做网站的文案是指友情链接价格

BERT，全称Bidirectional Encoder Representation from Transformers，是google在2018年提出的一个预训练语言模型，它的推出，一举刷新了当年多项NLP任务值的新高。前期我在零、自然语言处理开篇-CSDN博客 的符号向量化一文中简单介绍过其原理，今天我将更加详细的介绍下其工作流程。

零、BERT模型架构

当前的语言模型主要分为两种：

一种是自回归（Auto-Regressive）语言模型，Aotoregressive Lanuage Modeling，自回归语言模型：根据前面(或后面)出现的token来预测当前时刻的token，代表模型有ELMO、GTP（transformer中的decode解码器结构）（等,它一般采用生成类任务做预训练，类似于我们写一篇文章，自回归语言模型更擅长做生成类任务（Natural Language Generating，NLG），例如文章生成等。

另一种是自编码（Auto-Encoding）语言模型，Autoencoding Language Modeling，自编码语言模型：通过上下文信息来预测当前被mask的token，代表有BERT、Word2Vec(CBOW)等.它使用MLM做预训练任务，自编码预训模型往往更擅长做判别类任务，或者叫做自然语言理解（Natural Language Understanding，NLU）任务，例如文本分类，NER等。训练过程类似于做完形填空，下面会介绍到。

BERT模型采用的是transformer里的encode编码器的结构，它的模型总体结构如下：

 每一个transformer encode结构如下：

一、BERT的训练流程

1.0 BERT的输入

BERT的输入是一个长度为n的输入序列（n表示词组个数，token数），一般是512，通常包含下面三个部分：

（1）Token Embeddings：采用wordpiece对文本进行切割成一个个子词，经过embedding后每一个子词输出为768维的向量 (1, n, 768)。此层的tokenization使用的方法是WordPiece tokenization，将词转换为one hot编码，再经过embedding层，转换成768维向量。

（2）Segment Embeddings：切割句子用的(1, n, 768)，相比transformer，这个是新增的。

（3）Position Embeddings：用于标记词在句子中的位置，(1, n, 768)，使用的是cos和sin的固定位置标记法。

整个输入是一个1*512*768的张量。

对于输入的句子，将进行以下两个预训练任务。 

1.1 BERT主要包含两个训练任务

1、 随机掩码训练任务：

（1）随机地将一句话里的某个单词替换成<mask>，输入到N层的transformer encode编码器里。

（2）将<mask>的隐层状态输入到softmax中进行预测，输出预测的单词结果。

（3）将预测得到的单词结果和原始数据中单词计算交叉熵，更新参数。

通过上面3步，可以学习到“研究生”这个单词单独的语义，又能学习到它的上下文的语义关系。是不是很像完形填空~。

2、下一个句子预测任务

这个任务主要学习句子间的关系，它的训练过程如下：

（1）将数据集中连续两个句子A和B进行拼接（负例的构建就是随机组合句子就行）。

（2）在拼接的句子前端加入<cls>标签，代表句子是否连续，在两个句子间加入<seg>标签，输入到N层的transformer encode里。

（3）将<cls>的隐层状态输入softmax进行预测。

（4）将预测结果和实际结果计算交叉熵，更新参数。

二、BERT应用时的微调方法

BERT微调时，采用少量的标注数据，进行少量轮次的迭代，即可将模型微调为一个特定领域的任务模型，比如句子相似性匹配，句子分类，问答对匹配、序列标注等。