NLP之不简单笔记：啥是BERT

目录

• 1. what is BERT？
• 2. Structure
• 2.1 self-attention
• 2.2 multi-head
• 2.3 Positional encoding and Positional embeddings
• 3. Pre-training and finetune
• 3.1 pre-training
• 3.2 fine-tune
• 4. Example and practise
• 4.1 下载bert的预训练中文模型
• 4.2 single sentence
• 4.3 two sentences
• 4.4 总结

1. what is BERT？

啥是bert呢？

• BERT（Bidirectional Encoder Representation from Transformers）：即 Transformers的编码器。

啥是Transformers呢？

• seq2seq model with “self-attention”：即拥有自注意力机制的seq2seq模型。

啥是seq2seq model呢？

• seq2seq是RNN的变种，是一种N VS M（就是输入跟输出的维度可以不同的意思）的模型，这种结构又叫Encoder-Decoder模型，也可以称之为seq2seq模型，常用于机器翻译等。

Transformers的结构图如下所示，而BERT就是左边的encoder部分。

2. Structure

（下面的介绍主要贴上李宏毅老师的ppt截图，写的很好，我就不重新画了，hiahiahia~~~）

2.1 self-attention

流程：

• step1：输入x1, x2, x3, x4 ，记为X
• step2：经过编码得到a1, a2, a3, a4，记为I
• step3：a1, a2, a3, a4通过self-attention得到输出b1, b2, b3, b4，记为O

self-attention具体计算过程

1. X经过编码得到I；

2. I通过三个权值矩阵，分别生成q1, q2, q3, q4（记为Q），k1, k2, k3, k4（记为K）, v1, v2, v3, v3（记为V）；
   Q：用于匹配特征
   K：被匹配的特征
   V：被提取的特征

3. 拿每个q去对每个k做attention（除以根号d是为了消除维度大小对点积的影响）。
   以q1为例：
   1） q1跟k1, k2, k3, k4分别作点积，得到$\alpha11$α11，$\alpha12$α12，$\alpha13$α13，$\alpha14$α14；
   

   2）$\alpha11$α11，$\alpha12$α12，$\alpha13$α13，$\alpha14$α14经过softmax得到\dot{x}，得到，$\alpha'11$α′11， $\alpha'12$α′12，$\alpha'13$α′13，$\alpha'14$α′14（帽子符号不知道咋打，用’替代吧-_-||）；
   

   3）$\alpha'11$α′11， $\alpha'12$α′12，$\alpha'13$α′13，$\alpha'14$α′14再分别跟v1, v2, v3, v4相乘求和，得到b1;
   
   同理，得到b2, b3, b4
   
   总而言之，self-attention其实就是一堆矩阵的运算，所以可用GPU加速。
   

2.2 multi-head

多头机制过程：

1. 编码后的I，跟多个权值矩阵运算，生成多个q, k, v

2. 多个头就能生成多个b

3. 再把这些b concat起来，跟一个全连接成相乘（concat之后维度变多了，这样做起到一个降维效果，保持维度一致），得到最后的b。

（multi-head机制可以理解为，用不同的头去提取不同的信息，类似与CNN中的不同卷积核）

2.3 Positional encoding and Positional embeddings

从2.1节中可以看出，self-attention的计算中，每个b的计算是并行处理的，每个b的同时得出的，这样子就少了位置信息。（每个位置都是同时计算的）。

因此Transformers的作者就引入了位置信息，BERT虽然是Transformers的Encoder部分，但是两者的位置信息计算方法是不同的。

Transformers中利用positional encoding计算：

BERT使用学习的Positional Embeddings

打印bert结构，可以看到位置参数为512 * 768 = 393216，即每个位置用一个768维的向量表示。

3. Pre-training and finetune

3.1 pre-training

pre-training主要有两个机制：Masked LM 和 Next Sentence Prediction（NSP）

• Masked LM

1. 句子中的词汇有15%的可能性被mask掉
2. 预测被mask掉的词汇
   

• Next Sentence Prediction

1. 输入两个句子，判断两个句子是否关联
2. [CLS]为分类向量符，[SEP]句子分隔符
   

3.2 fine-tune

(a) 输入两个句子，利用[CLS]输出的特征，接个分类器，判断两个句子的关系；
(b)单个句子分类，输入一个句子，也是利用[CLS]输出的特征，接个分类器，判断该句子的类别。具体应用如情感分类，又如淘宝评论是好评还是差评等；
©问答任务，其实就是阅读理解，输入一个问题，和一段文本，从文本中找出该问题的答案。具体做法是，找到答案在文本中的起始位置和结束位置；
(d)单个句子的词性判断，具体应用如命名实体识别等。

4. Example and practise

这一部分主要通过代码的实际操作，来加深对BERT的理解。
主要环境：keras，keras_bert

4.1 下载bert的预训练中文模型

4.2 single sentence

假设输入的是：广州

变量说明：
token_ids：就是每个字在字典中（vocab.txt）的位置;
segment_ids: 表示输入的句子是属于第一个句子还是第二个句子，第一个句子则用0表示，第二个句子用1表示；
[CLS]和[SEP]：对于输入，bert会在文本前插入[CLS]分类符，尾部加入[SEP]分隔符，这两个符号在字典中也有对应的索引。

4.3 two sentences

假设输入的是两个句子：“广州” 和 “你好”
同理，可得：

4.4 总结

以输入“广州”为例进行说明:
（1）在输入文本中，插入[CLS]和[SEP]符；
（2）转换为token_ids和segment_ids；
（3）token_ids和segment_ids再转换为token_embeddings、seg_embeddings，再结合位置信息postion_embeddings，三者的维度一致，进行相加，得到上面2.1节所说输入a1, a2, a3, a4(即I)；
（4）I经过self-attention和multi-head得到输出b1, b2, b3, b4，在经过ADD、NORM、FEED-FORWARD操作，得到特征1，2，3，4，如下图所示黄色部分；
（5）1，2，3，4特征分别为[CLS]、广、州、[SEP]对应的特征。

这就是BERT的计算过程，把文本转换成了特征。有了特征之后，就可以利用这些特征去完成各自需要的任务了。

结束。