【NLP】关于BERT模型的一些认知_bert预训练输出的batch

BERT（Bidirectional Encoder Representations from Transformers）模型是由Google在2018年提出的预训练Transformer模型，用于自然语言处理任务。

一. BERT模型的架构

1.1 输入表示 / Encoder模块

BERT中的Encoder模块是由三种Embedding（词嵌入）共同组成，如下图所示：

• Token Embeddings：词嵌入张量
  • BERT首先将输入文本通过WordPiece或Subword Tokenization进行分词，每个分词（token）被映射到一个固定维度的词嵌入向量中，这样文本就被转化成了连续向量表示；
  • 词嵌入张量的第一个单词是CLS标志， 可以用于之后的分类任务。
• Segment Embeddings：句子分段嵌入张量
  • 对于序列对输入（如两个句子），BERT还包括段落嵌入（segment embeddings），用来区分两个不同的文本片段（如句子A和句子B）；
  • 用于服务后续的两个句子为输入的预训练任务（NSP）。
• Positional Embeddings：位置编码张量
  • 由于Transformer结构本身不包含循环机制，无法直接感知顺序信息，因此BERT引入了位置嵌入（Positional Encodings），它们是与token嵌入相加的向量，用来编码每个token在序列中的位置信息；
  • 和传统的Transformer不同，BERT模型的位置编码不是三角函数计算的固定位置编码，而是通过学习得出来的。

在BERT模型的训练过程中，位置嵌入会与其他的嵌入（如单词嵌入和段嵌入）一起被模型使用。当模型在处理一个单词时，它会参考该单词的位置嵌入，以理解这个单词在句子中的位置。然后，模型会根据这个位置信息以及其他嵌入信息，来预测被掩盖的单词或者判断两个句子是否连续（这就是BERT模型的两大与训练任务）。
在训练过程中，模型会根据其预测结果与实际标签的差异，计算出一个损失函数。然后，通过反向传播算法，模型会更新包括位置嵌入在内的所有参数，以最小化这个损失函数。这样，随着训练的进行，位置嵌入会逐渐学习到如何更好地表示单词在句子中的位置信息，从而提高模型在特定任务上的表现。
需要注意的是，由于BERT是一个预训练模型，其位置嵌入是在大量的无监督文本数据上学习得到的。因此，这些位置嵌入已经捕获了丰富的语言结构和位置信息，可以被直接用于各种下游任务，或者作为微调的基础。

1.2 双向Transformer模块

BERT中只使用了经典Transformer架构中的Encoder部分，并由多层Transformer Encoder堆叠而成，完全舍弃了Decoder部分。
每一层Transformer Encoder都包含以下部分：

• 多头注意力（Multi-Head Attention）机制，用于捕获词语间的双向依赖关系；
• 随后是一个前馈神经网络（Feed-Forward Network，FFN），通常包含两层线性变换和ReLU激活函数，负责对注意力机制输出的特征进行进一步的处理和转换；
• 规范化层（Layer Normalization）和残差连接层（Residual Connections）也是每一层的重要组成部分，用于稳定训练和提升性能；其中规范化层有助于加速模型的训练过程，并提高模型的稳定性，而残差连接则有助于缓解深度神经网络中的梯度消失问题，使模型能够更深入地学习文本的表示。

1.3 输出模块

经过中间层双向Transformer模块的处理后，BERT的最后一层可以根据任务的不同需求而做不同的调整。
而BERT预训练模型的输出一般主要包含以下两个部分：

• last_hidden_state:
  这是模型的主要输出之一，形状为 (batch_size, sequence_length, hidden_size)，其中 batch_size 表示批处理样本的数量，sequence_length 是输入序列的长度（包括特殊标记如[CLS]和[SEP]），而 hidden_size 是BERT模型的隐藏层维度（通常是768或更大，取决于具体的BERT变体）。这个输出代表了模型对输入序列中每个位置（token）的深度编码表示，它包含了从双向Transformer编码器中获取的上下文相关的语义信息。
• pooler_output:
  形状为 (batch_size, hidden_size)，它是对整个输入序列的高层次抽象表示。具体而言，它是序列的第一个标记（通常是[CLS]标记，用于表示整个序列的语义）在最后一层Transformer编码器后的隐藏状态，并经过一个附加的线性层（有时带有softmax激活函数）进一步处理。这个输出常用于后续的分类任务，如情感分析或文本分类，作为整个序列的“聚合”表示。

二. BERT模型的两大预训练任务

正如在上文中提到的，BERT模型的两大预训练任务分别是：

• 遮蔽语言模型（Masked Language Model, MLM）：BERT通过对输入序列中的某些token随机遮蔽，并要求模型预测这些遮蔽掉的部分，从而在无监督环境中学习语言模型的上下文表征能力。
• 下一句预测（Next Sentence Prediction, NSP）：在预训练阶段，BERT还会接收两个句子输入，并判断它们是否是连续的上下文关系。这有助于模型捕捉句子间的关系。

这两个任务共同促使BERT去学习语言的内在规律和结构，从而在各种NLP任务上取得优异的性能。

三. BERT模型训练流程中的两个阶段

在BERT的训练过程中，包括以下两个步骤：

• 预训练 (Pre-training)
  在这个阶段，BERT模型在大规模未标注文本数据上进行训练，通过两个自定义的预训练任务（如上所述的MLM和NSP）来学习通用的语言表示。这一阶段的目标是让模型掌握语言的基础知识和理解上下文的能力。
• 微调 (Fine-tuning)
  在预训练完成后，BERT模型会被应用到具体的下游自然语言处理任务上，例如情感分析、问答系统等。此时，会在预训练好的BERT模型顶部添加特定于任务的输出层（比如分类层或序列标注层），然后使用有标签的特定任务数据对该模型进行微调。微调阶段会调整所有参数（包括预训练阶段学到的参数），使模型适应特定任务的需求。

所以，在实际应用中，BERT模型经历了从大量无标注数据学习通用语言表示（预训练）到针对性任务优化（微调）的过程。

四. BERT模型的优缺点

4.1 BERT的优点

• BERT的根基源于Transformer，相比传统RNN更加高效，可以并行化处理同时能捕捉长距离的语义和结构依赖；
• BERT采用了Transformer架构中的Encoder模块，不仅仅获得了真正意义上的bidirectional context（双向上下文信息），而且为后续微调任务留出了足够的调整空间。

4.2 BERT的缺点

• BERT模型过于庞大，参数太多，不利于资源紧张的应用场景，也不利于上线的实时处理；
• BERT目前给出的中文模型中，是以字为基本token单位的，很多需要词向量的应用无法直接使用。同时该模型无法识别很多生僻词，只能以UNK代替；
• BERT中第一个预训练任务MLM中，[MASK]标记只在训练阶段出现，而在预测阶段不会出现，这就造成了一定的信息偏差，因此训练时不能过多的使用[MASK]，否则会影响模型的表现；
• 按照BERT的MLM任务中的约定，每个batch数据中只有15%的token参与了训练，被模型学习和预测，所以BERT收敛的速度比left-to-right模型要慢很多(left-to-right模型中每一个token都会参与训练)。

五. BERT系列模型简介（对BERT模型的优化）