深度学习笔记之BERT(一)BERT的基本认识

引言

从本节开始，将介绍$\text{BERT}$系列模型以及其常见的变种形式，主要以逻辑认识为主；并将过去的关于$\text{Transformer}$的相关内容结合起来，形成通顺逻辑即可。

回顾：Transformer的策略

在Transformer系列文章中介绍了$\text{Transformer}$的模型架构，而它的策略与$\text{Seq2seq}$基本相同：$t$时刻状态下，解码器最终预测$t+1$时刻词汇的概率分布，并选择我概率最高的词作为输出：
$$\mathcal{P}(o_{t+1}\mid o_1,o_2,\cdots ,o_t)$$
因而需要让预测的概率分布和实际概率分布之间的差异最小化，使用交叉熵($\text{Cross Entropy}$)损失函数即可实现策略的分类任务。

回顾：Word2vec的策略和局限性

在Word2vec的介绍中，提到了$\text{Word2vec}$中两个模型结构：$\text{Skipgram,CBOW}$的构建逻辑。基于长度为$\mathcal{T}$的语料库 D = { w 1 , w 2 , ⋯   , w T } \mathcal D = \{w_1,w_2,\cdots,w_{\mathcal T}\} D={w1​,w2​,⋯,wT​}，需要对联合概率分布$\mathcal{P}(w_1,w_2,\cdots ,w_{\mathcal{T}})$进行建模：
P ( w 1 , w 2 , ⋯   , w T ) = P ( w t ∣ w 1 , ⋯   , w t − 1 , w t + 1 , ⋯   , w T ) ⋅ P ( w 1 , ⋯   , w t − 1 , w t + 1 , ⋯   , w T ) t ∈ { 1 , 2 , ⋯   , T } \mathcal P(w_1,w_2,\cdots,w_{\mathcal T}) = \mathcal P(w_t \mid w_1,\cdots,w_{t-1},w_{t+1},\cdots,w_{\mathcal T}) \cdot \mathcal P(w_1,\cdots,w_{t-1},w_{t+1},\cdots,w_{\mathcal T}) \quad t \in \{1,2,\cdots, \mathcal T\} P(w1​,w2​,⋯,wT​)=P(wt​∣w1​,⋯,wt−1​,wt+1​,⋯,wT​)⋅P(w1​,⋯,wt−1​,wt+1​,⋯,wT​)t∈{1,2,⋯,T}
很明显作为自然语言处理任务，$\mathcal{D}$的规模必然是不小的；对应联合概率分布的计算也是既复杂的。针对这种情况，使用$3$个假设对任务进行约束：

• 假设$1$：中心词$w_t(t=1,2,\cdots ,\mathcal{T})$仅能对其前后$\mathcal{C}$个上下文词语产生影响。基于该假设，可以对条件概率$\mathcal{P}(w_t\mid w_1,\cdots ,w_{t-1},w_{t+1},\cdots ,w_{\mathcal{T}})$进行化简：
  为了数据有意义，同样需要满足:$t-\mathcal{C}\ge 0;t+\mathcal{C}\le \mathcal{T}$
  $$\mathcal{P}(w_t\mid w_1,\cdots ,w_{t-1},w_{t+1},\cdots ,w_{\mathcal{T}})\approx \mathcal{P}(w_t\mid w_{t-\mathcal{C}},\cdots ,w_{t-1},w_{t+1},\cdots ,w_{t+\mathcal{C}})$$
• 假设$2$：各似然结果 P ( w t ∣ w t − C , ⋯   , w t − 1 , w t + 1 , ⋯   , w t + C ) t ∈ { 1 , 2 , ⋯   , T } \mathcal P(w_t \mid w_{t-\mathcal C},\cdots,w_{t-1},w_{t+1},\cdots,w_{t+\mathcal C}) \quad t \in \{1,2,\cdots,\mathcal T\} P(wt​∣wt−C​,⋯,wt−1​,wt+1​,⋯,wt+C​)t∈{1,2,⋯,T}之间相互独立。可以将完整似然结果表示为：
  均值$\frac{1}{\mathcal{T}}$只会影响似然结果变化的范围，而不会影响趋势;
  $$\frac{1}{\mathcal{T}}\sum _{t=1}^{\mathcal{T}}\log \mathcal{P}(w_t\mid w_{t-\mathcal{C}},\cdots ,w_{t-1},w_{t+1},\cdots ,w_{t+\mathcal{C}})$$
• 假设$3$：中心词$w_t(t=1,2,\cdots ,\mathcal{T})$确定的条件下，作为条件的各词之间同样相互独立。假设$2$中的结果可以继续分解：
  $$\begin{array}{rl}\mathcal{J}(\theta )& =\frac{1}{\mathcal{T}}\sum _{t=1}^{\mathcal{T}}\log \prod _{i=-\mathcal{C}(\ne 0)}^{\mathcal{C}}\mathcal{P}(w_t\mid w_{t+i})\\ & =\frac{1}{\mathcal{T}}\sum _{t=1}^{\mathcal{T}}\sum _{i=-\mathcal{C}(\ne 0)}^{\mathcal{C}}\log \mathcal{P}(w_t\mid w_{t+i})\end{array}$$

上面对应的是$\text{CBOW}$架构的策略。很明显：$3$个假设都非常苛刻，并且不合语言常理：

• 关于假设$1$：中心词与上下文之间存在关联这个理念没有错，但是将上下文约束在固定大小的范围(窗口)$(-\mathcal{C},\mathcal{C})$显得过于生硬；
• 关于假设$2$，假设$3$：窗口内的词、中心词后验概率均相互独立，这本身也是对上下文这个概念的一种破坏。

通常也称$\text{Word2vec}$系列模型为静态模型、无上下文模型。

$\text{BERT}$的基本理念

抽象的双向

$\text{BERT}$($\text{Bidirectional Encoder Representation from Transformers}$,基于$\text{Transformer}$的双向编码器表示) 是针对一般语言的理解任务，使用深层双向$\text{Transformer}$用来做预训练的模型。该模型的优势之处在于：对于预训练好的$\text{BERT}$模型，仅需要增加一个额外的输出层，就可以在$\text{NLP}$的相关任务中得到一个不错的结果。

$\text{BERT}$之所以成功的一个重要原因在于：它是一个基于上下文的嵌入模型。和$\text{Transformer}$相同，它使用自注意力机制去分析完整句子内各词之间的关联关系，而相反$\text{Word2vec}$这种静态模型，即便存在考虑上下文信息的想法，但各种苛刻、不合理的假设，让上下文信息几乎失去了意义。

那么$\text{BERT}$是如何实现双向表示的呢$?$ 提到双向，在$\text{Seq2seq}$注意力机制执行过程一节中，将编码器部分设置为双向$\text{GRU}$结构。当然，无论是双向$\text{GRU}$还是双向$\text{LSTM}$，其本质是两个学习顺序相反的独立结构：
最终将每个结构产生的特征信息进行拼接，从而得到一个新的融合特征，并基于该特征执行后续步骤。
$$h_{update}=[h_{\mathcal{L};1},h_{\mathcal{L};2},\cdots ,h_{\mathcal{L};\mathcal{T}};h_{\mathcal{L};1},h_{\mathcal{L};2},\cdots ,h_{\mathcal{L};\mathcal{T}}]$$

但$\text{BERT}$中的描述的双向不同于上述结构，它所描述的双向仅是：仅使用$\text{Transformer}$中的编码器部分作为模型的架构。在$\text{Transformer}$模型架构一节中编码器部分的多头注意力机制中，其输出的任意头的注意力矩阵${\mathcal{A}}^{(i)}$，其矩阵內部的信息是完整的。也就是说：句子中的任意一个词，和句子中的其他词(包含自身)，均存在相应的注意力映射关系。自然包含某个被$\text{Mask}$词的前向、后向的词。
是个有点抽象意义上的双向~
$$\{\begin{array}{l}\begin{array}{rl}& \text{att}\left[{\mathcal{Q}}^{(i)},{\mathcal{K}}^{(i)}\right]=\frac{{\mathcal{Q}}^{(i)}{\left[{\mathcal{K}}^{(i)}\right]}^T}{\sqrt{d}}\\ & {\mathcal{A}}^{(i)}=\text{Softmax}\left\{\text{att}\left[{\mathcal{Q}}^{(i)},{\mathcal{K}}^{(i)}\right]\right\}{\mathcal{V}}^{(i)}\end{array}\end{array}$$

既然有双向，那自然也有单向。单向自然指$\text{Transformer}$中的解码器部分。解码器模块中的$\text{Masked Multi-Head Attention}$模块，由于需要预测后一个词的概率分布，所以其对应的注意力矩阵是一个被$\text{mask}$一半的三角矩阵。

BERT的预训练策略

$\text{BERT}$的预训练策略包含两种：

• 掩码语言模型训练
  两个示例句子：$\text{Paris is a beautiful city I love Paris}$
  将两个句子处理成预期格式：
  分词;第一句开头添加$[\text{CLS}]$每个分句后添加$[\text{SEP}]$
  $$\text{tokens = [[CLS], Paris, is, a, beautiful, city, [SEP], I, love, Paris, [SEP]]}$$
  在上述$\text{token}$中随机选择一部分词语进行掩码标记，标记方式为：使用$[\text{MASK}]$对被掩码词语进行替换。被选择词语数量与$\text{token}$长度相关，控制在$\text{token}$长度的$15$%，这里仅以一个词为例：$\text{city}$。
  $$\text{tokens = [[CLS], Paris, is, a, beautiful, [MASK], [SEP], I, love, Paris, [SEP]]}$$
  在论文中，为了优化$\text{BERT}$预训练模式和下游任务微调模式之间由于掩码标记导致不匹配的问题而提出 80-10-10 规则。即：$80$%的$\text{token}$使用掩码标记进行替换；$10$%的$\text{token}$使用随机标记替换，即使用词表中的随机词替换被掩码的词语。这里选择用 $\text{love}$ 替换 $\text{city}$：
  人为增加噪声提升模型鲁棒性的操作~
  $$\text{tokens = [[CLS], Paris, is, a, beautiful, love, [SEP], I, love, Paris, [SEP]]}$$
  最后$10$%的$\text{token}$保持不变。将处理好的$\text{token}$对应的各类$\text{Embedding}$送入到$\text{BERT}$中，对$[\text{MASK}]$位置对应的$\text{BERT}$输出${\mathcal{R}}_{[\text{MASK}]}$进行预测：
  $${\mathcal{R}}_{[\text{MASK}]}=\mathcal{P}(\text{[MASK]}\mid \text{Paris,is,a},\cdots ,\text{love,Paris})$$
  这明显是一个多分类任务。使用$\text{Softmax}$从当前词表中选择一个概率最高的值对$[\text{MASK}]$进行预测，因而对应的策略使用交叉熵损失函数。

• 下句预测
  顾名思义，即$\text{token}$内的句子之间是否存在前后因果关系。示例$\text{token}$中自然是满足条件的，具体判断方式是对$\text{[CLS]}$对应的$\text{BERT}$输出${\mathcal{R}}_{[\text{CLS}]}$使用$\text{Softmax}$进行二分类(有关联/无关联)任务。对应的策略同样是交叉熵损失函数

和$\text{Transformer}$相比，虽然都是分类任务，$\text{Transformer}$最终求得的后验概率仅包含正向(单向)顺序；而$\text{BERT}$不仅是双向顺序，并且是两种策略共同对权重参数进行反向传播更新。

预训练与微调

• 在整个预训练过程中，我们使用未标注的数据对词语的$\text{Embedding}$进行优化，并获取相应对应预训练的权重；
  但是这个部分还是交给各个大厂和顶级研究院吧~我们连电费交不起

• 在后期微调时，我们针对一些具体的下游任务，如文本分类、命名实体识别等，我们新建一个$\text{BERT}$模型，并且初始化权重参数是之前预训练得到的参数，而数据是我们自己标注过的数据，针对具体任务，对下游神经网络权重、$\text{BERT}$內部权重进行进一步调整(微调)，从而得到该任务的BERT版本。

$\text{Reference}$：
$\text{BERT}$论文逐段精读
《BERT基础教程——Transformer大模型实战》