嵌入表示方法，那么不管上下文是什么，单词 “stick” 都只表示为一个向量。

解决方法：语境化的词嵌入模型应运而生——ELMO。

语境化的词嵌入，可以根据单词在句子语境中的含义，赋予不同的词嵌入。

ELMo没有对每个单词使用固定的词嵌入，而是在为每个词分配词嵌入之前，查看整个句子，融合上下文信息。它使用在特定任务上经过训练的双向LSTM来创建这些词嵌入。（也就是根据上下文来决定该单词不同语境下的不同向量）

ELMo LSTM 会在一个大规模的数据集上进行训练，然后我们可以将它作为其他语言处理模型的一个部分，来处理自然语言任务。

优越性的原因：ELMo 通过训练，预测单词序列中的下一个词，从而获得了语言理解能力，这项任务被称为语言建模。要实现 ELMo 很方便，因为我们有大量文本数据，模型可以从这些数据中学习，而不需要额外的标签。

ELMo预训练过程的语言模型：以 “Let’s stick to” 作为输入，预测下一个最有可能的单词。当我们在大规模数据集上训练时，模型开始学习语言的模式。例如，在 “hang” 这样的词之后，模型将会赋予 “out” 更高的概率（因为 “hang out” 是一个词组），而不是输出 “camera”。

隐藏层状态在词嵌入过程中派上用场。ELMo 通过将LSTM模型的隐藏成表示向量（以及初始化的词嵌入）以某种方式（向量拼接之后加权求和）结合在一起，实现了带有语境化的词嵌入。

ELMO 训练：

9.2.3 Transformer：超越LSTM

随着Transformer论文和代码的发布，以及它在机器翻译等任务上取得的成果，开始让人们认为它是LSTM的替代品。

一部分原因是：

1. 因为 Transformer 可以比 LSTM 更好地处理长期依赖；
2. Transformer可以对输入进行并行运算。

9.2.4 OpenAI Transformer：预训练一个Transformer Decoder进行语言建模

沿着LSTM语言模型预训练的路子，将LSTM替换成Transformer结构后（相当于），直接语言模型预训练的参数给予下游任务监督数据进行微调，与最开始用于翻译seq2seq的Transformer对比来看，相当于只使用了Decoder部分。有了Transformer结构和语言模型任务设计，直接使用大规模未标记的数据不断得预测下一个词：只需要把 7000 本书的文字依次扔给模型 ，然后让它不断学习生成下一个词即可。

现在，OpenAI Transformer 已经经过了预训练，它的网络层藏书经过很多次调整，可以很好地用向量表示文本了。

句子分类任务（把电子邮件分类为 ”垃圾邮件“ 或者 ”非垃圾邮件“）：

对于形形色色的NLP任务，OpenAI 的论文列出了一些列输入变换方法，可以处理不同任务类型的输入。

9.2.5 BERT：Decoder到Encoder

OpenAI Transformer为我们提供了一个基于Transformer的预训练网络。但是在把LSTM换成Transformer 的过程中，有些东西丢失了。比如之前的ELMo的语言模型是双向的，但 OpenAI Transformer 只训练了一个前向的语言模型。

我们是否可以构建一个基于 Transformer 的语言模型，它既向前看，又向后看（用技术术语来说 - 融合上文和下文的信息）。那答案就是BERT：基于双向Transformer的encoder，在Masked language model上进行预训练，最终在多项NLP下游任务重取得了SOTA效果。

这篇关于【NLP之transformer | Datawhale-9月】Task03：学习BERT的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！