一、前言

2018 年是機(jī)器學(xué)習(xí)模型處理文本（或者更準(zhǔn)確地說(shuō)，自然語(yǔ)言處理或 NLP）的轉(zhuǎn)折點(diǎn)。我們對(duì)這些方面的理解正在迅速發(fā)展：如何最好地表示單詞和句子，從而最好地捕捉基本語(yǔ)義和關(guān)系？此外，NLP 社區(qū)已經(jīng)發(fā)布了非常強(qiáng)大的組件，你可以免費(fèi)下載，并在自己的模型和 pipeline 中使用（今年可以說(shuō)是 NLP 的 ImageNet 時(shí)刻，這句話指的是多年前類似的發(fā)展也加速了 機(jī)器學(xué)習(xí)在計(jì)算機(jī)視覺任務(wù)中的應(yīng)用）。

ULM-FiT 與 Cookie Monster（餅干怪獸）無(wú)關(guān)。但我想不出別的了...

BERT的發(fā)布是這個(gè)領(lǐng)域發(fā)展的最新的里程碑之一，這個(gè)事件標(biāo)志著NLP 新時(shí)代的開始。BERT模型打破了基于語(yǔ)言處理的任務(wù)的幾個(gè)記錄。在 BERT 的論文發(fā)布后不久，這個(gè)團(tuán)隊(duì)還公開了模型的代碼，并提供了模型的下載版本，這些模型已經(jīng)在大規(guī)模數(shù)據(jù)集上進(jìn)行了預(yù)訓(xùn)練。這是一個(gè)重大的發(fā)展，因?yàn)樗沟萌魏我粋€(gè)構(gòu)建構(gòu)建機(jī)器學(xué)習(xí)模型來(lái)處理語(yǔ)言的人，都可以將這個(gè)強(qiáng)大的功能作為一個(gè)現(xiàn)成的組件來(lái)使用，從而節(jié)省了從零開始訓(xùn)練語(yǔ)言處理模型所需要的時(shí)間、精力、知識(shí)和資源。

BERT 開發(fā)的兩個(gè)步驟：第 1 步，你可以下載預(yù)訓(xùn)練好的模型（這個(gè)模型是在無(wú)標(biāo)注的數(shù)據(jù)上訓(xùn)練的）。然后在第 2 步只需要關(guān)心模型微調(diào)即可。

你需要注意一些事情，才能理解 BERT 是什么。因此，在介紹模型本身涉及的概念之前，讓我們先看看如何使用 BERT。

二、示例：句子分類

使用 BERT 最直接的方法就是對(duì)一個(gè)句子進(jìn)行分類。這個(gè)模型如下所示：

為了訓(xùn)練這樣一個(gè)模型，你主要需要訓(xùn)練分類器（上圖中的 Classifier），在訓(xùn)練過(guò)程中 幾乎不用改動(dòng)BERT模型。這個(gè)訓(xùn)練過(guò)程稱為微調(diào)，它起源于Semi-supervised Sequence Learning 和 ULMFiT。

由于我們?cè)谟懻摲诸惼?，這屬于機(jī)器學(xué)習(xí)的監(jiān)督學(xué)習(xí)領(lǐng)域。這意味著我們需要一個(gè)帶有標(biāo)簽的數(shù)據(jù)集來(lái)訓(xùn)練這樣一個(gè)模型。例如，在下面這個(gè)垃圾郵件分類器的例子中，帶有標(biāo)簽的數(shù)據(jù)集包括一個(gè)郵件內(nèi)容列表和對(duì)應(yīng)的標(biāo)簽（每個(gè)郵件是“垃圾郵件”或者“非垃圾郵件”）。

其他一些例子包括：

1）語(yǔ)義分析

輸入：電影或者產(chǎn)品的評(píng)價(jià)。輸出：判斷這個(gè)評(píng)價(jià)是正面的還是負(fù)面的。

數(shù)據(jù)集示例：SST （https://nlp.stanford.edu/sentiment）

2）Fact-checking

輸入：一個(gè)句子。輸出：這個(gè)句子是不是一個(gè)斷言

參考視頻：https://www.youtube.com/watch?v=ddf0lgPCoSo

三、模型架構(gòu)

現(xiàn)在你已經(jīng)通過(guò)上面的例子，了解了如何使用 BERT，接下來(lái)讓我們更深入地了解一下它的工作原理。

論文里介紹了兩種不同模型大小的 BERT：

BERT BASE - 與 OpenAI 的 Transformer 大小相當(dāng)，以便比較性能

BERT LARGE - 一個(gè)非常巨大的模型，它取得了最先進(jìn)的結(jié)果

BERT 基本上是一個(gè)訓(xùn)練好的 Transformer 的 decoder 的棧。關(guān)于 Transformer 的介紹，可以閱讀之前的文章《 圖解Transformer（完整版）！》，這里主要介紹 Transformer 模型，這是 BERT 中的一個(gè)基本概念。此外，我們還會(huì)介紹其他一些概念。

2 種不同大小規(guī)模的 BERT 模型都有大量的 Encoder 層（論文里把這些層稱為 Transformer Blocks）- BASE 版本由 12 層 Encoder，Large 版本有 20 層 Encoder。同時(shí)，這些 BERT 模型也有更大的前饋神經(jīng)網(wǎng)絡(luò)（分別有 768 個(gè)和 1024 個(gè)隱藏層單元）和更多的 attention heads（分別有 12 個(gè)和 16 個(gè)），超過(guò)了原始 Transformer 論文中的默認(rèn)配置參數(shù)（原論文中有 6 個(gè) Encoder 層， 512 個(gè)隱藏層單元和 8 個(gè) attention heads）。

四、模型輸入

第一個(gè)輸入的 token 是特殊的 [CLS]，它 的含義是分類（class的縮寫）。

就像 Transformer 中普通的 Encoder 一樣，BERT 將一串單詞作為輸入，這些單詞在 Encoder 的棧中不斷向上流動(dòng)。每一層都會(huì)經(jīng)過(guò) Self Attention 層，并通過(guò)一個(gè)前饋神經(jīng)網(wǎng)絡(luò)，然后將結(jié)果傳給下一個(gè) Encoder。

在模型架構(gòu)方面，到目前為止，和 Transformer 是相同的（除了模型大小，因?yàn)檫@是我們可以改變的參數(shù)）。我們會(huì)在下面看到，BERT 和 Transformer 在模型的輸出上有一些不同。

五、模型輸出

每個(gè)位置輸出一個(gè)大小為 hidden_size（在 BERT Base 中是 768）的向量。對(duì)于上面提到的句子分類的例子，我們只關(guān)注第一個(gè)位置的輸出（輸入是 [CLS] 的那個(gè)位置）。

這個(gè)輸出的向量現(xiàn)在可以作為后面分類器的輸入。論文里用單層神經(jīng)網(wǎng)絡(luò)作為分類器，取得了很好的效果。

如果你有更多標(biāo)簽（例如你是一個(gè)電子郵件服務(wù)，需要將郵件標(biāo)記為 “垃圾郵件”、“非垃圾郵件”、“社交”、“推廣”），你只需要調(diào)整分類器的神經(jīng)網(wǎng)絡(luò)，增加輸出的神經(jīng)元個(gè)數(shù)，然后經(jīng)過(guò) softmax 即可。

六、與卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比

對(duì)于那些有計(jì)算機(jī)視覺背景的人來(lái)說(shuō)，這個(gè)向量傳遞過(guò)程，會(huì)讓人聯(lián)想到 VGGNet 等網(wǎng)絡(luò)的卷積部分，和網(wǎng)絡(luò)最后的全連接分類部分之間的過(guò)程。

七、詞嵌入（Embedding）的新時(shí)代

上面提到的這些新發(fā)展帶來(lái)了文本編碼方式的新轉(zhuǎn)變。到目前為止，詞嵌入一直是 NLP 模型處理語(yǔ)言的主要表示方法。像 Word2Vec 和 Glove 這樣的方法已經(jīng)被廣泛應(yīng)用于此類任務(wù)。在我們討論新的方法之前，讓我們回顧一下它們是如何應(yīng)用的。

7.1 回顧詞嵌入

單詞不能直接輸入機(jī)器學(xué)習(xí)模型，而需要某種數(shù)值表示形式，以便模型能夠在計(jì)算中使用。通過(guò) Word2Vec，我們可以使用一個(gè)向量（一組數(shù)字）來(lái)恰當(dāng)?shù)乇硎締卧~，并捕捉單詞的語(yǔ)義以及單詞和單詞之間的關(guān)系（例如，判斷單詞是否相似或者相反，或者像 "Stockholm" 和 "Sweden" 這樣的一對(duì)詞，與 "Cairo" 和 "Egypt"這一對(duì)詞，是否有同樣的關(guān)系）以及句法、語(yǔ)法關(guān)系（例如，"had" 和 "has" 之間的關(guān)系與 "was" 和 "is" 之間的關(guān)系相同）。

人們很快意識(shí)到，相比于在小規(guī)模數(shù)據(jù)集上和模型一起訓(xùn)練詞嵌入，更好的一種做法是，在大規(guī)模文本數(shù)據(jù)上預(yù)訓(xùn)練好詞嵌入，然后拿來(lái)使用。因此，我們可以下載由 Word2Vec 和 GloVe 預(yù)訓(xùn)練好的單詞列表，及其詞嵌入。下面是單詞 "stick" 的 Glove 詞嵌入向量的例子（詞嵌入向量長(zhǎng)度是 200）。

單詞 "stick" 的 Glove 詞嵌入 - 一個(gè)由200個(gè)浮點(diǎn)數(shù)組成的向量（四舍五入到小數(shù)點(diǎn)后兩位）。

由于這些向量都很長(zhǎng)，且全部是數(shù)字，所以在文章中我使用以下基本形狀來(lái)表示向量：

7.2 ELMo：語(yǔ)境問(wèn)題

如果我們使用 Glove 的詞嵌入表示方法，那么不管上下文是什么，單詞 "stick" 都只表示為同一個(gè)向量。一些研究人員指出，像 "stick" 這樣的詞有多種含義。為什么不能根據(jù)它使用的上下文來(lái)學(xué)習(xí)對(duì)應(yīng)的詞嵌入呢？這樣既能捕捉單詞的語(yǔ)義信息，又能捕捉上下文的語(yǔ)義信息。于是，語(yǔ)境化的詞嵌入模型應(yīng)運(yùn)而生。

語(yǔ)境化的詞嵌入，可以根據(jù)單詞在句子語(yǔ)境中的含義，賦予不同的詞嵌入。你可以查看這個(gè)視頻 RIP Robin Williams（https://zhuanlan.zhihu.com/RIP Robin Williams）

ELMo 沒有對(duì)每個(gè)單詞使用固定的詞嵌入，而是在為每個(gè)詞分配詞嵌入之前，查看整個(gè)句子，融合上下文信息。它使用在特定任務(wù)上經(jīng)過(guò)訓(xùn)練的雙向 LSTM 來(lái)創(chuàng)建這些詞嵌入。

ELMo 在語(yǔ)境化的預(yù)訓(xùn)練這條道路上邁出了重要的一步。ELMo LSTM 會(huì)在一個(gè)大規(guī)模的數(shù)據(jù)集上進(jìn)行訓(xùn)練，然后我們可以將它作為其他語(yǔ)言處理模型的一個(gè)部分，來(lái)處理自然語(yǔ)言任務(wù)。

那么 ELMo 的秘密是什么呢？

ELMo 通過(guò)訓(xùn)練，預(yù)測(cè)單詞序列中的下一個(gè)詞，從而獲得了語(yǔ)言理解能力，這項(xiàng)任務(wù)被稱為語(yǔ)言建模。要實(shí)現(xiàn) ELMo 很方便，因?yàn)槲覀冇写罅课谋緮?shù)據(jù)，模型可以從這些數(shù)據(jù)中學(xué)習(xí)，而不需要額外的標(biāo)簽。

ELMo 預(yù)訓(xùn)練過(guò)程的其中一個(gè)步驟：以 "Let’s stick to" 作為輸入，預(yù)測(cè)下一個(gè)最有可能的單詞。這是一個(gè)語(yǔ)言建模任務(wù)。當(dāng)我們?cè)诖笠?guī)模數(shù)據(jù)集上訓(xùn)練時(shí)，模型開始學(xué)習(xí)語(yǔ)言的模式。例如，在 "hang" 這樣的詞之后，模型將會(huì)賦予 "out" 更高的概率（因?yàn)?"hang out" 是一個(gè)詞組），而不是 "camera"。

在上圖中，我們可以看到 ELMo 頭部上方展示了 LSTM 的每一步的隱藏層狀態(tài)向量。在這個(gè)預(yù)訓(xùn)練過(guò)程完成后，這些隱藏層狀態(tài)在詞嵌入過(guò)程中派上用場(chǎng)。

ELMo 通過(guò)將隱藏層狀態(tài)（以及初始化的詞嵌入）以某種方式（向量拼接之后加權(quán)求和）結(jié)合在一起，實(shí)現(xiàn)了帶有語(yǔ)境化的詞嵌入。

7.3 ULM-FiT：NLP 領(lǐng)域的遷移學(xué)習(xí)

ULM-FiT 提出了一些方法來(lái)有效地利用模型在預(yù)訓(xùn)練期間學(xué)習(xí)到的東西 - 這些東西不僅僅是詞嵌入，還有語(yǔ)境化的詞嵌入。ULM-FiT 提出了一個(gè)語(yǔ)言模型和一套流程，可以有效地為各種任務(wù)微調(diào)這個(gè)語(yǔ)言模型。

現(xiàn)在，NLP 可能終于找到了好的方法，可以像計(jì)算機(jī)視覺那樣進(jìn)行遷移學(xué)習(xí)了。

7.4 Transformer：超越 LSTM

Transformer 論文和代碼的發(fā)布，以及它在機(jī)器翻譯等任務(wù)上取得的成果，開始讓人們認(rèn)為它是 LSTM 的替代品。這是因?yàn)?Transformer 可以比 LSTM 更好地處理長(zhǎng)期依賴。

Transformer 的 Encoder-Decoder 結(jié)構(gòu)使得它非常適合機(jī)器翻譯。但你怎么才能用它來(lái)做文本分類呢？你怎么才能使用它來(lái)預(yù)訓(xùn)練一個(gè)語(yǔ)言模型，并能夠在其他任務(wù)上進(jìn)行微調(diào)（下游任務(wù)是指那些能夠利用預(yù)訓(xùn)練模型的監(jiān)督學(xué)習(xí)任務(wù)）？

7.5 OpenAI Transformer：預(yù)訓(xùn)練一個(gè) Transformer Decoder 來(lái)進(jìn)行語(yǔ)言建模

事實(shí)證明，我們不需要一個(gè)完整的 Transformer 來(lái)進(jìn)行遷移學(xué)習(xí)和微調(diào)。我們只需要 Transformer 的 Decoder 就可以了。Decoder 是一個(gè)很好的選擇，用它來(lái)做語(yǔ)言建模（預(yù)測(cè)下一個(gè)詞）是很自然的，因?yàn)樗梢云帘魏髞?lái)的詞 。當(dāng)你使用它進(jìn)行逐詞翻譯時(shí)，這是個(gè)很有用的特性。

OpenAI Transformer 是由 Transformer 的 Decoder 堆疊而成的

這個(gè)模型包括 12 個(gè) Decoder 層。因?yàn)樵谶@種設(shè)計(jì)中沒有 Encoder，這些 Decoder 層不會(huì)像普通的 Transformer 中的 Decoder 層那樣有 Encoder-Decoder Attention 子層。不過(guò)，它仍然會(huì)有 Self Attention 層（這些層使用了 mask，因此不會(huì)看到句子后來(lái)的 token）。

有了這個(gè)結(jié)構(gòu)，我們可以繼續(xù)在同樣的語(yǔ)言建模任務(wù)上訓(xùn)練這個(gè)模型：使用大規(guī)模未標(biāo)記的數(shù)據(jù)來(lái)預(yù)測(cè)下一個(gè)詞。只需要把 7000 本書的文字扔給模型 ，然后讓它學(xué)習(xí)。書籍非常適合這種任務(wù)，因?yàn)闀臄?shù)據(jù)可以使得模型學(xué)習(xí)到相關(guān)聯(lián)的信息。如果你使用 tweets 或者文章來(lái)訓(xùn)練，模型是得不到這些信息的。

上圖表示：OpenAI Transformer 在 7000 本書的組成的數(shù)據(jù)集中預(yù)測(cè)下一個(gè)單詞。

7.6 下游任務(wù)的遷移學(xué)習(xí)

現(xiàn)在，OpenAI Transformer 已經(jīng)經(jīng)過(guò)了預(yù)訓(xùn)練，它的網(wǎng)絡(luò)層經(jīng)過(guò)調(diào)整，可以很好地處理文本語(yǔ)言，我們可以開始使用它來(lái)處理下游任務(wù)。讓我們先看下句子分類任務(wù)（把電子郵件分類為 ”垃圾郵件“ 或者 ”非垃圾郵件“）：

OpenAI 的論文列出了一些列輸入變換方法，來(lái)處理不同任務(wù)類型的輸入。下面這張圖片來(lái)源于論文，展示了執(zhí)行不同任務(wù)的模型結(jié)構(gòu)和對(duì)應(yīng)輸入變換。這些都是非常很巧妙的做法。

八、BERT：從 Decoder 到 Encoder

OpenAI Transformer 為我們提供了一個(gè)基于 Transformer 的可以微調(diào)的預(yù)訓(xùn)練網(wǎng)絡(luò)。但是在把 LSTM 換成 Transformer 的過(guò)程中，有些東西丟失了。ELMo 的語(yǔ)言模型是雙向的，但 OpenAI Transformer 只訓(xùn)練了一個(gè)前向的語(yǔ)言模型。我們是否可以構(gòu)建一個(gè)基于 Transformer 的語(yǔ)言模型，它既向前看，又向后看（用技術(shù)術(shù)語(yǔ)來(lái)說(shuō) - 融合上文和下文的信息）。

8.1 Masked Language Model（MLM 語(yǔ)言模型）

那么如何才能像 LSTM 那樣，融合上文和下文的雙向信息呢？

一種直觀的想法是使用 Transformer 的 Encoder。但是 Encoder 的 Self Attention 層，每個(gè) token 會(huì)把大部分注意力集中到自己身上，那么這樣將容易預(yù)測(cè)到每個(gè) token，模型學(xué)不到有用的信息。BERT 提出使用 mask，把需要預(yù)測(cè)的詞屏蔽掉。

下面這段風(fēng)趣的對(duì)話是博客原文的。

“

BERT 說(shuō)，“我們要用 Transformer 的 Encoder”。

Ernie 說(shuō)，”這沒什么用，因?yàn)槊總€(gè) token 都會(huì)在多層的雙向上下文中看到自己“。

BERT 自信地說(shuō)，”我們會(huì)使用 mask“。

”

BERT 在語(yǔ)言建模任務(wù)中，巧妙地屏蔽了輸入中 15% 的單詞，并讓模型預(yù)測(cè)這些屏蔽位置的單詞。

找到合適的任務(wù)來(lái)訓(xùn)練一個(gè) Transformer 的 Encoder 是一個(gè)復(fù)雜的問(wèn)題，BERT 通過(guò)使用早期文獻(xiàn)中的 "masked language model" 概念（在這里被稱為完形填空）來(lái)解決這個(gè)問(wèn)題。

除了屏蔽輸入中 15% 的單詞外， BERT 還混合使用了其他的一些技巧，來(lái)改進(jìn)模型的微調(diào)方式。例如，有時(shí)它會(huì)隨機(jī)地用一個(gè)詞替換另一個(gè)詞，然后讓模型預(yù)測(cè)這個(gè)位置原來(lái)的實(shí)際單詞。

8.2 兩個(gè)句子的任務(wù)

如果你回顧 OpenAI Transformer 在處理不同任務(wù)時(shí)所做的輸入變換，你會(huì)注意到有些任務(wù)需要模型對(duì)兩個(gè)句子的信息做一些處理（例如，判斷它們是不是同一句話的不同解釋。將一個(gè)維基百科條目作為輸入，再將一個(gè)相關(guān)的問(wèn)題作為另一個(gè)輸入，模型判斷是否可以回答這個(gè)問(wèn)題）。

為了讓 BERT 更好地處理多個(gè)句子之間的關(guān)系，預(yù)訓(xùn)練過(guò)程還包括一個(gè)額外的任務(wù)：給出兩個(gè)句子（A 和 B），判斷 B 是否是 A 后面的相鄰句子。

BERT 預(yù)訓(xùn)練的第 2 個(gè)任務(wù)是兩個(gè)句子的分類任務(wù)。在上圖中，tokenization 這一步被簡(jiǎn)化了，因?yàn)?BERT 實(shí)際上使用了 WordPieces 作為 token，而不是使用單詞本身。在 WordPiece 中，有些詞會(huì)被拆分成更小的部分。

8.3 BERT 在不同任務(wù)上的應(yīng)用

BERT 的論文展示了 BERT 在多種任務(wù)上的應(yīng)用。

8.4 將 BERT 用于特征提取

使用 BERT 并不是只有微調(diào)這一種方法。就像 ELMo 一樣，你可以使用預(yù)訓(xùn)練的 BERT 來(lái)創(chuàng)建語(yǔ)境化的詞嵌入。然后你可以把這些詞嵌入用到你現(xiàn)有的模型中。論文里也提到，這種方法在命名實(shí)體識(shí)別任務(wù)中的效果，接近于微調(diào) BERT 模型的效果。

那么哪種向量最適合作為上下文詞嵌入？我認(rèn)為這取決于任務(wù)。論文里驗(yàn)證了 6 種選擇（與微調(diào)后的 96.4 分的模型相比）：

8.5 如何使用 BERT

嘗試 BERT 的最佳方式是通過(guò)托管在 Google Colab 上的BERT FineTuning with Cloud TPUs。如果你之前從來(lái)沒有使用過(guò) Cloud TPU，那這也是一個(gè)很好的嘗試開端，因?yàn)?BERT 代碼可以運(yùn)行在 TPU、CPU 和 GPU。

下一步是查看BERT 倉(cāng)庫(kù)中的代碼：

模型是在modeling.py（class BertModel）中定義的，和普通的 Transformer encoder 完全相同。

run_classifier.py是微調(diào)網(wǎng)絡(luò)的一個(gè)示例。它還構(gòu)建了監(jiān)督模型分類層。如果你想構(gòu)建自己的分類器，請(qǐng)查看這個(gè)文件中的 create_model() 方法。

可以下載一些預(yù)訓(xùn)練好的模型。這些模型包括 BERT Base、BERT Large，以及英語(yǔ)、中文和包括 102 種語(yǔ)言的多語(yǔ)言模型，這些模型都是在維基百科的數(shù)據(jù)上進(jìn)行訓(xùn)練的。

BERT 不會(huì)將單詞作為 token。相反，它關(guān)注的是 WordPiece。tokenization.py就是 tokenizer，它會(huì)將你的單詞轉(zhuǎn)換為適合 BERT 的 wordPiece。

責(zé)任編輯：lq