BERT模型总结

时间:2020-02-03 ffjsls 人气:3

BERT模型总结

前言

BERT是在Google论文《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》中被提出的，是一个面向NLP的无监督预训练模型，并在多达11个任务上取得了优秀的结果。这个模型的最大意义是使得NLP任务可以向CV一样使用与训练模型，这极大的方便了一个新的任务开始，因为在NLP领域，海量数据的获取还是有难度的。

模型概述：BERT是一个无监督的NLP与训练模型，结构上是Transformer的编码部分，每个block主要由多头self-Attention、标准化(Norm)、残差连接、Feed Fordawrd组成。在具体任务中，主要分为模型预训练和模型微调两个阶段。在模型预训练阶段，因为模型参数巨大，通常是上千万乃至上亿的数量级，所以需要大量的数据训练，所幸这时候模型是无监督的，只需要爬取或使用开源数据集即可；在模型微调阶段，需要针对具体的任务来微调模型，已达到较好的效果。

1. 模型整体结构

Bert就是Transformer的编码部分，下图是Transformer的具体结构：

上图左侧为Transformer的编码部分，右侧为Transformer的解码部分，本文主要以编码部分详细讲解Bert的结构。左侧的编码部分包括输入，添加位置编码，以self-Attention、Add&Norm、Feed Fordward的block。下面就每个具体细节进行具体分析。

2. 位置编码

位置编码是用来捕获文本之间的时序关联性的，例如打开现在热度第一的新闻的第一句话：“重庆主城区一栋30层的居民楼发生大火，造成百余名群众被困，重庆市政府迅速调集消防、公安、卫生等数百名人员赶赴现场施救。”其中，“重庆市”与“主城区”相关度最高，位置最近。当对NLP文本处理时，位置更近的文本一般相关性更大，所以将位置编码融入到数据中是很有必要的。需要要说明的是与Bert这种全部基于Attention不同的是，之前基于RNN的模型在模型结构上已经可以将这种时序信息考虑在内。

在具体处理方式上，采用的是Embedding+Positional的方法，将数据之间的关联性融入到数据中。Embedding是嵌入到相应维度的文本数据，Positional在论文中使用了$sine$和$cosine$函数的线性变换来提供模型的位置信息，公式如下：
\[ PE_{(pos,2i)}=sin(pos/10000^{2ihttps://img.qb5200.com/download-x/d_{model}})\\PE_{(pos,2i+1)}=cos(pos/10000^{2ihttps://img.qb5200.com/download-x/d_{model}}) \tag{1} \]
那为何加了位置编码就能获取数据间位置的特征呢？在self-attention的结构中，在对每维数据计算权重时，是采用点积的形式，本质上就是计算向量之间的相关性。而位置编码将临近的数据加上频率接近的位置编码，就是增加了相邻数据的相关性。下图是位置编码向量的热图，可以看出距离越近，频率就更加接近。

3. self-Attention

self-attention是BERT的重要思想，其与位置编码结合，解决了文本数据的时序相关性的问题，从而一举结束了依靠RNN、LSTM、GRU等之前一直用来解决时序问题的网络模型。self-attention通俗的说就是信息向前传播时动态的计算权重的一种方式，与CNN常见的MaxPooling、MeanPooling不同的是，attention模型是经过训练，当不同信息传入时，自动的调整权重的一种结构。self-attention的具体结构如下图所示：

具体的，将上图的过程进行详细的解释，主要是拆分成4个步骤：

1）$x^1, x^2, x^3, x^4$代表的是经过embedding的4条时序文本信息，首先将4条信息加上位置向量，得到$a^1, a^2,a^3, a^4$，这样做的目的上文已经说过，是为了获取文本的时序相关性。

2) 对每条信息分配三个权重$W_Q, W_K, W_V (embed.dim*embed.dim)$，分别与$a^1, a^2, a^3, a^4$相乘后形成3个矩阵$Q, K, V$也就是上图的$q^i, k^i, v^i$。
\[ Q = Linear(a^1) = a^iW^Q\\ K = Linear(a^1) = a^iW^K \\ V = Linear(a^1) = a^iW^V \]
3) 将$q_1$分别与$k^1, k^2, ...,k^i$点乘，得到$\alpha_{1, i}$，再有softmax的计算公式，计算得$\hat\alpha_{1, i}$。
\[ \alpha_{1, i} = q^1*k^i\\ \hat\alpha_{1, i} = exp(\alpha_{1, i})/\sum_j{exp(\alpha_{1, j})} \]
4）最后按照softmax输出的权重对$V$进行加权，计算得$b^1$。使用同样的方法计算得$b^2, b^3, ...,b^i$。将$b^1, b^2, b^3, ...,b^i$进行合并，完成self-attention。
\[ b^1 = \sum_i\hat{\hat\alpha_{1, i}*v^i} \]

4. 残差连接

残差连接是训练深层模型时惯用的方法，主要是为了避免模型较深时，在进行反向传播时，梯度消失等问题。具体实现时，当网络进行前向传播时，不仅仅时按照网络层数进行逐层传播，还会由当前层隔一层或多层向前传播，如下图所示：

5. 模型实现

以上是BERT的整体结构，Input输入的是文本数据，经过Embedding加上位置向量Positional Encoding。Multi-Head Atention为多头的self-Attention，实际上就是将self-attention的Q、K、V均分成n份，分别进行计算。Add&Norm为残差计算和标准化；Feedward为全连接层，进行前向传播。其中$N_x$为基本单元的个数，是可以条调整的超参数。

6. Bert模型预训练策略

在预训练Bert模型时，论文提供了两种策略：

(1) Masked LM

在BERT中, Masked LM(Masked language Model)构建了语言模型, 这也是BERT的预训练中任务之一, 简单来说, 就是随机遮盖或替换一句话里面任意字或词, 然后让模型通过上下文的理解预测那一个被遮盖或替换的部分, 之后做 $Loss$ 的时候只计算被遮盖部分的 $Loss$ , 其实是一个很容易理解的任务, 实际操作方式如下:

随机把一句话中 $15 \%$ 的 $token$ 替换成以下内容:
1) 这些 $token$ 有 $80 \%$ 的几率被替换成 $[mask]$ ;
2) 有 $10 \%$ 的几率被替换成任意一个其他的 $token$ ;
3) 有 $10 \%$ 的几率原封不动.
之后让模型预测和还原被遮盖掉或替换掉的部分, 模型最终输出的隐藏层的计算结果的维度是:
$X_{hidden}: [batch\_size, \ seq\_len, \ embedding\_dim]$
我们初始化一个映射层的权重 $W_{vocab}$ :
$W_{vocab}: [embedding\_dim, \ vocab\_size]$
我们用 $W_{vocab}$ 完成隐藏维度到字向量数量的映射, 只要求 $X_{hidden}$ 和 $W_{vocab}$ 的矩阵乘(点积):
$X_{hidden}W_{vocab}: [batch\_size, \ seq\_len, \ vocab\_size]$ 之后把上面的计算结果在 $vocab\_size$ (最后一个)维度做 $softmax$ 归一化, 是每个字对应的 $vocab\_size$ 的和为 $1$ , 我们就可以通过 $vocab\_size$ 里概率最大的字来得到模型的预测结果, 就可以和我们准备好的 $Label$ 做损失( $Loss$ )并反传梯度了.
注意做损失的时候, 只计算在第1步里当句中随机遮盖或替换的部分, 其余部分不做损失, 对于其他部分, 模型输出什么东西, 我们不在意.

(2) Next Sentence Predict(NSP)

首先我们拿到属于上下文的一对句子, 也就是两个句子, 之后我们要在这两段连续的句子里面加一些特殊 $token$ :$[cls]$上一句话，$[sep]$下一句话$[sep]$。
也就是在句子开头加一个 $[cls]$ , 在两句话之中和句末加 $[sep]$ , 具体地就像下图一样:

我们看到上图中两句话是 $[cls]$ my dog is cute $[sep]$ he likes playing $[sep]$ , $[cls]$ 我的狗很可爱 $[sep]$ 他喜欢玩耍 $[sep]$ , 除此之外, 我们还要准备同样格式的两句话, 但他们不属于上下文关系的情况;
$[cls]$ 我的狗很可爱 $[sep]$ 企鹅不擅长飞行 $[sep]$ , 可见这属于上下句不属于上下文关系的情况;
在实际的训练中, 我们让上面两种情况出现的比例为 $1:1$ , 也就是一半的时间输出的文本属于上下文关系, 一半时间不是.
我们进行完上述步骤之后, 还要随机初始化一个可训练的 $segment \ embeddings$ , 见上图中, 作用就是用 $embeddings$ 的信息让模型分开上下句, 我们一把给上句全 $0$ 的 $token$ , 下句啊全 $1$ 的 $token$ , 让模型得以判断上下句的起止位置, 例如:
$[cls]$ 我的狗很可爱 $[sep]$ 企鹅不擅长飞行 $[sep]$
$0 \quad \ 0 \ \ 0 \ \ 0 \ \ 0 \ \ 0 \ \ 0 \ \ 0 \ \ \ 1 \ \ 1 \ \ 1 \ \ 1 \ \ 1 \ \ 1 \ \ 1 \ \ 1$
上面 $0$ 和 $1$ 就是 $segment \ embeddings$ .
还记得我们上节课说过的, 注意力机制就是, 让每句话中的每一个字对应的那一条向量里, 都融入这句话所有字的信息, 那么我们在最终隐藏层的计算结果里, 只要取出 $[cls]token$ 所对应的一条向量, 里面就含有整个句子的信息, 因为我们期望这个句子里面所有信息都会往 $[cls]token$ 所对应的一条向量里汇总:
模型最终输出的隐藏层的计算结果的维度是:
我们 $X_{hidden}: [batch\_size, \ seq\_len, \ embedding\_dim]$
我们要取出 $[cls]token$ 所对应的一条向量, $[cls]$ 对应着 $\ seq\_len$ 维度的第 $0$ 条:
$cls\_vector = X_{hidden}[:, \ 0, \ :]$
$cls\_vector \in \mathbb{R}^{batch\_size, \ embedding\_dim}$
之后我们再初始化一个权重, 完成从 $embedding\_dim$ 维度到 $1$ 的映射, 也就是逻辑回归, 之后用 $sigmoid$ 函数激活, 就得到了而分类问题的推断.
我们用 $\hat{y}$ 来表示模型的输出的推断, 他的值介于 $(0, \ 1)$ 之间:
$\hat{y} = sigmoid(Linear(cls\_vector)) \quad \hat{y} \in (0, \ 1)$

参考内容：

[1] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]//Advances in neural information processing systems. 2017: 5998-6008.

[2] Devlin J, Chang M W, Lee K, et al. Bert: Pre-training of deep bidirectional transformers for language understanding[J]. arXiv preprint arXiv:1810.04805, 2018.

[3] https://github.com/aespresso/a_journey_into_math_of_ml

加载全部内容