69 BERT预训练_by《李沐：动手学深度学习v2》pytorch版

系列文章目录

NLP里的迁移学习

1. 之前是使用预训练好的模型来抽取词、句子的特征，例如 word2vec 或语言模型这种非深度学习的模型
2. 一般抽完特征后，在做迁移学习时不更新预训练好的模型
3. 迁移学习前做好的工作所抽取的特征是个比较底层的特征，一般当作embedding用，做自己的工作时需要构建新的网络来抓取新任务需要的信息。之前的工作，比如Word2vec忽略了时序信息，语言模型只看了一个方向，RNN不好处理特别长的序列，所以他也就看了很短的一段东西而已。

Bert的动机

想研发相似于CV方面的，基于微调的NLP模型，除了输出层，其他层的参数我是可以复用的，我可以挪到其他任务中去。
预训练的模型抽取了足够多的信息
新的任务只需要增加一个简单的输出层

Bert架构

Bert从结构上来讲就是一个只保留了编码器的Transformer，创新很简单，后面在输入和$Loss$上还有创新。
两个版本：

1. Base:#blocks=12,hidden size=768,#heads = 12
   #parameters=110M 参数相比较Transformer大很多，模型深很多。
2. Large:#blocks=24, hidden size= 1024,#heads = 16
   #parameter=340M

在大规模数据上训练>3B 词

对输入的修改

之前Transformer是比如说把一个句子和他的翻译当作数据和标签进行训练，在encoder中放入数据，decoder中放入标签。现在bert只有encoder，怎么办？

这个<CLS>用来表示句子开头，<sep>表示这个句子结束，后面是下一个句子，所以可以输入多个句子。但只是这样对Transformer不太好区分哪几个词是一个句子，所以加了Segment Embeddings，通过不同标志来标记句子。最上面是一个可以学的Position Embedddings。

预训练任务

1、带掩码的语言模型

 Transfomer的编码器是双向，标准语言模型要求单向。Transformer 的编码器是双向的：在 Transformer 架构中，编码器能够同时考虑输入序列中所有单词的上下文信息。这意味着在处理某个单词时，编码器不仅依赖于该单词之前的单词，还考虑之后的单词，从而获得更全面的语义理解。标准语言模型要求单向：传统的语言模型（如 n-gram 模型或某些 RNN 模型）通常是单向的，意味着在预测当前单词时，只考虑该单词之前的单词（即左侧上下文）。这种限制使得模型无法利用当前单词之后的上下文信息。总结：整体而言，这句话强调了 Transformer 编码器的双向特性与传统语言模型的单向特性之间的区别。双向编码器能够更全面地理解上下文，而单向模型则局限于仅考虑过去的信息。
 之前在Transfomer中Decoder是单向的，但是bert只用了Transfomer的Encoder，所以我要做出下面的改变才可以学习数据的特征。
 带掩码的语言模型每次随机(15%概率)将一些词元换成<mask>，然后来预测这个mask到底是谁，我现在就是做完形填空，所以可以看双向的信息。但这样会有一个问题，在bert训练时候可以通过<mask>来学习，但是在下游任务微调的时候，也就是fine-tuning时候，数据中没有<mask>这个东西，所以有了下面的东西。
 因为微调任务中不出现<mask>：（1）80%概率下，将选中的词元变成<mask>。（2）10%概率下换成一个随机词元。（3）10%概率下保持原有的词元。 我在训练的时候，我让bert模型不会看到mask就预测，当我选择一个词要遮住的时候，我不会每个都变成<mask>。这是在微调任务中使用掩蔽语言模型（Masked Language Model，MLM）时对输入文本进行处理的策略。具体来说：

1. 80% 概率下将选中的词元变成 <mask>：
   • 这是主要的掩蔽策略。通过将大部分选中的词元替换为 <mask>，模型被迫学习如何根据上下文来预测被掩蔽的词。这种方式有助于模型学习到更丰富的上下文信息和语义关系。
2. 10% 概率下换成一个随机词元：
   • 这种策略的目的是增加模型的鲁棒性。通过引入随机性，模型不能仅仅依赖于掩蔽信息来进行预测，而是需要学习更广泛的上下文关联。这有助于防止模型过拟合于特定的掩蔽模式。
3. 10% 概率下保持原有的词元：
   • 这种做法允许模型在某些情况下看到原始的词元，从而保持一定的上下文完整性。这有助于模型理解词元在句子中的实际用法，进一步提升其预测能力。

 总结：这种掩蔽策略通过结合掩蔽、随机替换和保留原词元的方式，促使模型在训练过程中获得更全面的上下文理解能力，从而提高其在微调任务中的表现。

2、下一句子预测

预测一个句子对中两个句子是不是相邻。
训练样本中:
50%概率选择相邻句子对:this movieis great<sep>i like it<sep>
50%概率选择随机句子对:this movie is great<sep>hello world <sep>
将对应的输出放到一个全连接层来预测。
为什么是<cls>?在这种上下文中，使用 <cls> 是为了实现句子对分类任务。具体原因如下：

1. 句子对分类：
   • <cls> 是一个特殊的标记，用于表示整个输入序列的开始。在 BERT 等 Transformer 模型中，通常将其放在输入的最前面，用于聚合整个序列的信息，以便进行分类任务。
2. 信息聚合：
   • 通过将 <cls> 作为输入的起始标记，模型能够在编码过程中综合考虑整个句子对的上下文信息。最终，模型会生成一个对应于 <cls> 的输出向量，这个向量包含了对整个句子对的理解。
3. 全连接层预测：
   • 将 <cls> 对应的输出向量传递到全连接层，可以用来进行二分类（即判断两个句子是否相邻）。全连接层会基于这个向量输出一个概率值，表示句子对是相邻的可能性。
     总结:因此，使用 <cls> 是为了便于模型在句子对分类任务中有效地聚合信息，并通过全连接层进行预测。这种设计符合 BERT 等模型的架构和训练策略。

总结

BERT针对微调设计。基于Transformer的编码器做了如下修改
（1）模型更大，训练数据更多
（2）输入句子对，片段嵌入，可学习的位置编码
（3）训练时使用两个任务:带掩码的语言模型、下一个句子预测

后面针对模型实现、预训练数据怎么形成、怎么训练三部分进行代码讲解。