1 Transformer原理

文章：《Attention Is All You Need》

模型架構(gòu)圖如下：

transformer的結(jié)構(gòu)由encoder編碼和decoder解碼組成。

1.1 Encoder

Encoder組件部分由一堆Layer(可以理解為編碼器)構(gòu)成（論文中是將6個(gè)Layer疊在一起）。Decoder解碼組件部分也是由相同數(shù)量（與編碼器對(duì)應(yīng)）的解碼器（decoder）組成的。每個(gè)Layer由兩個(gè)sub-layer組成，分別是multi-head self-attention mechanism和fully connected feed-forward network，sub-layer的結(jié)構(gòu)相同，但是沒有共享參數(shù)。

?

使用self-attrntion，考慮到以下三個(gè)需求：

• the total computational complexity per layer 每層計(jì)算復(fù)雜度
• the amount of computation that can be parallelized, as measured by the minimum number of sequential operations required.
• the path length between long-range dependencies in the network

1.2 Decoder

Decoder組件部分與Encoder很想，但是它多了一個(gè)attention的sub-layer（解碼注意力層），用來關(guān)注輸入句子的相關(guān)部分（和seq2seq模型的注意力作用相似）。

Transformer的一個(gè)核心特性，在這里輸入序列中每個(gè)位置的單詞都有自己獨(dú)特的路徑流入編碼器。在自注意力層中，這些路徑之間存在依賴關(guān)系。而前饋（feed-forward）層沒有這些依賴關(guān)系。因此在前饋（feed-forward）層時(shí)可以并行執(zhí)行各種路徑。如下圖所示：

輸入句子: The animal didn't cross the street because it was too tired

隨著模型處理輸入序列的每個(gè)單詞，自注意力會(huì)關(guān)注整個(gè)輸入序列的所有單詞，幫助模型對(duì)本單詞更好地進(jìn)行編碼。

如果你熟悉RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)），回憶一下它是如何維持隱藏層的。RNN會(huì)將它已經(jīng)處理過的前面的所有單詞/向量的表示與它正在處理的當(dāng)前單詞/向量結(jié)合起來。而自注意力機(jī)制會(huì)將所有相關(guān)單詞的理解融入到我們正在處理的單詞中。

當(dāng)我們?cè)诰幋a器#5（棧中最上層編碼器）中編碼“it”這個(gè)單詞的時(shí)，注意力機(jī)制的部分會(huì)去關(guān)注“The Animal”，將它的表示的一部分編入“it”的編碼中。

1.3?Positional Encoding

除了主要的Encoder和Decoder，還有數(shù)據(jù)預(yù)處理的部分。Transformer拋棄了RNN，而RNN最大的優(yōu)點(diǎn)就是在時(shí)間序列上對(duì)數(shù)據(jù)的抽象，所以文章中作者提出兩種Positional Encoding的方法，將encoding后的數(shù)據(jù)與embedding數(shù)據(jù)求和，加入了相對(duì)位置信息。計(jì)算方法：

• 用不同頻率的sine和cosine函數(shù)直接計(jì)算
• 學(xué)習(xí)出一份positional embedding

作者試驗(yàn)了上面兩種方法，兩者的結(jié)果很相近，最后選了第一種方法，是因?yàn)樗梢栽试S模型外推到比訓(xùn)練期間遇到的序列長(zhǎng)度更長(zhǎng)的序列長(zhǎng)度（We chose the sinusoidal version because it may allow the model to extrapolate to sequence lengths longer than the ones encountered during training）。

推薦文章：

Attention Is All You Need

【NLP】Transformer詳解

BERT大火卻不懂Transformer？讀這一篇就夠了

2 BERT 原理

文章《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》

BERT是一種基于微調(diào)的多層雙向Transformer編碼器，其中的Transformer與原始的Transformer是相同的。

BERT 利用了 Transformer 的 encoder 部分。
Transformer 是一種注意力機(jī)制，可以學(xué)習(xí)文本中單詞（或子單詞）之間的上下文關(guān)系。
Transformer 的原型包括兩個(gè)獨(dú)立的機(jī)制，一個(gè) encoder 負(fù)責(zé)接收文本作為輸入，一個(gè) decoder 負(fù)責(zé)預(yù)測(cè)任務(wù)的結(jié)果。
BERT 的目標(biāo)是生成語言模型，所以只需要 encoder 機(jī)制。

Transformer 的 encoder 是一次性讀取整個(gè)文本序列，而不是從左到右或從右到左地按順序讀取，因此它被認(rèn)為是雙向的，盡管說它是非定向的更準(zhǔn)確。。

下圖是 Transformer 的 encoder 部分，輸入是一個(gè) token 序列，先對(duì)其進(jìn)行 embedding 稱為向量，然后輸入給神經(jīng)網(wǎng)絡(luò)，輸出是大小為 H 的向量序列，每個(gè)向量對(duì)應(yīng)著具有相同索引的 token。

在訓(xùn)練語言模型時(shí)，存在定義預(yù)測(cè)目標(biāo)的挑戰(zhàn)。 許多模型預(yù)測(cè)序列中的下一個(gè)單詞（例如“The child came home from ___”），這是一種固有地限制語境學(xué)習(xí)的方向性方法。 為了克服這一挑戰(zhàn)，BERT模型使用兩個(gè)新的無監(jiān)督預(yù)測(cè)任務(wù)對(duì)BERT進(jìn)行預(yù)訓(xùn)練，分別是Masked LM和Next Sentence Prediction。

2.1?Masked LM

為了訓(xùn)練深度雙向Transformer表示，采用了一種簡(jiǎn)單的方法：隨機(jī)掩蓋部分輸入詞，然后對(duì)那些被掩蓋的詞進(jìn)行預(yù)測(cè)，此方法被稱為“Masked LM”(MLM)。預(yù)訓(xùn)練的目標(biāo)是構(gòu)建語言模型，BERT模型采用的是bidirectional Transformer。那么為什么采用“bidirectional”的方式呢？因?yàn)樵陬A(yù)訓(xùn)練語言模型來處理下游任務(wù)時(shí)，我們需要的不僅僅是某個(gè)詞左側(cè)的語言信息，還需要右側(cè)的語言信息。

在訓(xùn)練的過程中，隨機(jī)地掩蓋每個(gè)序列中15％的token，并不是像word2vec中的cbow那樣去對(duì)每一個(gè)詞都進(jìn)行預(yù)測(cè)。MLM從輸入中隨機(jī)地掩蓋一些詞，其目標(biāo)是基于其上下文來預(yù)測(cè)被掩蓋單詞的原始詞匯。與從左到右的語言模型預(yù)訓(xùn)練不同，MLM目標(biāo)允許表示融合左右兩側(cè)的上下文，這使得可以預(yù)訓(xùn)練深度雙向Transformer。Transformer編碼器不知道它將被要求預(yù)測(cè)哪些單詞，或者哪些已經(jīng)被隨機(jī)單詞替換，因此它必須對(duì)每個(gè)輸入詞保持分布式的上下文表示。此外，由于隨機(jī)替換在所有詞中只發(fā)生1.5%，所以并不會(huì)影響模型對(duì)于語言的理解。這樣在預(yù)測(cè)輸出詞需要以下三步計(jì)算：

• 在編碼器輸出之上添加分類層。
• 將輸出向量乘以嵌入矩陣，將它們轉(zhuǎn)換為詞匯維度。
• 用softmax計(jì)算詞匯表中每個(gè)單詞的概率。

2.2 Next Sentence Prediction

很多句子級(jí)別的任務(wù)如自動(dòng)問答（QA）和自然語言推理（NLI）都需要理解兩個(gè)句子之間的關(guān)系，譬如上述Masked LM任務(wù)中，經(jīng)過第一步的處理，15%的詞匯被遮蓋。那么在這一任務(wù)中我們需要隨機(jī)將數(shù)據(jù)劃分為等大小的兩部分，一部分?jǐn)?shù)據(jù)中的兩個(gè)語句對(duì)是上下文連續(xù)的，另一部分?jǐn)?shù)據(jù)中的兩個(gè)語句對(duì)是上下文不連續(xù)的。然后讓Transformer模型來識(shí)別這些語句對(duì)中，哪些語句對(duì)是連續(xù)的，哪些語句是不連續(xù)。

注意：作者特意說了語料的選取很關(guān)鍵，要選用document-level的而不是sentence-level的，這樣可以具備抽象連續(xù)長(zhǎng)序列特征的能力。

為了幫助模型區(qū)分開訓(xùn)練中的兩個(gè)句子，輸入在進(jìn)入模型之前要按以下方式進(jìn)行處理：

在第一個(gè)句子的開頭插入 [CLS] 標(biāo)記，在每個(gè)句子的末尾插入 [SEP] 標(biāo)記。

將表示句子 A 或句子 B 的一個(gè)句子 embedding 添加到每個(gè) token 上。

給每個(gè) token 添加一個(gè)位置 embedding，來表示它在序列中的位置。

• token Embeddings表示詞向量，第一個(gè)單詞是CLS標(biāo)志，可以用于之后的分類任務(wù)，對(duì)于非分類任務(wù)，可以忽略詞向量；

• Segment Embeddings用來區(qū)別兩種句子，因?yàn)轭A(yù)訓(xùn)練不只做語言模型還要做以兩個(gè)句子為輸入的分類任務(wù)；

• Position Embeddings是通過模型學(xué)習(xí)得到的

為了預(yù)測(cè)第二個(gè)句子是否是第一個(gè)句子的后續(xù)句子，用下面幾個(gè)步驟來預(yù)測(cè)：

整個(gè)輸入序列輸入給 Transformer 模型

用一個(gè)簡(jiǎn)單的分類層將 [CLS] 標(biāo)記的輸出變換為 2×1 形狀的向量

用 softmax 計(jì)算 IsNextSequence 的概率

在訓(xùn)練 BERT 模型時(shí)，Masked LM 和 Next Sentence Prediction 是一起訓(xùn)練的，目標(biāo)就是要最小化兩種策略的組合損失函數(shù)。

2.3?Fine-tuning (How to use BERT)

BERT可用于各種語言任務(wù)，而只需在核心模型中添加一個(gè)層:

• Classification tasks such as sentiment analysis are done similarly to Next Sentence classification, by adding a classification layer on top of the Transformer output for the [CLS] token.(在分類任務(wù)中，例如情感分析等，只需要在 Transformer 的輸出之上加一個(gè)分類層)
• In Question Answering tasks (e.g. SQuAD v1.1), the software receives a question regarding a text sequence and is required to mark the answer in the sequence. Using BERT, a Q&A model can be trained by learning two extra vectors that mark the beginning and the end of the answer.(在問答任務(wù)（例如SQUAD v1.1）中，問答系統(tǒng)需要接收有關(guān)文本序列的 question，并且需要在序列中標(biāo)記 answer。 可以使用 BERT 學(xué)習(xí)兩個(gè)標(biāo)記 answer 開始和結(jié)尾的向量來訓(xùn)練Q＆A模型)
• In Named Entity Recognition (NER), the software receives a text sequence and is required to mark the various types of entities (Person, Organization, Date, etc) that appear in the text. Using BERT, a NER model can be trained by feeding the output vector of each token into a classification layer that predicts the NER label.(在命名實(shí)體識(shí)別（NER）中，系統(tǒng)需要接收文本序列，標(biāo)記文本中的各種類型的實(shí)體（人員，組織，日期等）。 可以用 BERT 將每個(gè) token 的輸出向量送到預(yù)測(cè) NER 標(biāo)簽的分類層)

在 fine-tuning 中，大多數(shù)超參數(shù)可以保持與 BERT 相同，在論文中還給出了需要調(diào)整的超參數(shù)的具體指導(dǎo)

推薦文章：

《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》

BERT算法原理解析

BERT – State of the Art Language Model for NLP? ? ? ? ? ? ?5 分鐘入門 Google 最強(qiáng)NLP模型：BERT

3?利用預(yù)訓(xùn)練的BERT模型將句子轉(zhuǎn)換為句向量，進(jìn)行文本分類

code 尚未學(xué)習(xí)

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

總結(jié)

以上是生活随笔為你收集整理的BERT语言模型的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。