【Bert】自然语言（Language Model）入门之---Bert

every blog every motto: Although the world is full of suffering， it is full also of the overcoming of it

0. 前言

对bert进行梳理

论文： BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
时间： 2018.10.11
作者： Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova

1. 正文

1.1 整体理解

Transformer的第一版时2017.6.12

bert(用到Transformer的Encoder)的第一版arxiv上的文章时间时2018.10.11

GPT1(用到Transformer的Decoder)在arxiv上没找到对应的文章，但是第一版的bert中就有把GPT1作为参考，所以GPT1的时间应该是在2018.10.11之前

动作不得不说快阿！！！
20240727155313

下图展示了三种模型的不同

bert: 双向(Transformer Encoder)

GPT1：从左到右单向(Transformer Decoder)

ELMo：单独训练从左到右和从右到左，再结合（bert双向也是借鉴于此，ELMo基础单元是LSTM，这是一个比较早的东东了）

20240727155503

具体来说，bert使用Transformer的encoder部分作为基础单元进行堆叠，而GPT使用decoder部分作为基础单元进行堆叠。

20240727161515

Bert有两个版本，一个是base (12层)，一个是large(24层)，base的参数量是110M，large的参数量是340M。
base的作用是为了和GPT1作对比。

base:
L:12; H:768; A:12

large:
L:24; H:1024; A:16

说明： 编码器层数L，注意力头数A，隐藏层数H.

20240727165712

1.2 和GPT1的对比

和GPT1相比的话，主要有两点不同，一个是bert是双向，另一个是预训练。

其中GPT1预训练，是预测一个句子的下一个词是什么(这个在NLP中我们也称作Language Modeling(LM))，如下：
20240727174708

而bert的预训练是以下两个：

1.2.1 任务一：“完型填空”

不同于常规思路预测下一词。

上面说了bert是双向的，如果预测下一个词，那将是没有意义。所以对输入的词进行mask，即遮住，然后让模型去预测遮住的词是什么。（是不是和我们做的完形填空一样!!!），论文中将这个称为：“masked LM” (MLM)

如下，将hairy进行Mask以后去预测：

my dog is hairy → my dog is [MASK]

然后对网络的输出结果相应位置进行softmax，得到每个词的概率分布，然后取概率最大的词作为预测结果。如下图：

20240731153330

但是存在一个问题，mask15%比例比较高，这会造成某些词在微调(fine-tuning)时候没有见过，此外，微调的时候是没有mask的，为了让预训练和微调匹配，做了一些调整。

每一个句子会预测15%token,在这其中，

80%的token被替换成[MASK], my dog is hairy → my dog is [MASK]
10%的token被替换成随机词, my dog is hairy → my dog is apple
10%的token保持不变, my dog is hairy → my dog is hairy

20240727180536

1.2.2 任务二：预测下一个句子

在NLP中的某些任务当中，需要将两个句子作为输入(如，问答系统)，所以bert中的预训练添加了一个的新的训练方式----Next Sentence Prediction，下一个句子预测。

具体的是一次输入两个句子，最后有一个输入，判断是否相似。如下图：

其中, 50%的输入数据B是A的下一个句子，50%的数据B是从语料库中随机选取的。
20240728155338

1.2.3 小结

现在我们看下面这个图应该比较好理解了。

在pre-training阶段，输出的第一位是用于判断是否是下一个句子（NSP，任务二，二分类）后续输出是做
完型填空（MLM，任务一，多分类）。

20240730144910

关于输入，需要注意的是，输入的是一个序列(sequence),一个sequence可能是一个句子(sentence)也可能是两个句子(sentence,为了适应下游的问题任务)。

而一个句子setence,更准确是一段连续的文本，不是我们常规的“句子”。

20240730150924

1.3 小结

除了论文中提到的base和large,github上还有其他版本。

BERT-tiny, L = 2 , H = 128 L=2,H=128L=2,H=128
BERT-mini, L = 4 , H = 256 L=4,H=256L=4,H=256
BERT-small, L = 4 , H = 512 L=4,H=512L=4,H=512
BERT-medium, L = 8 , H = 512 L=8,H=512L=8,H=512

20240730153820

主要贡献：

引入了Masked LM，使用双向LM做模型预训练。
为预训练引入了新目标NSP，它可以学习句子与句子间的关系。
进一步验证了更大的模型效果更好： 12 --> 24 层。
为下游任务引入了很通用的求解框架，不再为任务做模型定制。
刷新了多项NLP任务的记录，引爆了NLP无监督预训练技术。

1.4 关于输入

bert的是输入是一个序列(sequence，包含多个句子(sentence))，而网络的最小处理单元是一个词，就是token。关于bert中具体的分词方式我们暂时按下不表。

我们先看一个例子。若我们一个序列是：

Sentence A: Paris is a beautiful city. 
Sentence B: I love Paris.

1.4.1 token

先将句子进行分词，转换成一个个token以后，如下：

[CLS] Paris is a beautiful city . [SEP] I love Paris . [SEP]

其中，

[CLS]放在序列第一个位置，用于分类（NSP，下一个句子预测）
[SEP]放在每个句子(sentence)结尾，用于区分句子和句子。

20240731141555

1.4.2 segment

由于我们一次会输入两个句子(sentence)，所以需要区分是句子A还是句子B，所以bert中引入了segment，用于区分句子A和句子B。

句子A的segment id为0
句子B的segment id为1

20240731141725

1.4.3 position

由于bert的输入是一个序列，而序列的长度是有限的，所以需要将序列进行截断，而截断以后，我们无法知道每个词在句子中的位置，所以bert中引入了position，用于表示每个词在句子中的位置。

20240731141816

1.4.4 最终的输入

最终的输入是将上面的token、segment和position相加

20240731141929

1.5 分词：WordPiece

bert中的分词采用的是WorPiece,是Google在2016年提出的，它将词拆分成更小的子词，比如，将“unhappiness”拆分成“un”和“-happy”，这样就可以避免OOV问题。

具体做法：检查单词是否在词表(vocabulary)中，如果在则标记；否则，拆分成子词，

对子词继续重复前面的过程（然后检查子词是否在词表中，如果在则标记；否则，继续拆分，直到拆分出来的子词在词表中。）

Bert的词表有30k标记。

比如：

"Let us start pretraining the model."

其中pretraining不在词表中，所以会被拆分成pre、##train和##ing。
前面的#表示这个单词为一个子词，并且它前面有其他单词。现在我们检查子词##train和##ing是否出现在词表中。因为它们正好在词表中，所以我们不需要继续拆分。

所以上述句子会被拆分成：

tokens = [let, us, start, pre, ##train, ##ing, the, model]

增加[CLS]和[SEP]后是：

tokens = [ [CLS], let, us, start, pre, ##train, ##ing, the model, [SEP] ]

1.6 预处理代码

我们的原始数据是文本，而所谓的神经网络训练本质是对数字进行数学运算。

所以我们需要将文本转换为数字，而转换的过程就是预处理。下面我们看下代码

1.6.1 步骤

本次使用的是抱脸的transformers库

pip install transformers

1. 导入库

导入库，加载预训练的模型和分词器。

from transformers import BertModel, BertTokenizer
import torch
model = BertModel.from_pretrained('bert-base-uncased')
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')

离线情况下

model_path = './model_path'
bert = BertModel.from_pretrained(pretrained_model_name_or_path=model_path)

将下图中需要的文件下载到本地即可
20240731170325

2. 分词

sentence = 'I love Paris'
tokens = tokenizer.tokenize(sentence)
print(tokens)

20240731172120

3. 添加CLS、SEP

tokens = ['[CLS]'] + tokens + ['[SEP]']
print(tokens)

20240731172404

4. 添加pad

正常的bert的输入是个固定长度，如果长度超过这个固定长度进行截断，小于该固定长度添加pad。
假设固定长度是7,现在我们的tokens长度位5,所以需要添加pad

tokens = tokens + ['[PAD]'] + ['[PAD]']
tokens

20240731172416

5. mask

bert中的encoder内部是注意力机制，我们需要传入一个mask，用于区分正常词和pad。

attention_mask = [1 if i!= '[PAD]' else 0 for i in tokens]
attention_mask

20240731172622

6. 转为id

不管是中文还是英文句子都是字符，而神经网络是对数字进行训练。所以需要将字符转化为数字。
不管是中文还是英文句子都是字符，而神经网络是对数字进行训练。所以需要将字符转化为数字。
不管是中文还是英文句子都是字符，而神经网络是对数字进行训练。所以需要将字符转化为数字。

token_ids = tokenizer.convert_tokens_to_ids(tokens)
token_ids

20240731172816

本质是从一个大的字典里面找到每次词对应的id。

20240731173125

7. 转为tensor

import torch
token_ids = torch.tensor(token_ids).unsqueeze(0)
attention_mask = torch.tensor(attention_mask).unsqueeze(0)print(token_ids.shape)
print(token_ids)

我们输入是一个句子，每个句子的长度是7。
20240731173434

8. 输入模型

hidden_rep, cls_head = bert(token_ids, attention_mask=attention_mask,return_dict=False)print(hidden_rep.shape,cls_head.shape)

hidden_rep : 是bert中最后一个encoder的输出，维度是[1,7,768]
cls_head : 是cls的输出，维度是[1,768]

对于hidden_rep,1表示一个1个句子，7表示句子的长度，768表示每个词的向量维度 （一个词用一个长度为768的向量表示）。

20240731173758

1.6.2 小结

我们处理的是句子，而所谓的神经网络训练本质是对数字进行加减乘除运算。所以实际输入网络的是数字。

原始的是文本，输入网络的是经过字典映射的数字。

20240801102417

1.7 关于embedding

如果看论文，会发现bert的输入是embedding，而我们上面的预处理最终的结果好像是token_ids（只是索引而已），这二者有什么关系呢？
20240801113833

在说embedding之前，我们先看下one-hot编码。

1.7.1 one-hot编码

one-hot编码是机器学习中最常用的编码方式，对于每个词，我们用长度为n的向量表示，其中n是词表的大小，向量中只有一个1，其余都是0。

比如中文有5000个词，为了方便我们简化一下，现在词典里面有5个词。[‘我’,‘是’,‘中’,‘国’,‘人’]。

'我们人’可以用如下向量表示：
我：[1 0 0 0 0 ]
是：[0 1 0 0 0 ]
人：[0 0 0 0 1 ]

看起来也比较直观，但是别忘了我们这里词典大小是5,如果5000呢？那么我这个词的向量就是5000维的，如果50000呢？50000维的向量，是不是有点太大了？

这会导致我们的结果非常的稀疏！

其次，one-hot编码之间的向量是正交的，词和词之间没有关系，比如’我’和’是’之间没有关系，'中’和’国’之间也没有关系，这显然是不合理的。

所以就出现了embedding

1.7.2 embedding

embedding是一个词典，更通俗的说一个二维向量。

我们的embedding现在是(5000,768)，5000表示词表大小，768表示每个词的向量维度。

啥意思？就是我们的词表里面有5000个词，每个词用一个长度为768的向量表示。

现在我们要表示我，只需要根据我这个词对应的索引，在5000个词中找到对应的向量即可。而这个向量是一个长度为768的向量。

768相比之前的5000小了不少。同时词和词和词之间也有有关系的。

1.7.3 代码示例

构建一个含有10个词的词表，每个词用一个长度为3的向量表示。

import torch
import torch.nn as nn# 创建 Embedding 层
num_embeddings = 10  # 词汇表大小
embedding_dim = 3    # 嵌入向量的维度
embedding_layer = nn.Embedding(num_embeddings, embedding_dim)
embedding_layer

20240801115321

我们看下词表里面的值是个啥

embedding_layer.weight

20240801115454

现在我们有词索引如下：

# 示例输入
input_indices = torch.LongTensor([1, 2, 3, 4])
print('input.shape: ',input_indices.shape)
print("Input indices:", input_indices)

20240801115154

现在我们根据对应的词到词表中查找我们的词对应的向量。

# 获取嵌入向量
output_vectors = embedding_layer(input_indices)
print('output.shape: ',output_vectors.shape)
print("Output vectors:", output_vectors)

20240801115625

这个值是从词表中来的。
20240801115726

1.7.4 bert官方部分代码

20240801120709

1.7.5 小结

embedding正式表述是词表，或是或是词典。更本质来说是一个二维向量。

通过“查表”我们获得了每一个词的向量表示。这样的表示相比one-hot编码更稠密。同时，也能表达词和词之间的关系。

开始是我们的embedding参数是随机的，通过不断的训练，含义更加准确。

1.8 小结

bert 借鉴了GPT1和ELMo，使用Transformer的encoder部分进行堆叠。

两种预训练（MLM和NSP）能够更有效的获取语义信息。

参考

https://cloud.tencent.com/developer/article/2058413
https://blog.csdn.net/jiaowoshouzi/article/details/89073944
https://blog.csdn.net/yjw123456/article/details/120211601
https://blog.csdn.net/weixin_42029738/article/details/139578563
https://helloai.blog.csdn.net/article/details/120211601
https://www.cnblogs.com/JuggyZhan/p/18249075
https://cloud.tencent.com/developer/article/2348457
https://cloud.tencent.com/developer/article/2336439
https://blog.csdn.net/magicyangjay111/article/details/132665098
https://www.cnblogs.com/zackstang/p/15387549.html
https://blog.csdn.net/yjw123456/article/details/120232707
https://people.ee.duke.edu/~lcarin/Dixin2.22.2019.pdf