近兩年來，Bert模型非常受歡迎，大部分人都知道Bert，但卻不明白具體是什么。一句話概括來講：BERT的出現(xiàn)，徹底改變了預(yù)訓(xùn)練產(chǎn)生詞向量和下游具體NLP任務(wù)的關(guān)系，提出龍骨級的訓(xùn)練詞向量概念。

想要了解Bert，那么可能你需要先從tranformer框架了解清楚。今天我們就從Transformer到Bert進(jìn)行詳細(xì)地講解。

1. Attention

在學(xué)會 Transformer 和 Bert 之前，我們需要理解Attention和Self-Attention機(jī)制。Attention的本質(zhì)是要找到輸入的feature的權(quán)重分布，這個(gè)feature在某一個(gè)維度有一個(gè)長度的概念，如果我們輸入一個(gè)長為 n 的 feature，那么 Attention 就要學(xué)習(xí)一個(gè)長為 n 的分布權(quán)重，這個(gè)權(quán)重是由相似度計(jì)算出來的，最后返回的得分就將會是權(quán)重與feature的加權(quán)和。

1.1 Attention的計(jì)算過程

Attention的輸入是Q,K,V，返回的是一個(gè)socre，計(jì)算公式如下：

需要注意的是上述公式的下標(biāo)位置，顯然我們需要學(xué)習(xí)的權(quán)重分布是?，而和相關(guān)，就是我們希望去被找到權(quán)重的feature。

1.1.1 QKV 英文名字的含義

• Q 即為英文中 Query 是指：被查詢的序列，可以看到在每次計(jì)算相似度的過程中，Q在計(jì)算中是一直保持著整體的狀態(tài)。
• K 即為英文中 Key 是指：被查詢的索引，我們學(xué)習(xí)到的權(quán)重分布A 長度為n，那么A中每一個(gè)下標(biāo)的大小，就代表了對應(yīng)索引被分配到的權(quán)重。所以這個(gè)K，控制的是索引。

• V 即為英文中的 Value 是指：值，也就是我們feature 本身的值，他要去和權(quán)重分布做加權(quán)和來得到最終的分布。

1.1.2 相似度的計(jì)算方式

這里相似度的計(jì)算方式有很多種:

1.2 HAN中的Attention

我們首先看一下 HAN 的 Attention 中的QKV分別是如何體現(xiàn)的。

在 HAN 中，我們只有一個(gè)輸入?，輸出為?和?的加權(quán)平均，所以即為 Attention 機(jī)制中的 Value。我們把?做了一個(gè)線性變換變成了?，然后又隨機(jī)生成了一個(gè) 向量?, 一起計(jì)算?。公式為：

可以看到在公式中一直處于被查詢的狀態(tài)，即一直保持著一個(gè)整體的狀態(tài)，所以我們生成的隨機(jī)向量即為 Attention 機(jī)制中的Query 。而我們做完線性變換生成的U 給 A 生成不同索引的權(quán)重值，他即代表我們 Attention 機(jī)制中的 Key。這里用的相似度公式顯然是點(diǎn)積，而在我自己實(shí)現(xiàn)的時(shí)候遇到了點(diǎn)困難，改成了MLP實(shí)現(xiàn)法。

1.3 seq2seq中的Attention

我們的生成公式為:

可以看出，每一次生成的時(shí)候都要被更新，而在這個(gè)模型中就是 Attention 模型最終被返回的得分。

在 seq2seq模型中，我們把輸入Encoder 生成的值記為?，我們需要學(xué)習(xí)關(guān)于?的權(quán)重分布，所以?即為這里 Value，而這里的 Key 也是?他自己，他沒有像 HAN 中一樣做變換，我們每一次要查詢的 Query 是已經(jīng)生成的序列?也即為 Decoder 中生成的值 ，顯然隨著每次生成的變化這個(gè)被查詢的?會變長。這樣，由我們的?就能生成出最后的。

2. Transformer

Transformer改進(jìn)了RNN最被人詬病的訓(xùn)練慢的缺點(diǎn)，利用self-attention機(jī)制實(shí)現(xiàn)快速并行。

2.1 Self-Attention

在 Transformer 中我們要用到的 Attention 方式是 Self-Attention，它與之前的 Attention 有些許的不同。簡單的來說，它通過學(xué)習(xí)三個(gè)參數(shù)，來對同一個(gè)embedding之后的feature 進(jìn)行轉(zhuǎn)換，將他線性轉(zhuǎn)換成Q、K、V?之后計(jì)算出這句話的 Attention 得分。名字中的Self 體現(xiàn)的是所有的Q、K、V?都是由輸入自己生成出來的。

歸一化：權(quán)重分布在歸一化前，要除以輸入矩陣的第一維開根號，這會讓梯度更穩(wěn)定。這里也可以使用其它值，8只是默認(rèn)值，再進(jìn)行softmax。

返回：這里返回的值和輸入的長度維度是一樣的，每一個(gè)單詞對應(yīng)的輸出是所有單詞對于當(dāng)前單詞的權(quán)重分布與Value得分的加權(quán)和。所以他有多少個(gè)單詞，就做了多少次Attention 得分，這就是self-Attention 。

2.2 模型結(jié)構(gòu)

• Transformer：Input(Embedding)→Encoder ×6 → Decoder×6 → output
• Encoder：Multi-headed attention → Add&Norm → Feed Forward → Add&Norm

• Decoder：Multi-headed attention → Add&Norm → Encoder-Decoder-Attention → Add&Norm → Feed Forward → Add&Norm

• Multi-headed attention：Self-Attention×8

其中Encoder-Decoder-Attention即為seq2seq 中的Attention 結(jié)構(gòu)，K和V 為Encoder頂層的output。

2.3 Multi-headed attention（多頭怪）

Self-Attention 生成了一組，而多頭怪生成了 8組?，在實(shí)際的過程中，最后需要把這8組進(jìn)行concat（拼接）。

需要注意的是 Decoder 端的多頭 self-attention 需要做mask，因?yàn)樗陬A(yù)測時(shí)，是“看不到未來的序列的”，所以要將當(dāng)前預(yù)測的單詞(token)及其之后的單詞(token)全部mask掉。使用多頭機(jī)制可以理解為CNN中同時(shí)使用多個(gè)卷積核。

代碼實(shí)現(xiàn)在pytorch中很簡單，直接調(diào)包即可：第0維是長度，第一維是batchsize。

## nn.MultiheadAttention 輸入第0維為lengthquery = torch.rand(12,64,300)key = torch.rand(10,64,300)value= torch.rand(10,64,300)multihead_attn = nn.MultiheadAttention(embed_dim, num_heads)multihead_attn(query, key, value)[0].shape# output: torch.Size([12, 64, 300])

可以考慮實(shí)現(xiàn)一個(gè)第0維是 batchsize 的 MultiheadAttention：

class MultiheadAttention(nn.Module):    def __init__(self, hid_dim, n_heads, dropout):        super(MultiheadAttention,self).__init__()        self.hid_dim = hid_dim        self.n_heads = n_heads
        assert hid_dim % n_heads == 0 # d_model // h 是要能整除        self.w_q = nn.Linear(hid_dim, hid_dim)        self.w_k = nn.Linear(hid_dim, hid_dim)        self.w_v = nn.Linear(hid_dim, hid_dim)        self.fc = nn.Linear(hid_dim, hid_dim)        self.do = nn.Dropout(dropout)        self.scale = torch.sqrt(torch.FloatTensor([hid_dim // n_heads]))
    def forward(self, query, key, value, mask=None):        bsz = query.shape[0]        Q = self.w_q(query)        K = self.w_k(key)        V = self.w_v(value)        Q = Q.view(bsz, -1, self.n_heads, self.hid_dim //                   self.n_heads).permute(0, 2, 1, 3)        K = K.view(bsz, -1, self.n_heads, self.hid_dim //                   self.n_heads).permute(0, 2, 1, 3)        V = V.view(bsz, -1, self.n_heads, self.hid_dim //                   self.n_heads).permute(0, 2, 1, 3)
        # Q, K相乘除以scale，這是計(jì)算scaled dot product attention的第一步        energy = torch.matmul(Q, K.permute(0, 1, 3, 2)) / self.scale
        # 如果沒有mask，就生成一個(gè)        if mask is not None:            energy = energy.masked_fill(mask == 0, -1e10)
        # 然后對Q,K相乘的結(jié)果計(jì)算softmax加上dropout，這是計(jì)算scaled dot product attention的第二步：        attention = self.do(torch.softmax(energy, dim=-1))
        # 第三步，attention結(jié)果與V相乘        x = torch.matmul(attention, V)
        # 最后將多頭排列好，就是multi-head attention的結(jié)果了        x = x.permute(0, 2, 1, 3).contiguous()        x = x.view(bsz, -1, self.n_heads * (self.hid_dim // self.n_heads))        x = self.fc(x)        return x

測試結(jié)果符合預(yù)期：

## 構(gòu)造的 輸入第0維為batchquery = torch.rand(64,12,300)key = torch.rand(64,10,300)value= torch.rand(64,10,300)tran=MultiheadAttention(hid_dim=300, n_heads=6, dropout=0.1)tran(query, key, value).shape## output: torch.Size([64, 12, 300])

2.4 使用位置編碼表示序列的順序

將位置向量添加到詞嵌入中使得它們在接下來的運(yùn)算中，能夠更好地表達(dá)的詞與詞之間的距離（因?yàn)?Self-Attention 本身是并行的，沒有學(xué)習(xí)位置信息）。原始論文里描述了位置編碼的公式，使用了使用不同頻率的正弦和余弦，因?yàn)槿枪讲皇苄蛄虚L度的限制，也就是可以對比之前遇到序列的更長的序列進(jìn)行表示。

2.5 Add&Norm（殘差模型）

殘差模塊就是一個(gè)殘差連接，并且都跟隨著一個(gè)“層歸一化”步驟。其中Norm 指的是 Layer Normalization，在 torch 中也很方便調(diào)用。

3. Bert

Bert模型的定位是一個(gè)預(yù)訓(xùn)練模型，同等級的應(yīng)該是NNLM，Word2vec，Glove，GPT，還有ELMO。模型具體的解釋不是本文關(guān)注重點(diǎn)，這里同樣采用簡單概述。

3.1 預(yù)訓(xùn)練模型分類

• 非語言模型：Word2vec，Glove

• 語言模型：GPT，NNLM，ELMO，Bert。

  其中NNLM是不考慮上下文（單向）的，而ELMO和Bert是考慮上下文（雙向）的模型。

3.2 不同模型的建模

3.2.1 NNLM

其全稱為Nerual Network Language Model

目標(biāo)函數(shù)為用前t-1個(gè)單詞，預(yù)測第t個(gè)單詞，即最大化：

3.2.2 ELMO

Elmo的全稱為Embedding from Language Models，ELMO是根據(jù)上下文單詞的語義去動態(tài)調(diào)整單詞的Word Embedding表示，解決了多義詞的問題，采用的機(jī)制為雙層雙向LSTM。

目標(biāo)函數(shù)

ELMo是分別以

和

作為目標(biāo)函數(shù)，獨(dú)立訓(xùn)練處兩個(gè)representation然后進(jìn)行拼接。

詞的表示

由于采用了雙層雙向LSTM，所以網(wǎng)絡(luò)中有三層Word Embedding，給予這三個(gè)Embedding中的每一個(gè)Embedding一個(gè)權(quán)重，這個(gè)權(quán)重可以學(xué)習(xí)得來，根據(jù)各自權(quán)重累加求和，將三個(gè)Embedding整合成一個(gè)Embedding。

理解：第一層LSTM學(xué)習(xí)到了句法信息，所以可以用這種方式解決一詞多義。

ELMO兩階段過程

• 第一個(gè)階段是語言模型進(jìn)行預(yù)訓(xùn)練；
• 第二個(gè)階段是在做下游任務(wù)時(shí)，從預(yù)訓(xùn)練網(wǎng)絡(luò)中提取對應(yīng)單詞的網(wǎng)絡(luò)各層的Word Embedding作為新特征補(bǔ)充到下游任務(wù)中。

3.2.3 GPT

GPT全稱為Generative Pre-Training，它和ELMO類似都使用了Transformer，但與ELMO不同的是采用了單向的語言模型，也即只采用單詞的上文來進(jìn)行預(yù)測。其余與ELMO幾乎一樣這里就不展開介紹了。

3.2.4 BERT

BERT 在 GPT 的基礎(chǔ)上使用了雙向的Transformer block連接，為了適配多任務(wù)下的遷移學(xué)習(xí)，BERT設(shè)計(jì)了更通用的輸入層和輸出層。

BERT兩階段過程

第一階段雙向語言模型預(yù)訓(xùn)練，第二階段采用具體任務(wù)Fine-tuning。

目標(biāo)函數(shù)

BERT預(yù)訓(xùn)練模型分為以下三個(gè)步驟：Embedding、Masked LM、Next Sentence Prediction

Embedding

• Token Embeddings：是詞向量，第一個(gè)單詞是CLS標(biāo)志，可以用于之后的分類任務(wù)

• Segment Embeddings：將句子分為兩段，用來區(qū)別兩種句子，因?yàn)轭A(yù)訓(xùn)練不光做LM還要做以兩個(gè)句子為輸入的分類任務(wù)

• Position Embeddings：和之前文章中的Transformer不一樣，不是三角函數(shù)而是學(xué)習(xí)出來的

Masked LM

隨機(jī)mask每一個(gè)句子中15%的詞，用其上下文來做預(yù)測。采用非監(jiān)督學(xué)習(xí)的方法預(yù)測mask位置的詞。在這15%中，80%是采用[mask]，10%是隨機(jī)取一個(gè)詞來代替mask的詞，10%保持不變。

Next Sentence Prediction

用A+B/C來作為樣本：選擇一些句子對A與B，其中50%的數(shù)據(jù)B是A的下一條句子，剩余50%的數(shù)據(jù)B是語料庫中隨機(jī)選擇的，學(xué)習(xí)其中的相關(guān)性，添加這樣的預(yù)訓(xùn)練的目的是目前很多NLP的任務(wù)比如QA和NLI都需要理解兩個(gè)句子之間的關(guān)系，從而能讓預(yù)訓(xùn)練的模型更好的適應(yīng)這樣的任務(wù)。

Bert的優(yōu)缺點(diǎn)

• Bert 對硬件資源的消耗巨大，大模型需要16個(gè)tpu，歷時(shí)四天；更大的模型需要64個(gè)tpu，歷時(shí)四天。
• Bert 最大的亮點(diǎn)在于效果好及普適性強(qiáng)，幾乎所有NLP任務(wù)都可以套用Bert這種兩階段解決思路，而且效果應(yīng)該會有明顯提升。