图解 BERT 模型

节前，我们星球组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、参加社招和校招面试的同学.

针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。

汇总合集：《大模型面试宝典》(2024版) 发布！

---

《Attention is All You Need》发表于 2017 年，2018 年 Google AI Language 团队发表了论文《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》，提出了 Bert（Bidirectional Encoder Representations from Transformers）架构。

BERT 实际基于 Transformer 的编码器部分，如若大家理解了前述 Transformer 系列文章，那么再学习 BERT 会很容易理解。

这次依然尝试使用图解的方式介绍 BERT。文章一部分及配图参考了 Rahul Agarwal 在 Medium 上的文章及原始论文，建议收藏、关注、点赞，无论实战还是面试都是常考热点。

一、BERT 概览

简单来说，BERT 是一种可用于问题解答、分类、NER 等大量 NLP 下游任务的架构。可将预训练后的 BERT 视为一个黑盒。

BERT 有两个主要版本：

• BERT Base：12层 Transformer 编码器，隐藏层大小为768，12个自注意头，总参数量约为1.1亿。

• BERT Large：24层 Transformer 编码器，隐藏层大小为1024，16个自注意头，总参数量约为3.4亿。

以 BERT Base 版本的 BERT 为例，它能将输入中的每个 Token 转化为一个 H = 768 的向量。与 Transformer 相同，BERT 的输入序列可以是一个单独的句子，也可以是一对由分隔符 [SEP] 标记分隔，以开始符 [CLS] 标记开始的句子。

二、BERT 解决什么问题

如果各位小伙伴对 Imagenet 有所了解，那么也会很容易理解 BERT 的预训练过程。

ImageNet 是一个大型图像数据库，包含了数百万个带标签的图像。CV 模型在这个数据集上进行预训练，以学习图像特征；预训练完成后，对于具体图像任务，可以通过在较小的数据集上，微调模型最后几层来适应特定任务。前几年流行的 ResNet 和 VGG 等深度学习模型最初都是在 ImageNet 数据集上进行预训练的。

BERT 模型工作原理与使用 Imagenet 进行训练的大多数 CV 模型类似。首先，在大型语料库上训练 BERT 模型，然后通过在最后添加一些额外的层，针对具体的 NLP 任务（如分类、问题解答、NER 等）对模型进行微调。

例如，先在维基百科这样的语料库上训练 BERT（屏蔽 LM 任务），然后再用特定的数据对模型进行微调，以完成分类任务，诸如通过添加一些额外的层，将评论分为负面、正面或中性等方式。实际上，我们只是使用 [CLS] 标记的输出来完成分类任务。

如下图所示的微调过程，通过添加线性层和 Softmax 层，对 [cls] Token 进行分类输出。

具体来说， 对 BERT 输出的 [cls] Token 使用矩阵乘法作变换。假设我们的分类数是 3，那么 [cls] Token 向量的维度是(1×768)，引入的 W 矩阵的形状为（ H × num_classes = 768 × 3）， [cls] Token 代表的矩阵与 W 矩阵相乘，得到一个(1×3)的矩阵，这个矩阵再通过 Softmax 得到每个类别的概率，然后计算交叉熵损失。

当然，也可以通过在最后一层获取句子特征，然后再输出到 Softmax；或者可以取所有输出的平均值，然后再通过 Softmax。方式有多种，哪种最有效取决于任务的数据。

三、从嵌入的角度看 BERT

从嵌入的角度来看，BERT 的预训练为我们提供了上下文双向嵌入。

1. 上下文 Contextual:

词的嵌入不是固定的，它们依赖于周围的词语。在前序《图解 Transformer》序列文章就详细介绍过这个概念。比如，在“one bird was flying below another bird”这句话中，“bird”这个词的两个嵌入会有所不同。

2. 双向 Bi-Directional:

LSTM 按顺序读取文本输入（从左到右或从右到左），而 Transformer 的编码器则是一次性读取整个单词序列，因此被认为是双向的（注意，Transformer 模型的解码器部分通常是单向的）。因此，对于“BERT model is awesome.”这样的句子，“model”这个词的嵌入会包含“BERT”、“awesome”和“is”所有词的上下文。

四、BERT 工作的具体流程

接下来从“架构-Architecture 、输入-Input、训练-Training”三个部分介绍 BERT 的具体工作流程。

1. Architecture

如果你对 Transformers 已经有所了解，那么 BERT 的架构非常容易理解。BERT 基本上是由我们非常熟悉的Transformers 中的编码器堆栈（Encoder Stacks）组成的。

原始论文中，作者实验了两种模型，即我们在开头也提到过的 BERT Base 与 BERT Large 两种架构。

2. Training Input

我们使用下图中的输入结构向 BERT 提供输入。输入由（两个句子+两个特殊的 Token）构成。两个特殊的 token是 [CLS]和[SEP] token。

例如，对于两个句子“my dog is cute”和“he likes playing”，BERT 首先使用 WordPiece 分词将序列转换为Token，并在开头添加[CLS] Token，在第二个句子的开头和结尾添加[SEP] Token，因此输入是：

在 BERT 中使用的 WordPiece 分词方法会将单词如 playing 分解成“play”和“##ing”。对于为什么使用 WordPiece 这种方式，我们后面再详细介绍。

BERT 的每个 token 的嵌入由 Token Embeddings、Position Embeddings、Segment Embeddings 三种嵌入向量进行表示:

Token Embedding（词嵌入）： 通过在一个大小为 30000x768(H) 的词表矩阵中查找，来获取 Token 嵌入。这里，30000 是WordPiece 分词后的词汇表长度。这个矩阵所代表的权重将在训练过程中学习。

Segment Embedding（段落嵌入）： 对于知识问答等任务，我们需要指定这个句子是来自哪个段落。如果嵌入来自第一个句子，这些嵌入是长度为H的全0向量；如果嵌入来自第二个句子，则为全1向量。

位置嵌入（位置嵌入）：这些嵌入用于指定单词在序列中的位置，和 Transformer 中所做的一样。位置矩阵的列数为768，矩阵的第一行是[CLS] Token的嵌入，第二行是单词“my”的嵌入，第三行是单词“dog”的嵌入，以此类推。

给BERT的最终输入是 Token Embeddings、Segment Embeddings、Position Embeddings的叠加（Token Embeddings + Segment Embeddings + Position Embeddings）。

3. 训练遮蔽语言模型（Masked LM）

这部分是 BERT 最有趣的地方。我们将通过各种架构尝试并发现每种尝试的缺陷，以此来解释这些概念，并形成 BERT的最终架构。

尝试1：例如，如果我们按如下方法设置 BERT 训练，即预测输入序列的每个单词。

这种方法的问题在于学习任务过于简单。网络提前就知道它要预测什么，因此可以轻松地学习权重以达到100%的分类准确率。

注意：这里的“预测-Predict”与 Transformer 解码器中基于已经生成的单词，预测下一个单词的“预测”的含义略微不同。这里的“预测-Predict”是“生成-Generation”的意思。这里使用“Predict”这个词，是表达在 Masked LM 模型中，模型根据上下文信息推断被掩蔽 token 的过程。虽然“生成”也可以理解为一种预测，但在NLP术语中，“生成”通常指的是更广泛的内容创建，而不是特定位置 token 的推断。下面几种方法中提到的“预测”一词也是这样的含义。

尝试2：遮蔽语言模型（Masked LM）。原论文中尝试使用此方法克服上述问题。在每个训练输入序列中随机遮蔽15%的单词，并仅预测这些单词的输出。

此种方式计算损失时只针对屏蔽的单词。模型学会了预测它未见过的单词，同时还能看到这些单词周围的上下文。（注意，图中屏蔽了 3 个单词，实际上应该只屏蔽 1 个单词，因为这个示例中，8 个单词的 15% 就是 1 个单词。）

但这种方式的造成了模型在“预训练-微调”两个过程的不匹配问题。

具体来说，在预训练阶段，模型需要根据上下文预测被遮蔽的 token，因此模型会更多地依赖上下文信息来填补空白。但在微调阶段，模型直接处理完整的句子，输入方式不同可能会导致模型的预测行为与预训练阶段存在偏差。另外，在预训练时模型通过预测被掩蔽的token来学习语言的结构和语义，但在微调阶段，模型的目标通常是根据完整输入直接进行分类或预测，这种目标上的差异可能导致模型在微调时需要重新调整。

尝试3：使用随机单词的遮蔽语言模型：

在这个尝试中，仍然会遮蔽15%的位置。但会用随机单词替换那些被遮蔽标记中的20%。这样做是为了让模型知道，即使单词不是[MASK]标记，我们仍然需要输出一些结果。因此，如果我们有一个长度为500的序列，我们将遮蔽75个标记（500的15%），在这75个标记中，有15个标记（75的20%）将被随机单词替换。示意图如下：

这种方式的优点在于，网络仍然可以处理任何单词。

但其问题在于，模型会学到一种错误模式，即看到随机替换的单词时，这些单词永远不会是正确的输出。比如对于我们的例子，将“likes”随机替换为“eats”，而我们在这个位置需要的输出为“likes”，模型会学习到“eats”的输出永远不会是“eats”。而在不同的上下文中，比如输入“he eats bread”，需要的输出中包含“eats”。

尝试4：使用随机单词和未遮蔽单词的遮蔽语言模型

为了解决这个问题，作者提出了以下训练设置。

在训练数据中随机选择 15% 的 token 位置进行预测。这些随机选择的 token 中，80%替换为[MASK]标记，10%随机替换为词汇表中的其他 token，10% 保持不变。

如果我们有一个长度为 500 的序列，我们将遮蔽75个 token（500的15%），在这75个 token中，7个 token（75的10%）将被随机 token 替换，7个 token（75的10%）保持不变。示意如下：

这样就有了最佳设置，模型不会学习到不良模式。

4. 训练附加的下一句预测任务（NSP）

BERT 模型在训练过程中还有另一个并行的于 Masked LM 的训练任务，这个任务称为下一句预测（Next Sentence Prediction, NSP）。在创建训练数据时，我们为每个训练样本选择句子A和B，其中50%的情况下B是实际紧跟在A后的句子（标记为IsNext），而另外50%的情况下B是语料库中的一个随机句子（标记为NotNext）。然后我们使用[CLS]标记的输出来计算损失，这个损失也会通过网络反向传播来调整权重。

摘自 BERT 论文原文：许多重要的下游任务，如问答（QA）和自然语言推理（NLI），都基于两个句子之间的关系，而这种关系不是通过语言模型直接捕捉到的。为了训练一个能够理解句子关系的模型，我们进行了一种二元化的下一句预测任务（binarized next sentence prediction task）的预训练，这个任务可以从任何单语语料库中轻松生成。

现在我们有了预训练的BERT模型，它可以为我们提供上下文嵌入。那么如何将它用于各种任务呢？

五、针对具体任务进行微调

如前所述，我们可以在 [CLS] 输出上添加几层并微调权重，然后使用BERT进行分类任务。

以下是论文中介绍的 BERT 用于其他任务的方法：

让我们逐一浏览这些任务：

1. 句子对分类任务：这与分类任务非常相似。即在大小为768的[CLS]输出上添加一个线性层和一个Softmax层（Linear + Softmax）。

2. 单句分类任务：与句子对分类任务相同。

4. 单句标注任务：与训练 BERT 时的设置非常相似，只是我们需要为单句中的每个 Token 进行标注。如对于词性标注任务（如预测名词、动词或形容词），我们只需添加一个大小为（768 x n_outputs）的线性层，并在上面添加一个Softmax层进行预测。

3. 问答任务——这个任务中，我们给出一个问题和一个包含答案的段落：目标是确定答案在段落中的起始和结束位置。

六、问答任务详细工作流程

BERT 执行问答任务的原理与 GPT 等以自回归生成答案的模型不同。以下是关于 BERT 在执行问答任务时的详细流程：

1. 输入序列

输入序列由问题和段落拼接而成，并添加特殊标记：

[CLS] 问题 [SEP] 段落 [SEP]
1

2. BERT模型输出

输入序列通过 BERT 模型处理，生成每个 token 的上下文表示。假设输入序列长度为