Transformer、BERT等模型学习笔记_laynorm

记录一下刷B站教学视频的一些笔记，目前主刷：

• 李沐老师的【跟李沐学AI】
• 公众号-【NLP从入门到放弃】 的视频

---

---

1 Transformer从零详细解读(可能是你见过最通俗易懂的讲解)

地址：

Transformer从零详细解读(可能是你见过最通俗易懂的讲解)

关联知乎文章：
万字长文帮你彻底搞定Transformer-不要错过！！
答案解析(2)-3分钟彻底掌握Transformer的Encoder—满满干货！！
答案解析(1)—史上最全Transformer面试题：灵魂20问帮你彻底搞定Transformer

1.1 整体结构

transformer整体结构简图： 6 encoder * 6decoder

6个encoder结构完全相同，但是训练的时候是6个同时训练，独立训练，这里跟alBERT有差别，albert是共享transformer某些层的参数，达到减少参数量的目的。
以下是论文的transformer图，左边是一个encoder的图样，一共会 有Nx个（乘以N个），
右边是一个decoder，一共会有Nx个：

从图中，可以看到，decoder比encoder要多一个模块，就是masked muti-head attention的模块

1.2 encoder部分

单独拿一个出来，来看，一共分为三个部分：

• 输入部分
• 注意力机制
• 前馈神经网络
  

1.2.1 输入部分

input = embedding + postion bedding

为啥需要位置信息？不适用RNN？

RNN可以获得一套参数，transformer是并行的，丢失了位置信息，就通过编码，加到embedding，让embedding拥有位置信息

RNN里面，所有的step都 共享 一套参数，包括，U,W,V

那RNN的梯度消失是什么？
RNN的梯度是一个梯度消失和，并不是梯度变为0，
RNN是一套参数的梯度，那么这套参数会更加适应 $St+1$ 而对$St-1$不友好，忘记重视前面的隐藏层

位置编码的公式：

为什么相对位置编码是有用的，可以代表位置？

那么总结，
最后输入项 = 位置编码 + embedding，对位相加：

1.2.2 多头注意力机制

1.2.2.1 注意力机制原理

注意力机制计算的时候，一定有Q,K,V三个矩阵：

根据公式来看例子：

Q,K都分别代表两个向量，点乘代表两个向量的相似程度，
这里婴儿Q，点乘四个K值，就代表婴儿与四个区域，哪个更相似，所以
softmax(Q,K) 代表相似度

这个图演示了一个attention计算出来的经过

1.2.2.2 QKV的获取方式

一个input，会跟QKV同时相乘，那么：

• Q = X*Wq
• K = X*Wk
• V = X*Wv

此时Wq、 Wk、 Wv为Q,K,V的参数

得到了q1/q2，就可以跟上述注意力机制计算一样：softmax(q,k) * v
可以来看一下具体相乘的过程：

矩阵并行QKV，比较快
多头 => 多套参数Wq、 Wk、 Wv


如果是8个头，那就是接在一起共同输出，Z0就是注意力层的第一个头，一直有8个

1.2.3 残差

laynorm计算过程：
上面经过多头注意力层，就有Z1,Z2多头注意力层进行输出
这里的laynorm，是把多头注意力层输出的Z + 原始的X，
add之后进行normalize

解释一下残差
X经过两个weight layer，最后会得到：f(x)+ x

抽象成以下的公式：

残差这里的1，就可以保证梯度不消失，因为消失较多的情况是，连乘会导致梯度消失，所以残差网络可以让网络变得很长，因为可以保证梯度不会消失；
反观RNN，顶多是bi-lstm，一旦过长容易梯度消失，所以RNN网络做深非常难

1.2.3 layer norm 与BN的差异

另外一个知识点：layer norm（LN） 与 BN的差异
BN效果差，NLP中基本不用，因为RNN不用，一般用LN；
CNN可能会用BN
BN - 进行feature scaling标准化，

BN进行标准化是一个特征所有进行标准化，如下图的所有人的体重这一行做标准化

指的是所有词，样本，一行代表一种特征，第一行体重，第二行身高
BN指的是，选的一个Batch中所有的人，体重这一行做标准化，

BN最大的问题 : 但是有一个问题就是，如果Batch非常小，那么这时候方差/标准差只是局部的，并不能总体，所以波动非常大
意思就是，本来有1w个样本，如果做标准化，就是体重这一列，1w个人标准化，但是现在的情况是，一个batch可能只有100个人，
那么1w和100个人的标准差，均值都不一样了，所以BN代表用100个人的模式，表达这1w个人

所以，LN的意思就是，标准化，不是按行，而是按每个样本，按照一个人，体重，身高，等等特征

在RNN中，比较难，因为有些词padding，后面的都是0，方差不好算

1.2.4 前馈神经网络

就是红框的部分，Z1、Z2分别通过一个feed forward，代表两层的全连接
再过一个残差和Normalize

1.3 Decoder

主要有两个大模块不同

• 改成masked
• 多了一个交互层
  

1.3.1 masked

这里有个细节点就是masked，

为什么需要mask，如果要预测YOU这个单词，如果不mask，就会出现信息泄露
decoder是预测型的，需要mask后面的单词

1.3.2 新增的多头注意力机制层

这里encoder的输出（KV矩阵，如下图），会同时给到所有的decoder（生成Q矩阵）

所以这里新增多头注意力机制，KV来自encoder的输出层，而且给到每一个decoder

下面有一个encoder（K、V） -> decoder(Q，下图的encoder-decoder attention)的详细图解：

---

2 BERT从零详细解读，看不懂来打我

B站地址：BERT从零详细解读，看不懂来打我

2.1 BERT整体架构

BERT是tansformer中剥离多个encoder，然后堆叠在一起
而不是12层transformer(6*encoder + 6 * decoder)

展开其中一个encoder如下，input跟transformer不太一样，

• transformer input = positional encoding + embedding
• bert input = token emb + segment emb + position emb
  

解析一下input：

• segment emb 是一句话为0，一句话全为1
• postion emb是初始化后，让模型自己训练出位置信息
  

提问：那么[cls]是否可以作为句向量来表征这个句子？
[cls]表征的向量不是句向量，输出是为了二分类，如果拿[cls]表征的向量来做相似性聚类，效果非常差，不如Word embedding

2.2 MLM + NSP如何做预训练

2.2.1 MLM

AR自回归模型 与 AE自编码模型 的差异

AR模型就是用到单侧信息，是从左到右顺序的
AE模型打乱文本，让文本进行重建，不仅是单侧信息，周边信息都会使用到

mask的缺点是什么
mask字之间不是独立的，可能是有关联的，
而mask模型中是认为独立的

那么BERT里面mask的具体操作是

2.2.2 NSP

• 主题预测 - 两个段落是否来自同一个主题，因为在抽样的时候，就是不同的文章，当然大概率就不是一个主题了
• 连贯性预测 - 两个段落是否有顺序

但是从这两个任务来看，主题任务是非常简单的，导致效果不是特别好
所以后面的albert不要主题预测，只使用连贯性预测（预测句子顺序，正负样本来自同一个文章，正样本就是两个有序的句子，负样本就是把有序句子进行颠倒）

2.3 微调BERT，提升BERT在下游任务的效果

文本分类就是[cls]输出句子
序列标注就是对每一个输出token接入一个softmax
句子对分类，就是两个句子接起来，然后[cls]分类输出

一般工业界的做法是：

• 直接获取谷歌中文BERT
• 自己训练

关于预训练模型，有几种等级的预训练阶段：

比如沿着2展开，大量微博文本继续训练BERT时候，讲师推荐两种技巧：

• 动态mask，之前训练，比如“我爱吃饭”，一般都是固定mask某一个，比如，“爱”；现在动态，每一次mask不一样的好一些
• n-gram mask，是使用n-gram，使用实体词的mask

其他的一些训练技巧

2.4 脱敏数据使用BERT预训练模型

作者的建议是，如果语料非常大，那么：

• 第一种，直接从新训练
• 第二种，先把脱敏内容随机映射到文本中，比如脱敏是"abbbdda"，那么可以直接随机映射为"我你你你她她我"，将中文已经训练的作为初始化